高校–平台–行业一体化创新型数学人才培养模式探索

高等院校如何依托高水平科研平台探索人才培养新模式具有重要意义。本文介绍依托国家应用数学中心探索创新型数学人才培养,构建高校–平台–行业一体化创新型数学人才培养新模式的改革与实践,在充分发挥国家应用数学中心科技创新功能与作用的同时,也积极发挥国家应用数学中心的人才培养功能与作用。

一种优化轴速提取方法以及在风机故障检测中的应用

在风机故障监测中,同步采集和同步分析技术能够有效地减缓风机变速旋转导致的频谱能量弥散现象,使损伤特征频率能量集中,从而易于实现故障的精准检测。然而由于现有的风机故障检测系统通常并未配有速度传感器,因此从风机振动信号中提取瞬时轴相位是实现同步采集与分析技术的前提和关键。现有的相位解调轴速提取方法往往由于带宽的选择问题导致难以得到较为精确的相位信息,提出了一种优化轴速提取方法(optimal shaft speed extraction,OSSE),该方法基于代价函数脊线追踪(one-step cost function,OSCF)、最优带宽搜索及基于解析信号的相位解调方法对风机轴速进行提取。仿真结果表明,该方法能够获得精确的相位信息,使用该相位信息对原始振动信号同步重采集,可以得到清晰的阶次谱。利用某风场实际采集的风机振动数据进行验证,所得结论与仿真结果一致,证明了该方法的有效性和准确性。

结合对比学习的图像指导增强视觉问答模型

针对现有的注意力编解码视觉问答模型存在两个问题:单一形态图像特征包含视觉信息不完整,以及对问题指导过度依赖,提出结合对比学习的图像指导增强视觉问答模型。所提模型包含一种双特征视觉解码器,它基于Transformer语言编码器实现,将单一的图像特征扩展为区域和网格两种形态,根据不同形态特征的相对位置构建互补的空间关系,以解决第一问题。所提模型包含一种视觉引导的语言解码器,将视觉解码的两种图像特征与问题特征二次匹配,通过平行门控引导注意力,自适应地修正不同视觉信息对问题的引导比例,以解决第二问题。所提模型,在训练过程中,引入对比学习损失函数,通过对比模型推理时不同模态特征在隐空间内的相似度,获取更相近的互信息。所提模型,在VQA 2.0、COCO-QA和GQA数据集上分别取得73.82%、72.49%和57.44%的总体准确率,较MCAN模型分别提高2.92个百分点、4.41个百分点和0.8个百分点。大量消融实验和可视化分析证明了模型的有效性。实验结果表明,所提模型能够获取更相关的语言-视觉信息,并且对不同类型的问题样本具有更强的泛化能力。

带隐藏约束昂贵黑箱问题的自适应代理优化方法

针对带隐藏约束的昂贵黑箱全局优化问题,提出采用自适应转换搜索策略的代理优化方法。在转换搜索子步中采用与已估值点个数相关的标准差在当前最优点附近通过随机扰动生成候选点,以更好地平衡局部搜索和全局搜索。为更好地近似真实黑箱目标函数,采用了自适应组合目标代理模型。在50个测试问题上进行了数值实验,计算结果说明了所提算法的有效性。

509 nm高功率宽调谐外腔面发射激光器

报道了一种高功率宽调谐外腔面发射绿光激光器,利用设计的1018 nm半导体增益芯片、折叠镜以及后端镜构成结构紧凑的V型腔,使用长度为10 mm的Ⅰ类相位匹配三硼酸锂(LiB_(3)O_(5),LBO)非线性频率变换晶体进行腔内倍频,实现了509 nm波长的高功率绿光输出.通过在腔内插入双折射滤波片(birefringent filter,BRF),可获得连续调谐的激光波长.当BRF厚度为1 mm时,基频激光和倍频绿光的波长调谐范围分别为47.1 nm和20.1 nm.可调谐绿光的最大输出功率为8.23 W,对应的倍频转换效率为68.2%,相应的从吸收泵浦光到倍频绿光的光-光转换效率为16.6%.

高转换效率腔内倍频外腔面发射蓝光激光器

高功率高光束质量的蓝色激光在激光显示与照明、水下通信和成像、有色金属加工等许多领域具有广泛应用前景.本文利用增益芯片底部的高反镜分布布拉格反射镜、折叠镜以及后端反射镜构成V型谐振腔,通过腔内插入非线性晶体LBO,获得了高转换效率的高功率、高光束质量蓝光输出.实验研究了非线性晶体的长度、基频激光的线宽、倍频走离角的补偿等不同因素对外腔面发射激光器腔内倍频蓝光输出功率的影响.在LBO的Ⅰ类相位匹配条件下,当晶体长度为5 mm,所用双折射滤波片厚度为1 mm时,获得超过6 W的491 nm波长蓝光输出,x和y方向的光束质量M2因子均为1.08,倍频转换效率为63%.

低重复频率被动锁模半导体碟片激光器

锁模半导体碟片激光器(semiconductor disk laser,SDL)兼具输出功率高与光束质量好的优点,但半导体增益介质ns量级很短的载流子寿命限制了锁模脉冲重复频率的降低,因而在一定程度上限制了锁模脉冲峰值功率的提高.本工作中增益芯片内较浅的量子阱所对应的载流子寿命相对较长,结合特殊设计的较小饱和通量的半导体可饱和吸收镜(semiconductor saturable absorption mirror,SESAM),获得了低重复频率、高峰值功率的被动锁模SDL.当温度为12℃时,利用六镜谐振腔产生的被动锁模激光脉冲重复频率低至78 MHz,为迄今为止在SESAM锁模SDL中所获得的最低重复频率.锁模SDL的平均输出功率为2.1 W,脉冲宽度为2.08 ps,对应的脉冲的峰值功率12.8 kW,为已有报道最高值的近2倍.

多级特征交互Transformer的多器官图像分割

多器官医学图像分割有助于医生做出临床诊断.针对CNN提取全局特征能力弱,Transformer提取局部特征能力弱,以及Transformer具有二次方计算复杂度的问题,提出了用于多器官医学图像分割的多级特征交互Transformer模型.所提模型采用CNN提取局部特征,局部特征经Swin Transformer输出全局特征;通过下采样分别产生多级局部和全局特征,每级局部和全局特征经过交互并增强;每级增强后的特征经多级特征融合模块进行交叉融合;再次融合后的特征经过上采样和分割头输出分割掩码.所提模型在Synapse和ACDC数据集上进行实验,平均DSC和平均HD95系数值为80.16%和19.20 mm,均优于LGNet和RFE-UNet等代表性模型.该模型对多器官医学图像分割是有效的.

针对模糊数据近似处理的阴影集研究综述

阴影集(Shadowed set,SS)是一种对模糊集进行三支近似处理的不确定性知识发现模型,其能够对模糊集中具有精确值的不确定性对象进行有效的近似和划分,从而减少模糊决策过程中不确定性对象的决策划分成本和计算损耗.首先,回顾阴影集的发展历程,并从四个方面介绍其研究现状及内容,即阴影集的模型构建、理论性质、数据分析以及应用研究.通过总结分析它们的核心思想、方法体系、相互关系和区别等,为该领域的后续研究提供借鉴.随后,讨论分析阴影集理论与其他不确定性问题处理理论模型的联系,尤其是阴影集与模糊集、粗糙集和三支决策理论之间的区别、联系以及互补性.最后,围绕上述四个研究方面,对当前若干具有挑战性的研究问题进行分析和展望.

用于人体运动监测的微球结构柔性压力传感器

针对微结构柔性压力传感器的工艺复杂和高灵敏度压力区间小等问题,本文提出了一种基于微米(μm)级金属铜(Cu)微球结构的柔性可穿戴式压力传感器,用于人体运动信号的个性化监测。该传感器利用Cu微球的高导电性及其丰富的表面形态在硅胶表面构造了一层独特的摩擦结构,与聚对苯二甲酸乙二醇酯(PET)薄膜进行摩擦,增大了摩擦系数,提高了灵敏度和稳定性。柔性材料的应用使其能够适应人体皮肤曲面,实现高效的压力检测。该传感器具有28.7 nA/kPa的压力灵敏度,能响应0~20 Hz压力,并且在工作1000个周期后仍具有良好的稳定性。

联合视觉分组的图像中文描述

针对图像描述任务中使用的编码器提取图像细粒度语义特征不充分,导致模型生成的描述内容粗糙而文本细腻度不足的问题,提出了一种联合视觉分组的图像中文描述模型。模型采用编解码结构,编码阶段,使用两种方式实现图像全局语义和局部细节两类特征的提取。首先,使用对比语言图像预训练编码器提取图像的潜在语义信息;其次,结合视觉分组的思想将图像中各物体类别划分为不同规则大小的视觉片段,以此提取图像细节特征。最后。对编码器得到的两类特征进行融合,并通过映射网络转换为描述文本的前缀信息,再嵌入到语言模型中。解码阶段,使用语言模型GPT-2生成图像描述。与相关文献的模型相比,所提模型在BLEU-1到BLEU-4评价指标上分别获得了0.815、0.711、0.616和0.532,达到了最佳性能。在AIC-ICC数据集上进行仿真实验,结果表明所提出模型生成的描述文本更准确、更流畅。

智能电表健康状态的最优聚类评价方法

为实现智能电表的精细化管理,针对现有方法灵活性不足、识别精度不高等问题,在考虑智能电表运行稳定性、可靠性和运行性能等评价指标的基础,提出了一种基于组合变权的智能电表健康的聚类评价方法。首先采用考虑专家对评价对象认知差异性的G1法来计算主观权重,并引入正态分布量化专家认知差异性;其次,采用最小二乘组合改进G1法和CRITIC法,以使得组合权重与主客观权重的偏差最小;进而,考虑到数据变化对客观权重的影响,引入权重排序是否变化来进一步修正组合权重;最后通过聚类形成健康等级,进而评价对智能电表健康状态。实验结果表明,所提方法比传统方法识别精度更高,具有一定的可行性和合理性,有助于相关工作人员制定电能表运维策略。

一种误差修正的中国交通碳排放预测方法

交通碳排放预测问题的影响因素众多,内在机理复杂。为了充分挖掘交通碳排放系统的内在关系并提高预测精度,本文综合了人口、经济、技术、交通四个维度对碳排放的影响,考虑LSTM模型和GM模型各自的优势,提出了一种误差修正的交通碳排放预测方法。将预测结果与其他模型的预测结果进行了对比,各项指标均表明本文提出的模型预测精度更高。

边界注意力辅助的动态图卷积视网膜血管分割

针对视网膜血管分割任务中存在的毛细血管分割遗漏和断连的问题,从最大限度地利用视网膜血管的特征信息的角度出发,添补视网膜血管的全局结构信息和边界信息,在U型网络的基础上,提出边界注意力辅助的动态图卷积视网膜血管分割网络。本模型先将动态图卷积嵌入到U型网络中形成多尺度结构,提升模型获取全局结构信息的能力,以提高分割质量,再利用边界注意力网络辅助模型,增加模型对边界信息的关注度,进一步提高分割性能。将模型在DRIVE、CHASEDB1和STARE三个视网膜图像数据集上进行实验,均取得了较好的分割效果。实验结果证明,该模型能较好地区分噪声和毛细血管,分割出结构较完整的视网膜血管,具有泛化性和鲁棒性。

多尺度语义学习的人脸图像修复

针对卷积神经网络在图像修复过程中难以兼顾修复结果的局部细节和全局语义一致性问题,以生成对抗网络为基础,提出一种多尺度语义学习的编解码人脸图像修复模型.首先,将人脸图像用门控卷积分解为具有不同大小的感受野和特征分辨率的分量,用不同尺寸的卷积核提取多尺度特征,通过提取合适的局部特征来提升修复结果的细节;其次,将提取的多尺度特征输入至语义学习模块,从通道和空间两个角度学习特征之间的语义关系,从而增强修复结果的全局一致性;最后,引入跳跃连接将编码端的特征补充到解码端中减少采样造成的细节信息损失,改善修复结果的纹理细节.在CelebA-HQ人脸数据集上进行实验,结果表明提出的模型在峰值信噪比、结构相似性、l_(1)三个性能指标上均有显著提升,修复的结果在视觉上局部细节和全局语义更合理.

基于聚类的昂贵多目标优化代理辅助进化算法

针对目标函数估值昂贵的多目标优化问题,提出了基于聚类的代理辅助进化算法。在MOEA/D算法的框架下,对种群进行聚类,并通过权重向量的邻域选出种群子集,在子集上使用径向基插值函数辅助的差分进化算法得到新解,对种群进行更新。在7个DTLZ标准测试问题上进行了数值实验,计算结果表明本文提出的算法比新近提出的多目标邻域回归优化(MONRO)算法具有优势。

昂贵黑箱多目标问题的自适应采样代理优化方法

针对昂贵黑箱多目标优化问题,文章提出一种在迭代中使用多种采样策略平衡局部搜索与全局搜索的代理模型方法.在一般的代理模型算法框架下,文章提出的算法使用径向基函数插值模型进行逼近.在算法迭代过程中,执行局部搜索辅助的目标值策略,该策略通过构造多个近似Pareto前沿面,选取多个填补近似前沿面上空隙的值作为候选目标值,并根据已估值决策向量和已有目标值的信息确定新目标值,以及在对应的候选采样点周围进行局部搜索.此外,在代理优化采样策略中通过聚类方法增强采样点的多样性.在58个包括高维和低维问题的标准测试问题及两个实际问题上进行的数值实验说明了所提算法的有效性.

基于深度学习的视网膜血管分割方法综述

通过检索2016年至2024年来基于深度学习的视网膜血管分割方法相关文献,总结基于深度学习的视网膜血管分割方法并梳理现有方法存在的问题,为视网膜血管分割任务的进一步研究提供参考。首先,介绍了视网膜血管分割的背景。其次,从相关文献中总结了视网膜血管分割方法的数据集及数据预处理、评价指标、分割方法等。在数据集及数据预处理部分,介绍了视网膜图像数据集,总结了常用的特征增强技术、数据增强技术;在评价指标部分,介绍了视网膜血管分割方法常用的评价指标;在分割方法部分,将现有方法归纳为以下3类:基于提高特征提取能力的方法、基于血管特性的方法及基于实际应用的方法,其中基于提高特征提取能力的方法可分为感受野受限的方法、感受野扩展的方法以及特征细化的方法,基于血管特性的方法常利用多标签、损失函数等来改善粗细血管差异或类别不平衡的问题,基于实际应用的方法则更关注网络的轻量化及泛化能力。最后,分析了现有视网膜血管分割方法存在的问题,提出未来可能的研究方向。在未来一段时间,基于深度学习的视网膜血管分割方法仍将是医学图像处理研究的重点和热点之一,本文对于了解视网膜血管分割任务的现状和解决实际应用问题均具有一定价值。

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net,MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module,ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module,CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE_DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。

融合先验式图卷积与Transformer的儿童肺炎CT图像分割网络

提出了一种融合先验式图卷积与Transformer的U型网络(GTU-Net)。该网络通过将图卷积和Transformer有机结合,从像素到块逐级建立网络所需的局部-全局信息。在此过程中,为应对低特异性导致背景无关组织干扰性强的客观挑战,在图卷积前设计了一种新型的图邻接矩阵构造方法,即先验图学习。该方法通过监督学习的方式学习标签中潜藏的像素级类别及位置先验信息,从而更精确地刻画出不同特征的类间及类内关系,进一步增强图卷积网络的局部推理能力。实验结果表明,GTU-Net在私有儿童肺炎计算机断层扫描(CT)数据集上的Dice相似系数、杰卡德系数、敏感性、马修斯相关系数和平均表面距离指标相较性能最优的Transformer对比网络分别提升了1.82%、2.91%、1.33%、1.85%和0.0268 pixel,同时也在2个公有新型冠状病毒感染CT数据集上取得了较好的表现,这有效验证了其良好的泛化性。