基于依赖最大化和稀疏回归的多标签特征选择

针对基于稀疏回归的多标签特征选择方法中数据的特征和标签之间线性关系假设不成立的问题,提出一种基于依赖最大化和稀疏回归的多标签特征选择方法 (multi-label feature selection with dependence maximization and sparse regression,DMSR)。构建数据的低维子空间,最大化低维空间与数据的标签空间之间的依赖性,使用希尔伯特-施密特独立性准则作为依赖性的计算依据,将数据从特征空间映射到该低维空间,设计一种交替优化的算法对稀疏回归模型进行求解,得到用于特征选择的投影矩阵。在多个不同类型的多标签数据集上的实验结果表明,所提算法的性能优于其它对比算法。     

磁性硅铁载铜吸附Hg0动力学机制及密度泛函研究

采用粉末冶金法将纳米单质铜(Cu⁰)、硅铁(FeSi)、四氧化三铁硅涂层(Fe₃O₄@SiO₂)混合煅烧并制备出新型磁性硅铁载铜吸附剂MagFeSi-Cu⁰。实验研究不同烟气温度下MagFeSi-Cu⁰的汞吸附能力基础上,结合颗粒内扩散模型、准二阶动力学模型、Elovich模型及Bangham模型分析了MagFeSi-Cu⁰吸附Hg⁰过程的主要控制步骤。在此基础上,依据密度泛函理论(DFT)研究了不同反应温度下FeSi表面Cu⁰原子与Hg⁰原子的汞齐作用机制。研究结果表明,Bangham模型的拟合值与MagFeSi-Cu⁰汞吸附实验值拟合度最高,MagFeSi-Cu⁰表面痕量Hg⁰吸附由汞的外扩散和表面铜汞齐吸附共同控制;通过密度泛函计算,发现Cu⁰颗粒表面Cu-Hg齐吸附能为-0.534 eV,当烟气温度从80℃上升至200℃时,Hg⁰原子与单质Cu原子的吸附自由能从-22.47 kJ/mol下降至-13.96 kJ/mol,这些结果为深入了解Hg⁰在Cu(111)表面的反应机理提供了理论基础。     

冰天雪地找油热

2020年12月28日晚,北疆古尔班通古特沙漠,气温低至零下30多摄氏度。中石化地球物理公司胜利分公司SGC2105队放炮队员朱文亮和郭谋子正快速穿行着,进行放炮生产。随着气温的降低,项目上的100多台施工车从0号柴油逐渐换到了-35号,并且加上了低密度的润滑油。即便这样,晚上每隔3小时就要发动半小时,否则早上出工就打不着火了。     

梁结构振动支承约束反力控制

支承或连接构件对梁结构的动力学性能有至关重要影响,必须保证其在振动过程中不发生破坏或者失效。通过合理设计和布局附加弹性支承可以实现对这些重要连接构件所承受约束反力的控制。应用微分变换法推导含附加支承的梁结构支承约束反力及其对于附加支承位置和刚度的灵敏度表达式,并通过优化设计附加支承位置和刚度实现具有弹性约束端的简支梁结构各支承约束反力的平衡,可提高结构的动力学性能。     

0?1膨胀负二项回归模型在COVID?19疫情分析中的应用

在公共卫生等应用领域，经常会同时出现零观测值、一观测值较多的情况. 为更好地拟合这类数据，采用0?1膨胀负二项分布及其回归模型进行分析. 在数据扩充基础上，结合Pólya?Gamma潜变量对模型参数进行贝叶斯推断. 最后，对我国湖北省2019冠状病毒病(COVID?19)死亡数据集进行分析. 研究表明，0?1膨胀负二项回归模型能够达到更好的拟合效果.     

隐式低秩稀疏表示的多视角子空间聚类

针对多视角子空间聚类问题,提出基于隐式低秩稀疏表示的多视角子空间聚类算法(LLSMSC).算法构建多个视角共享的隐式结构,挖掘多视角之间的互补性信息.通过对隐式子空间的表示施加低秩约束和稀疏约束,捕获数据的局部结构和稀疏结构,使聚类结果更准确.同时,使用基于增广拉格朗日乘子交替方向最小化算法高效求解优化问题.在6个不同数据集上的实验验证LLSMSC的有效性和优越性.     

单帧红外图像低频非均匀性噪声校正算法

红外成像系统中,低频非均匀性噪声严重影响红外系统的成像效果,传统基于标定的方法无法对其进行有效的去除.为此,提出一种基于曲面拟合的低频非均匀性噪声校正算法,首先对含噪图像进行小波滤波,以抑制高频信息;然后利用场景和低频非均匀性噪声梯度的稀疏特性,建立关于非均匀性噪声曲面参数的■正则化能量泛函,并利用ADMM方法求解最优的非均匀性噪声曲面参数;最后将原始图像减去估计的低频非均匀性噪声得到校正后的图像.使用中波红外热像仪拍摄得到红外图像,对仿真图像和实际图像进行校正,实验结果表明,该算法能明显降低图像的粗糙度和非均匀性值,且有效地去除低频非均匀性噪声.     

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.