Landau-Zener模型中纠缠演化及转移的研究

研究了受外场驱动的两个二能级系统分别与两个单模量子化光场相互作用模型中纠缠演化及转移问题。该工作主要是对外场驱动的Landau-Zener模型进行了研究，采用旋转波近似的方法，通过数值计算详细分析了二能级系统初始状态、能级间的耦合常数以及驱动外场的参数对子系统间纠缠和转移特性的影响。结果表明，适当调节模型中的参数，可以使系统初始纠缠完全转移为光腔场间的纠缠，实现二能级系统与光场间的最大纠缠转移。     

半自磨工艺在金锑矿碎磨中的应用

甘肃某公司选厂处理的金锑共生矿石中黏土矿物含量高,含水率也较高,采用常规破碎工艺存在流程不畅顺、作业环境差、劳动强度大、生产成本高等缺点。2014年该选厂采用半自磨工艺取代常规破碎工艺,该工艺克服了黏土矿物及含水率对碎矿流程的负面影响。该选厂通过持续优化半自磨工作参数及均衡两段磨矿负荷等措施,不断提高系统的磨矿效率,使得选厂磨矿段产能翻番,生产成本大幅度降低,同时降低了劳动强度并改善了生产环境等,取得了良好的经济效益与社会效益。     

日本建筑的共生理念

日本的传统哲学和传统建筑中包含着深厚的共生理念,二战以后,日本当代建筑师在融合了传统哲学和近现代西方哲学思想的基础上,以不同的方式拓展和表现了这种共生的生态思想,在当今建筑领域树立了日本建筑的独特风格,在建筑界产生了巨大的影响,对我们中国的现代建筑理论与实践也具有极大的启示作用和借鉴意义。     

过共晶Al－Si合金共生区激光表面处理

用２ｋＷ连续ＣＯ２激光对过共晶Ａｌ－１８Ｓｉ合金以不同能量密度和扫描速度进行快速熔凝处理。用扫描电镜、电子微区分析仪分析了微观结构。从计算机对Ａｌ－Ｓｉ合金ｆ－ｎｆ系统的非平衡理论计算所得的共生区及实验结果的分析可见，当能量密度和扫描速度决定的凝固条件处于共生区中部时，过共晶Ａｌ－Ｓｉ合金激光表面处理可以得到共晶间距低于２００ｎｍ的完全共晶结构。     

2006中国沈阳（续）世界园艺博览会——公共花园

北京市 奥芳园 本园以中国传统自然山水园为骨架，表达“人与自然和谐共生”的主题。设计巧借北京颐和园花承阁建筑群的立意，以“花”为题，运用新材料、新技术，展现北京皇家园林特色。全园主要景点有：花仙迎宾、龙壁呈祥、石笋报春、花承圣境、池鱼弄藕、奇石生花、西山泉踪、苍松翠菊等。其中主建筑多宝琉璃塔和扬谊轩座落于花承台之上，又似浮在花海之中。     

基于自适应共生矩阵选择的目标跟踪方法

针对单一固定特征无法适应目标及其背景变化的情况,提出了一种基于HSV颜色空间的共生矩阵的自适应特征选择的方法。首先将图像转换为HSV颜色空间,在每个颜色通道内对目标及其背景区域计算不同参数的共生矩阵,选择其中差异最大的前4个共生矩阵作为目标特征模型,通过比率对数矩阵计算的反向投影图,采样均值平移算法跟踪目标。仿真实验验证了该算法的有效性。     

基于灰度共生矩阵的图像纹理特征提取分析

图像纹理作为一种重要的视觉手段,是图像中普遍存在而又难以描述的特征。目前常用的纹理特征提取的方法主要有统计方法、模型方法、信号处理方法和结构方法。灰度共生矩阵即为灰度级的空间相关矩阵,以其为基础的统计方法通过对矩阵统计量的求取较好地提取到了纹理特征,通过选取关键参数编程并进行仿真实现,分别求取了四个方向的灰度共生矩阵及其特征量来分析图像的纹理特征。     

结合方向纹理熵的Haar-like特征在线boosting跟踪算法

针对传统基于Haar-like特征的on-line boosting跟踪算法（HBT）需要产生大规模随机特征、占用大量计算资源和存储空间的缺点,提出结合方向纹理熵的Haar-like特征在线boosting跟踪算法（HBTT）。HBTT算法利用灰度共生矩阵的熵获得目标纹理的方向信息,在此基础上有针对性地产生具有方向纹理信息的Haar-like特征,从而可有效避免无效随机特征的产生,减小特征池容量;更进一步,可根据目标纹理的复杂程度自动调整特征数量,使得算法更灵活。在跟踪过程中,在线学习模块可以使错误率较高的特征被结合了目标纹理方向信息的Haar-like特征所替换。与HBT算法比较,HBTT算法的跟踪误差降低了10%以上;在相同特征池容量下,置信度提高了2%以上。实验结果表明,该算法不仅具有较高的鲁棒性,而且在跟踪效率和性能上都有所提高。     

实数编码量子共生演算法及其在云任务调度中的应用

针对共生演算法收敛慢和易陷入局部最优的问题,结合量子遗传算法理论,提出一种实数编码的量子共生演算法(real-coded quantum symbiotic organisms search,RQSOS)。首先依据三角模糊数提出差异度概念,并依此构造一个以自变量向量的分量和一对概率幅为等位基因的三倍染色体,使一条染色体携带更多信息并增强解的多样性;然后提出一种基于阿基米德螺旋线的探索学习模式,加强对解空间的探索精度;最后使用共生演算法更新差异度值并依据差异度值对种群进行学习和变异操作,促使整个种群快速向最优方向进化且减小了陷入局部最优的概率。利用数值优化问题和云任务调度问题对算法进行验证,仿真结果表明,RQSOS算法在收敛速度和寻优能力上均有明显提升,是一种可行有效的算法。