摘要：高斯混合模型(Gaussian mixture model,GMM)是一种经典的概率模型,常被用于无监督学习领域来确定无类别标记样本点的类别分布。作为求解GMM参数的重要技术,期望最大化(Expectation maximization,EM)算法通过计算GMM对应似然函数的最优解确定基模型自身参数以及基模型的混合系数。利用EM算法求解GMM存在如下两个缺陷:EM算法易于陷入局部最优解以及EM算法确定GMM基模型相关参数的不稳定,尤其是针对多维随机变量。本文提出了一种基于统计感知(Statistical⁃aware,SA)策略的GMM求解方法——SA⁃GMM方法。该方法从估计给定数据集的未知概率密度函数入手,建立了核密度估计(Kernel density estimation,KDE)与GMM之间的关联。为避免KDE对“过平滑”窗口的选取,设计了同时最小化KDE与GMM之间的经验风险和KDE窗口结构风险的目标函数,进而确定了GMM的最优参数。在11个标准概率分布上的实验证明了SA⁃GMM方法的可行性、合理性和有效性,同时结果也表明SA⁃GMM能够获得显著优于基于EM算法的GMM及其变体的概率密度函数估计表现。

摘要：针对硬X射线光栅微分干涉相衬成像在实际应用中对低辐射剂量和快速获取图像的要求,通过对实验系统的理论分析和参数优化设计,采用了两步相移算法用于提取物体相位信息.这种方法可以有效降低X射线对物体的辐射剂量,大大提高恢复相位信息的速度,为X射线光栅相衬成像在未来的医疗和工业中的应用奠定基础.

摘要：基于永磁同步直线电机的多电机协同定位驱动系统,由于高推力密度比、响应快等特点,被广泛应用于各种高精密工业加工制造领域。针对集成永磁同步直线电机(IPMSLM)系统,借鉴生物领域激素调节原理,结合生物智能控制(BIC)与滑模变结构(SMVS)控制算法,提高IPMSLM系统中单电机的定位精度与鲁棒性。基于Lyapunov稳定性原理,设计环状耦合位置协同控制器,在确保全局稳定的同时,进一步提高IPMSLM整个系统的协同定位精度。在RT-Lab半实物仿真平台进行空载和变负载实验,结果表明,所设计的BIC-SMVS位置控制算法,使得单电机的定位精度达到±4μm;基于Lyapunov的环状耦合协同控制算法,可实现系统协同误差控制精度在±6μm以内。

摘要：近年来,基于深度神经网络的视觉识别模型因其在准确率、成本及效率等方面的优势而广泛应用于自动驾驶、工业检测及无人机导航等领域.而深度神经网络自身易受数字域或物理域对抗样本攻击导致模型误判,因此其在无人驾驶等具有强鲁棒性、高实时性要求的场景中部署和应用可能为系统引入新的风险.现有的防御方案在增强模型鲁棒性的同时往往造成准确率明显下降,且往往不能对像素攻击和补丁攻击均提供较强防御能力.因此,设计一种精度高且对多类对抗攻击均具有强鲁棒性的实时综合防御策略成为深度神经网络视觉方案落地应用的关键.本文提出一种基于压缩感知的神经网络实时综合防御策略ComDCT,首先构建图像压缩感知压缩域与其稀疏离散余弦系数之间的映射神经网络,并将网络输出的离散余弦系数通过离散余弦逆变换恢复为去除对抗性扰动的图像作为分类器输入,以降低对抗样本攻击成功率.其次,本文提出通过引入分类损失进一步提升防御策略的综合性能,并根据防御者是否掌握分类模型参数结构等信息分析讨论并验证了黑盒、白盒两种防御模式下引入分类损失的有效性.相比于ComDefend、MF、TVD、LRR等多种防御方法,本文提出的基于压缩感知的神经网络实时综合防御策略在白盒防御模式下防御性能综合指标PDA在LISA、SVHN数据集上分别提升11.88%、7.01%以上,黑盒防御模式下分别提升9.25%、6.7%以上.

摘要：针对时空行为轨迹大数据的序列性、时空交互性、多维度性等复杂特性,构建结合时间地理学与复杂网络的分析框架,建立时空行为路径与时空行为网络之间的转换关系,利用复杂网络社群发现算法对时空行为轨迹进行社群聚类、模式挖掘与可视化。基于北京郊区居民一周内活动出行GPS轨迹数据的案例分析发现:(1)复杂网络分析方法可以有效挖掘具有相似行为的群体特征和识别出典型的行为模式。(2)可以灵活处理多元异构与多维度的行为轨迹大数据以及满足不同叙事、不同空间相互作用、不同时序的应用需求。(3)北京郊区被调查居民的行为模式存在日间差异与空间分异。

摘要：直线振荡电机可直接产生直线往复驱动力,具有无运动转换机构、传动效率高、振动噪声小等优势,在直线压缩机、斯特林制冷机、热电联产设备、振动能量回收等众多领域具有广泛的应用前景。该文首先详细阐述了直线振荡电机的工作原理,并在此基础上依据理想受迫谐振系统的要求,归纳了该类电机电磁特性的设计目标;其次,以时间为序,分类介绍了直线振荡电机的发展沿革和研究现状,包括各类电机的优缺点、拓扑结构以及应用变迁等;然后,以文献调研为基础,总结了目前该类电机普遍存在的四个方面的问题;最后,从工业应用需求出发,详细讨论了直线振荡电机在工艺、电磁特性和控制策略等方面存在的难点及关键问题,并对未来发展趋势进行了展望。

摘要：二维材料是近年来材料科学和凝聚态物理学的前沿研究方向.在众多的二维材料中,黑磷(black phosphorus,BP)因其独特的带隙、优异的光学和电学性质、各向异性等特性而受到研究人员的广泛关注.如何可控制备二维薄层BP是该领域的难题之一.本工作系统研究了基底对BP生长的影响,结果表明金基底对BP的生长具有重要促进作用.在此基础上,使用镀有金薄膜的硅基底为生长衬底,通过设计限域生长空间和调控温度梯度,在全新的生长体系中实现了BP纳米片的直接生长,并探讨了其生长机理.本研究所报道的结果为实现二维薄层BP的制备提供了一条新思路.

摘要：基于Born近似的线性反演是当前流行的定量化地震成像与反演方法,然而,现有线性反演方法存在多种不可避免的问题,比如迭代计算成本过高,背景模型依赖,以及多参数提取不确定/不稳定.为避免这些问题,本文提出了角度域广义Radon变换(AD-GRT)多参数非迭代反演方法(2D声波双参数介质).AD-GRT是一种地震数据与角度域模型之间的积分变换,该角度域模型能够保留地震散射数据的完整信息.基于该角度域模型,地震数据可被精确重建,即使背景模型是错误的.介质双扰动参数可在角度域模型中准确且稳定提取.为解决传统角度域离散方法存在的幅值震荡和不连续问题,设计了两种有效的角度域离散单元分裂方法,实现了平滑连续的角度域幅值提取.为提高AD-GRT反演的分辨率,考虑了震源子波反滤波.利用三个数值模型验证了AD-GRT在角度域模型反演、数据重建、多参数提取方面的有效性.

摘要：由于室内植物的叶片存在大量自遮挡,为了得到植物的完整三维信息,往往需要用户手动裁剪、扫描和配准叶片.针对该问题,提出了利用实例分割网络进行叶片识别并选取被裁剪叶片的方法.通过总结植物叶片形状与分布特征,建立虚拟植物模型,渲染大量带叶片轮廓信息的图片来训练实例分割网络,避免了耗费大量精力标注真实植物叶片.进一步提出了自动化建模系统,根据单个视角下观察到的植物图像自动选择被裁剪的叶片,并获得该叶片的三维模型;调整相机位置让更多的叶片被检测到并剪掉,以恢复植物的三维信息.使用该系统对绿萝叶片、鸭脚木和花烛3种虚拟植物进行了测试,并评估重建的整株植物重合度、叶片重合度和叶片占比,结果显示使用本文方法重建的植物模型能更完整地恢复原始植物的三维信息.

摘要：高维数据的子空间聚类是无监督学习领域的热点研究问题,其难点在于寻找恰当的子空间以及其中的数据簇。大多数现有的子空间聚类算法均存在计算复杂度高和参数选择难的缺陷,这是因为在高维数据中子空间的组合数量很大,算法的执行时间非常长,且不同数据集和应用场景需要不同的参数设定。为此,提出了基于子空间的I-nice(简记为sub-I-nice)聚类算法用于识别高维数据中子空间内数据簇的个数。首先,该算法将原始数据维度随机划分成多个维度组,根据维度组生成子空间样本;接着,使用最新的I-niceMO算法对每个子空间数据进行聚类;最后,采用新设计的球模型对所有子空间的基聚类结果进行集成。在含有噪声的高维仿真数据集上对所提出的sub-I-nice算法进行了详细的性能验证,实验结果表明sub-I-nice算法相比其他3种代表性聚类算法有更好的准确性和鲁棒性,从而证实了其合理性和有效性。