子自仿射集的Hausdorff维数

设S1,S2 ,… ,SN 是Rn 上的N个仿射压缩映射 ,若Rn 的紧子集E满足E UNi =1 Si(E) ,则称E为子自仿射集 .作者在一定条件下得到了子自仿射集E的Hausdorff维数 .     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行,提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积,可大量减少模型参数,提高模型非线性表达能力;在网络末端引入子像素卷积层,直接从原始低分辨率图像学习到高分辨率图像的映射,计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明,所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍,能够在通用GPU上实时运行,峰值信噪比平均提高了0.17 dB,并且参数只有它的35%。     

高精度CFD程序的内外子区域划分异构并行算法

对计算流体力学(Computational Fluid Dynamics, CFD)程序CNS提出一种Offload模式下对任务内外子区域划分的异构并行算法,结合结构化网格下有限差分计算和四阶龙格-库塔方法的特点,引入ghost网格点区域,设计了一种ghost区域收缩计算策略,显著降低了异构计算资源之间的数据传输开销,负载均衡时CPU端的计算与MPI通信完全和加速器端的计算重叠,提高了异构协同并行性。推导了保证计算正确性的ghost区域的参数,分析了负载均衡的条件。在"CPU(Intel Haswell Xeon E5-2670 12 cores×2)+加速器(Xeon Phi 7120A×2)"的服务器上测得该算法较直接将任务子块整体迁至加速器端计算的异构算法性能平均提升至5.9倍,较MPI/OpenMP两级并行算法使用24个纯CPU核的性能,该算法使用单加速器时加速至1.27倍,使用双加速器加速至1.45倍。讨论和分析了性能瓶颈与存在的问题。     

基于谱估计的方位时间序列匹配算法

利用水声匹配场的思想建立了纯方位TMA(Target Motion Analysis)的匹配处理模型,把纯方位TMA改建为谱估计问题,进一步引入信号处理领域的MUSIC谱和快速傅里叶变换处理估计目标运动参数.数值仿真结果表明:子空间MUSIC算法较不稳定,搜索步长较大使得结果在真值附近波动较大,不能准确而稳定地收敛到真...     

块三对角矩阵的修正型局部块分解预条件

利用块三对角阵分解因子构造了一类修正型不完全分解预条件子 ,分析了该预条件子的存在性及其若干性质。针对从二维Laplace算子离散得到的五点差分矩阵 ,给出了预条件后的实际条件数 ,结果表明 ,条件数与矩阵阶数的平方根成正比 ,并且比例因子随局部分解步长的增大而逐渐减小。具体实现时 ,考虑了其高效实现方案 ,并针对从二维Laplace算子与系数不连续的二维椭圆型算子离散得到的五点差分矩阵 ,在主频为 5 5 0MHz ,内存为 2 5 6MB的微机上作了大量实验 ,且与其他较有效的预条件方法进行了比较 ,结果表明该预条件方法效率优于其他测试预条件。     

LFM脉压雷达的随机移频干扰研究

分析了固定移频干扰对LFM脉冲压缩雷达的干扰效果,针对固定移频干扰容易被识别的缺点,提出了一种改进的移频方式——随机移频。理论分析表明随机移频干扰经脉压处理后为覆盖一定距离的似噪声干扰带,通过控制频移量的随机分布参数可改变干扰带覆盖范围、干扰带中心位置和干扰带内能量分布。由于干扰获得了部分压缩增益,较低的干扰功率就可实现遮盖干扰。仿真实验证实了理论分析的正确性和干扰的有效性。     

宽带SAR子带脉冲循环转发干扰

宽带SAR利用脉冲压缩获得距离向高处理增益,同时利用合成孔径技术获得方位向的处理增益,常规的噪声干扰难以奏效。利用频带匹配的相干干扰信号虽然可以获得较好的干扰效果,但现有器件条件下难以产生足够高的干扰信号功率。子带脉冲循环转发干扰技术利用子带脉冲与雷达信号的部分相关特性,获取一定的处理增益,在一定程度上提高了干扰功率的利用效率。理论分析和仿真结果表明,脉间去相关的子带脉冲循环转发干扰可以形成较好的压制干扰,具有更好的使用价值。     

重离子碰撞中的量子饱和机制

分别利用胶子半经典饱和与量子饱和机制,研究了相对论重离子碰撞中净余质子产生截面的大横动量现象。通过贝塞尔函数多项式近似与辛普森求积法的结合应用,解决了对贝塞尔函数的二重高振荡积分问题。计算发现:量子饱和机制的计算结果能很好地解释布鲁克海文国家实验室的最新实验现象,从而证实了高能重离子碰撞中胶子量子饱和机制的存在。     

基于子束变换的自适应线性特征检测

子束变换是一种在多个尺度上对图像线段求积分的线段检测算法.针对二值图像中的线性特征,在强杂波环境下,研究了子束变换的特征检测问题.综合利用了不同尺度上的子束特性,引入线性插值、新的目标函数和Chebyshev不等式,提出了一种自适应线性特征检测算法.仿真结果表明,该算法对杂波环境下的线性特征检测非常有效,并对短线干扰有一定的抑制能力.     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。