SiC复合陶瓷增韧研究现状

SiC陶瓷具有优良的性能,被广泛应用于各领域,但因韧性不足而制约其作为结构材料的应用,故提升其韧性已成为研究热点和焦点。因此,综述了颗粒、晶须、纤维和低维纳米材料(碳纳米管和石墨烯)等不同增强相增韧SiC复合陶瓷的研究现状,期望为今后SiC陶瓷的增韧研究提供参考。

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。

融合类别和结构信息的多尺度协同耦合度量学习方法

针对不同尺度空间集合中数据样本无法直接匹配的问题,提出融合类别和结构信息的多尺度协同耦合度量学习方法.首先将类别信息作为主要监督信息,样本分布结构信息作为辅助监督信息,构建相关关系矩阵.然后基于该相关关系矩阵构建线性和非线性最优化目标方程,通过最优化目标方程求解将不同尺度数据集合中的数据样本变换至尺度统一的公共空间,最终实现不同尺度空间中数据样本的度量.人脸识别的实验表明,多尺度空间的非线性协同耦合度量是一种有效的度量方法,运算简单方便,能够获得较高的识别率.

苏里格气田低产低效井差异化管理对策

鄂尔多斯盆地苏里格气田储层非均质性强,气水分布规律复杂,随着开发的深入,低产低效井增多,气井的管理、资料分析和应用难度加大。为此,结合对该气田储层地质认识、生产动态特征分析和现场试验的成果,提出"苏中控压稳产、苏西控水开发"的技术思路,将苏中气井分为高、中、低产井;苏西气井分为连续带液井、间歇带液井和积液井,分类分析评价气井生产动态,并提出各类气井的开发技术政策。在气井分类管理的基础上,形成了具有该气田特色的低产低效井差异化管理对策:①不断优化低产井间歇生产制度,有效减少和降低储层应力敏感效应和水锁伤害,提高了低产井外围储量动用程度;②建立气井"三维矩阵"管理方式,明确了气井措施适用范围,量化了措施实施参数,提高了气井措施有效率;③应用智能化气井管理平台,推行气井全生命周期管理。差异化管理对策贯穿气井整个生命周期,大大提高了气井管理效率,老井的开井时率、新井贡献率、措施有效率明显上升,为该气田稳产提供了帮助和支持,也为同类气田的高效开发提供了技术支撑。

异侧非重叠三封闭端量子波导中的声子输运与热导

研究了异侧非重叠三封闭端量子波导中的声学声子传输和热导率性质.结果表明:由于激发模的产生,总传输系数在整数约化频率的时发生跳跃;各个激发模所产生的温度条件不一样,温度越高,被激发的模越多,并且高阶模对热导的影响较小;声子传输和热导性质与不连续结构的形状和位置有直接的关系,声子传输和热导性质对量子线的温度环境相当敏感.

基于拉普拉斯特征映射的三维结构模态分析

为了仅从平稳振动响应信号中识别线性时不变三维结构的工作模态参数,提出一种基于拉普拉斯特征映射的三维结构模态分析方法。该方法首先将复杂三维结构的振动响应数据视作处于高维空间的数据集,利用拉普拉斯特征映射寻找该数据集的低维嵌入数据。低维嵌入数据对应模态响应矩阵,利用单自由度识别技术从模态响应矩阵中识别出模态固有频率。最后,利用最小二乘广义逆,将求解的模态响应矩阵代入振动响应数据分解公式求得模态振型矩阵。三维圆柱壳仿真实验结果表明:相较于等距离映射,拉普拉斯特征映射能有效地识别出系统的模态振型与固有频率,且识别速度更快,精度更高;相较于主成分分析,拉普拉斯特征映射识别精度更高。

MIMO雷达二维低复杂度MUSIC测向算法

基于单基地MIMO雷达收发天线共址特性,提出一种二维低复杂度MUSIC测向算法。该算法通过构造交换矩阵和降维矩阵,有效去除MIMO雷达收发联合处理过程的冗余信息,大大降低协方差矩阵的维度。仿真结果表明,该算法的低复杂度特性随阵面天线阵元数的增多越来越显著,同时具有和原MUSIC算法相近的角度估计性能,甚至在低SNR时能获得更高的估计性能。

改进压缩特征的实时压缩跟踪算法

提出了一种改进的实时压缩跟踪算法(RCT)。该算法基于实时压缩跟踪算法,构造出一个改进的随机测量矩阵,使降维后得到的压缩特征包含的灰度特征信息和纹理特征信息比例相等。RCT算法首先将图像序列的特征用改进的随机测量矩阵转化为低维度特征,再用朴素贝叶斯分类器对低维特征进行目标和背景的分类,从而实现对目标的跟踪。将原始算法(CT)、一种改进算法(BCT)和该文创新的改进算法(RCT)进行对比,实验表明:RCT算法保持了原始算法的实时性,并且在各实验图像序列中跟踪目标的鲁棒性最好。

基于邻域保留投影的工作模态参数识别

针对拉普拉斯特征映射和等距离映射算法识别弱非线性特征模态精度低的缺点,提出一种利用邻域保留投影算法的工作模态参数识别方法。该方法利用局部线性特征寻找结构位移响应数据的低维嵌入数据,低维嵌入数据与模态坐标响应矩阵相对应;利用单自由度识别技术从模态响应矩阵中识别出结构的模态固有频率;再用最小二乘广义逆估计变换矩阵,变换矩阵与模态振型矩阵相对应。该方法能够保留数据的局部线性特征,从而识别弱非线性模态。通过三维圆柱壳仿真数据集的识别结果表明,相比拉普拉斯特征映射和等距离映射算法,邻域保留投影算法能够更有效地识别出弱非线性特征模态的参数,平均识别精度更高。

低维量子系统等离激元介电函数表象变换理论（英文）

推导低维量子系统中等离激元介电函数的矩阵表达式,建立了矩阵表达式、张量表达式和傅立叶表达式之间的变换关系.根据有限子带模型,在不同表象下计算量子阱结构和半导体超晶格中等离激元模式的色散关系,并通过数值计算证实了在这3种表象下等离激元介电函数表达式是彼此等价的.

卷积鲁棒主成分分析

鲁棒主成分分析(RPCA)是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据。但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据。研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的。根据这一原理,提出一种称为卷积鲁棒主成分分析(CRPCA)的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复。CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法(ADMM)来进行求解。通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析(GRPCA)以及核鲁棒主成分分析(KRPCA)在处理数据非低秩问题上优越性。

基于非负矩阵分解的语音深层低维特征提取方法

作为一种基于深层神经网络提取的低维特征,瓶颈特征在连续语音识别中取得了很大的成功。然而训练瓶颈结构的深层神经网络时,瓶颈层的存在会降低网络输出层的帧准确率,进而反过来影响该特征的性能。针对这一问题,本文基于非负矩阵分解算法,提出一种利用不包含瓶颈层的深层神经网络提取低维特征的方法。该方法利用半非负矩阵分解和凸非负矩阵分解算法对隐含层权值矩阵分解得到基矩阵,将其作为新的特征层权值矩阵,然后在该层不设置偏移向量的情况下,通过数据前向传播提取新型特征。实验表明,该特征具有较为稳定的规律,且适用于不同的识别任务和网络结构。当使用训练数据充足的语料进行实验时,该特征表现出同瓶颈特征几乎相同的识别性能;而在低资源环境下,基于该特征识别系统的识别率明显优于深层神经网络混合识别系统和瓶颈特征识别系统。

基于两维解卷积和稀疏回波去噪的高分辨雷达成像方法（英文）

该文提出了一种结合稀疏低秩矩阵恢复技术以及基于匹配滤波结果的反卷积算法的高分辨率雷达成像方法。对雷达回波信号进行匹配滤波操作可以最大化回波信噪比,通过推导发现经过匹配滤波操作后的回波信号可以建模为两维卷积的形式,对该结果做维纳滤波解卷积可以获得较高的分辨率。然而典型的解卷积算法面临着病态性问题,该问题会放大解卷积后的噪声、限制解卷积后的成像分辨率。文中证明了在目标稀疏分布的先验下,经过匹配滤波后的回波矩阵满足稀疏低秩的特性。在这种情况下,利用回波矩阵的稀疏低秩矩阵特征可以进一步提高信噪比,以减轻解卷积的病态性问题以及点扩散函数的平滑卷积造成目标散射低分辨率的影响。仿真实验以及实测数据证明了所提方法的有效性。

基于三维矩阵光电读码电路的低功耗水表设计与实现

智能水表为供水公司实时掌握用户用水情况和解决抄表困难问题提供了重要支撑,但传统的光电直读智能水表存在功耗高,电路复杂,体积庞大,长期稳定性差等问题;通过对水表关键技术研究分析,提出了一种基于三维矩阵电路读取字轮码盘的水表设计方案,它采用STM8L051超低功耗单片机为控制核心的分离式Mbus通讯电路设计思路,有效解决了智能水表功耗高和长期稳定性得不到保障问题,使智能水表小型化;实验数据表明,依据三维矩阵电路设计的光电直读智能水表通讯稳定,功耗低,采集效率高,长效工作稳定可靠。

基于二阶统计量的小样本学习算法研究

为了提高小样本学习的准确率和抗干扰能力,提出了一种基于二阶统计量的小样本学习模型,以CNN最后一层卷积输出的一阶特征向量为输入,通过计算协方差矩阵和二阶池化获得具有较高区分度的二阶统计量,采用奇异值(SVD)分解将二阶特征映射到低维仿射子空间并据此分类。本算法在Omniglot和minilmageNet数据集上进行了测试,实验结果表明,在minilmageNet上的5-way 5-shot模型准确率达到了73.6%,比Prototypical Networks高出5.4%,在Omniglot上的20-way 1-shot模型准确率则获得了2.4%的提升,本算法性能优于Prototypical Networks等算法。在异常值测试中,本算法也展现出比Matching Networks和Prototypical Networks算法更强的鲁棒性。

稀疏轨迹毫米波雷达三维高分辨成像算法

近年来,由于毫米波雷达具有穿透能力强、体积小巧、探测精度高等特性,因此被广泛应用于安全检测、零件无损探测和医学诊断等领域。然而,由于硬件发射带宽的限制,如何实现超高二维分辨率成为毫米波雷达应用中的挑战之一。采用雷达平台扫描形成二维孔径的方式可以实现高度向和方位向的二维高分辨。然而,在扫描过程中,毫米波雷达在高度维会产生稀疏的轨迹,使得高度向回波采样稀疏,进而降低成像质量。为了解决这一问题,该文提出了一种基于Hankel变换矩阵填充的毫米波雷达高分辨三维成像算法。该方法采用了矩阵填充算法对稀疏采样回波进行了恢复,保证了毫米波雷达在扫描平面的成像精度。该文首先分析了毫米波雷达高度-距离切面的低秩先验特性,为了解决稀疏轨迹采样时,数据整行整列缺失的问题,对回波数据矩阵采用Hankel变换进行重新构造,使得待恢复数据矩阵满足矩阵填充算法应用条件。然后,提出了一种融合低秩与稀疏先验的基于截断的Schatten-p范数的矩阵填充算法,对采样数据矩阵进行恢复,以保证稀疏轨迹毫米波雷达的三维分辨率。最后,通过仿真和多组实测数据,证明了采用该文方法可以在仅使用20%~30%的高度向回波时仍实现目标高分辨三维成像。

自适应图正则化的低秩非负矩阵分解算法

图正则化(nonnegative matrix factorization,NMF)算法(graph regularization nonnegative matrix factorization,GNMF)仍存在一些不足之处:GNMF算法并没有考虑数据的低秩结构;在GNMF算法中,其拉普拉斯图是使用K近邻(K nearest neighbor,KNN)方法预先定义的,而KNN方法无法总是获得最优图解,从而使得GNMF算法的性能不能达到最优。为此,本文提出了一种自适应图正则化的非负矩阵分解算法(nonnegative low-rank matrix factorization with adaptive graph neighbors,NLMFAN)。一方面,通过引入低秩约束,使得NLMFAN可以获得原始数据集的有效低秩结构;另一方面,设计了一种通过自适应求解相似度矩阵的方法来进行图的构建,即图的构造和矩阵分解的结果被融入一个整体的框架中,使得图中节点的相似性是自动从数据中学习得到的。此外,本文还给出了一种求解NLMFAN的有效算法。在多种数据集上的实验验证了本文所提出的算法的有效性。

Proteomic Alterations of Antarctic Ice Microalga Chlamydomonas sp.Under Low-Temperature Stress

Antarctic ice microalga can survive and thrive in cold channels or pores in the Antarctic ice layer. In order to understand the adaptive mechanisms to low temperature, in the present study we compared two-dimensional polyacrylamide gel electrophoresis （2-DE） profiles of normal and low temperature-stressed Antarctic ice microalga Chlamydomonas sp. cells. In addition, new protein spots induced by low temperature were identified with peptide mass fingerprinting based on matrix-assisted laser desorption/ionization time-of-flight mass spectrometry （MALDI-TOF-MS） and database searching. Well-resolved and reproducible 2-DE patterns of both normal and low temperature-stressed cells were acquired. A total of 626 spots was detected in control cells and 652 spots were detected in the corresponding low temperature-stressed cells. A total of 598 spots was matched between normal and stressed cells. Two newly synthesized proteins （a and b） in low temperature-stressed cells were characterized. Protein spot A （53 kDa, pl 6.0） was similar to isopropylmalate/homocitrate/citramalate synthases, which act in the transport and metabolism of amino acids. Protein spot b （25 kDa, pl 8.0） was related to glutathione S-transferase, which functions as a scavenger of active oxygen, free radicals, and noxious metabolites. The present study is valuable for the application of ice microalgae, establishing an ice microalga Chlamydomonas sp. proteome database, and screening molecular biomarkers for further studies.

图网络风险感知与稀疏低秩的组合管理策略

资产的联动性具有很强的网络特性,其风险的传染、蔓延由简单的单向驱动关系逐步演化为网络式的循环互动关系。将风险的传染和溢出纳入投资组合优化配置的框架,深入研究资产的波动集聚效应、风险的网络传播效应以及非线性叠加效应,可为规避投资风险和全面风险管理提供新的视角和思路。本文通过高维稀疏低秩算法和基于图网络结构的熵不确定性网络风险模型,深入挖掘资产特征和捕捉其间的相依关系,运用核范数多目标矩阵回归的动态跟踪策略和自适应权重学习方法对不确定性环境下的投资组合进行优化配置,最终获得非线性风险叠加和高维稀疏低秩优化下资产组合的最优投资策略。研究发现,基于图网络结构的熵不确定性风险链路预测模型可以有效捕捉资产之间的非线性叠加效应和发现潜在风险点,稀疏、低秩优化组合能够高效地对高维资产进行选择,更好地集中配置优质资产,风险收益的均衡性更合理,组合性能更具优势,鲁棒性更强。实证结论对全面风险管理、量化组合分析、指数基金投资和风险资产定价具有重要指导意义。

基于低温沉积3D打印技术构建新型组织工程半月板支架的研究

目的基于低温沉积3D打印技术构建新型组织工程半月板支架,评价该支架理化性质及生物相容性。方法取新鲜猪膝关节半月板,采用改良物理化学联合方法脱细胞处理,获得脱细胞半月板基质匀浆;经大体观察、HE及DAPI染色观察脱细胞效果,甲苯胺蓝、番红O及天狼猩红染色评估黏多糖和胶原保留情况。然后制备脱细胞半月板基质生物墨水,通过低温沉积3D打印技术制备新型组织工程半月板支架。扫描电镜观察微观结构;与脂肪来源干细胞共培养后,采用细胞计数试剂盒8(cell counting kit 8,CCK-8)检测支架细胞相容性,死/活细胞染色和细胞骨架染色观察细胞活性和形态;植入大鼠皮下后组织学染色评估支架炎症细胞浸润与降解情况。结果脱细胞处理后半月板基质匀浆呈透明凝胶状,DAPI和组织学染色示免疫原性的核酸去除,同时黏多糖及胶原成分保留。采用低温沉积3D打印技术成功构建新型组织工程半月板支架,扫描电镜示支架呈分级大孔-微孔的微观结构;CCK-8检测示支架具有良好细胞相容性;死/活细胞染色示支架可有效维持细胞活性(>90%);细胞骨架染色示支架有利于细胞黏附和铺展;支架植入大鼠皮下1周后有轻度炎症反应,3周后未见明显炎症反应,并可见支架逐步降解。结论基于低温沉积3D打印技术构建的新型组织工程半月板支架具有分级大孔-微孔的微观结构和良好细胞相容性,有利于细胞黏附和生长,为下一步体内研究奠定基础。