基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

双弹性板矩形空腔内噪声的有源力控制

研究了在弹性板上施加不同参数的有源力对腔内噪声进行控制的问题。构建双弹性板构成的封闭矩形声腔模型，对封闭声腔的结构 声耦合特性进行分析，推导了在封闭声腔有源力控制作用下声压计算公式，给出采用有源力控制的最优控制模型。分析了弹性板在不同参数的次级力源激励下腔内局部声场的声压级响应，并建立了仿真模型对局部声场的减噪效果进行分析。结果表明，合理选择次级力源的参数对控制效果的影响较为明显，且次级力源的个数并非越多越好。     

变邻域量子烟花算法求解CVRP

针对带容量约束的车辆路径问题，提出一种融合量子进化算法和变邻域优化策略的变邻域量子烟花算法。该算法采用等分随机键与最大位置法结合的实数编码方式，通过量子旋转门和非门变异提高算法全局搜索能力，同时运用结合2-Opt的变邻域优化策略加强局部搜索能力。选取17个基准算例进行参数实验和对比实验，实验结果表明，相对于对比算法，所提出的算法具有较好的寻优能力和收敛速度。     

塔里木盆地中秋1凝析气藏成藏条件及演化过程

2018年12月,塔里木盆地秋里塔格构造带天然气勘探取得重大突破,中秋1井在下白垩统巴什基奇克组测试获高产工业气流,发现了该构造带迄今为止最大的整装凝析气藏。为了给该构造带下一步油气勘探部署提供依据,在充分利用前人研究成果的基础上,基于岩心、薄片、测井及地球化学分析资料,明确了中秋1大型凝析气藏的油气藏特征和气藏类型,分析了该气藏天然气成藏条件并推演其演化过程。研究结果表明:①中秋1大型气藏属于低含凝析油凝析气藏,天然气为煤成气,主要来自区内侏罗系腐殖型煤系烃源岩;②该构造带能够形成大型油气藏的有利地质条件是三叠系和侏罗系发育的两套巨厚高演化烃源岩、白垩系发育的大型辫状河三角洲规模有效砂岩储层、喜马拉雅晚期以来的构造活动形成的大规模楔状叠瓦构造圈闭、古近系和新近系巨厚膏盐岩形成的优越保存条件,以及油气生成与圈闭形成的良好时空匹配;③该气藏具有先油后气、晚期快速气侵聚集成藏的成藏模式,总体上是一个"早期聚油、晚期气侵、改造调整、快速成藏"的成藏过程。结论认为,该构造带油气成藏条件优越,具有广阔的油气勘探前景。     

基于强化学习的HP模型优化方法研究

蛋白质结构预测问题一直是生物信息学中的重要问题。基于疏水极性模型的蛋白质二维结构预测问题是一个典型的NP难问题。目前疏水极性模型优化的方法有贪心算法、粒子群算法、遗传算法、蚁群算法和蒙特卡罗模拟方法等，但这些方法成功收敛的鲁棒性不高，容易陷入局部最优。由此提出一种基于强化学习的HP模型优化方法，利用其连续马尔可夫最优决策与最大化全局累计回报的特点，在全状态空间中，构建基于能量函数的奖赏函数，引入刚性重叠检测规则，充分挖掘生物序列中的全局进化关系，从而进行有效与稳定的预测。以3条经典论文序列和5条Uniref50序列为实验对象，与贪心算法和粒子群算法分别进行了鲁棒性、收敛性与运行时间的比较。贪心算法只能在62.5%的序列上进行收敛，该文方法能在5万次训练后稳定的在所有序列上达到了收敛。与粒子群算法相比，两者都能找到最低能量结构，但该文的运行时间较粒子群算法降低了63.9%。     

基于优势学习的深度Q网络

强化学习问题中，同一状态下不同动作所对应的状态-动作值存在差距过小的现象，Q-Learning算法采用MAX进行动作选择时会出现过估计问题，且结合了Q-Learning的深度Q网络（Deep Q Net）同样存在过估计问题。为了缓解深度Q网络中存在的过估计问题，提出一种基于优势学习的深度Q网络，通过优势学习的方法构造一个更正项，利用目标值网络对更正项进行建模，同时与深度Q网络的评估函数进行求和作为新的评估函数。当选择的动作是最优动作时，更正项为零，不对评估函数的值进行改动，当选择的动作不是最优动作时，更正项的值为负，降低了非最优动作的评估值。和传统的深度Q网络相比，基于优势学习的深度Q网络在Playing Atari 2600的控制问题breakout、seaquest、phoenix、amidar中取得了更高的平均奖赏值，在krull、seaquest中取得了更加稳定的策略。     

基于分级存储的石油勘探地震处理应用研究

石油勘探中“两宽一高”采集技术的深入应用，对地震资料并行处理能力提出了更高的要求，针对存储对地震资料处理应用的影响进行研究。为提高各类应用的运算效率，设计并实现了基于SSD、集群NAS多级分层存储地震资料处理方法，针对高IOPS应用、大数据块并行应用进行算法流程级设计。通过DD与IOZONE基准测试、两种应用实际运行效果，验证了设计方案具备在地震资料处理中应用效率与性价比上的优势，适用于勘探数据中心地震资料处理，具有一定的普适性。     

基于卷积神经网络优化TLD运动手势跟踪算法

针对TLD（Tracking-Learning-Detection）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题，提出一种基于卷积神经网络优化TLD运动手势跟踪算法。选取手势特征作正样本，其背景作负样本，获取手势HOG特征并投入到卷积神经网络中加以训练，得到手势检测分类器，从而确定目标手势区域，实现手势的自动识别；再利用TLD算法对手势进行跟踪与学习，对正负样本进行估计检测并实时校正，同时运用SURF特征匹配更新跟踪器。实验结果验证，该算法对比TLD经典算法跟踪精度提高了4.24%，增强了运动手势的跟踪效果，相比经典跟踪算法拥有更高鲁棒性。     

低开销负载均衡的改进型TORA协议

针对无线传感器网络拓扑快速变化、链路易拥塞断开，存在路由开销大、负载不均衡、网络生命周期短等问题，提出低开销负载均衡的改进型TORA（TORA-p）。通过定义网络变化率参数，自适应调整互联网封装协议（IMEP）中OBM包的最大重发次数，减少不必要的路由维护开销；同时，结合MAC层信息，定义链路可用性优化选路方式，自动平衡网络负载，避免关键路径和节点负载过重而过早死亡和断开。使用truetime2.0平台设定特定的仿真环境，对TORA-p算法的性能进行了详细比较分析，结果表明：TORA-p均衡了网络负载，提升了网络生命周期，同时也减少了路由开销和延时，展现出了较好的数据传输能力。     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。