基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

氨基功能化磁性CoFe2O4/氧化石墨烯去除电镀废水中Cr(Ⅵ)的研究

使用改良的hummers法制备出的氧化石墨烯为载体,采用共沉淀法制备出磁性CoFe2O4/氧化石墨烯(MGO),再使用三乙烯四胺(TETA)对磁性CoFe2O4/氧化石墨烯进行氨基功能化,制备出氨基功能化磁性CoFe2O4/氧化石墨烯吸附剂.采用X-射线衍射仪(XRD)、傅里叶变换红外光谱仪(FT-IR)和扫描电子显微镜(SEM)对TETA-MGO的物相、化学组成和微观形貌进行表征,以TETA-MGO作为吸附剂去除电镀废水中Cr(Ⅵ),探讨吸附性能和吸附机理,分析TETA-MGO在外加磁场下的液固分离和再生吸附性能.结果表明纳米级立方尖晶石相磁性CoFe2O4均匀生长于氧化石墨烯的表面和片层之间,TETA通过C-N键与磁性氧化石墨烯(MGO)相连,氨基功能化成功,活性吸附位点增点.室温下,pH =2时吸附效果最佳,吸附120 min时达到吸附平衡,平衡吸附量约为48.66 mg·g-1,TETA-MGO对Cr(Ⅵ)的吸附动力学和吸附热力学可分别使用拟二级动力学模型和Langmuir等温吸附模型描述,吸附过程主要属于化学吸附控制的单分子层吸附,使用外加磁场可以对TETA-MGO实现简单的固液分离,TETA-MGO经过6次再生吸附后,对Cr(Ⅵ)的吸附量仅下降19.67;,说明具有良好的循环再生吸附能力.     

影响单摆实验的因素及改进方法

用单摆测定当地的重力加速度和单摆振动定律的验证,很容易做.下面谈谈影响单摆实验的几个因素及其解决方法.1 用单摆测定当地重力加速度 可见,g的测定主要取决于l和T.因此,为了提高实验的精度,在测量过程中必须注意以下几个方面.     

Fréchet空间上的一些等距逼近问题

本文主要讨论Ｆｒéｃｈｅｔ空间上ε－等距线性算子的等距逼近问题，证明了任意有限维Ｆｒéｃｈｅｔ空间之间的等距逼近问题都是肯定的；无穷维Ｆｒéｃｈｅｔ空间（ｓ）空间上的等距逼近问题也是肯定的．     

扩宽OMA-Ⅵ同时谱宽的新方法

OMA－Ⅵ存在同时谱宽窄的缺点，本文用一种新方法大幅度地扩宽了它的同时谱宽，且不降低其系统分辨率，应用效果甚佳。     

虚二次域上不可分的正定Hermite型的构作

本文给出了构作虚二次域ＩＱ（－ｍ）上不可分的正定整Ｈｅｒｍｉｔｅ型的方法．对任意给定的自然数ｎ，ｄ和无平方因子的ｍ，当ｍ３（ｍｏｄ４），除了ｍ＝１时ｎ＝２，ｄ＝１；ｎ＝３，ｄ＝１，３；ｎ＝５，ｄ＝１和ｍ＝２时ｎ＝３，ｄ＝１这５个例外，证明了存在ＩＱ（－ｍ）上不可分的正定整Ｈｅｒｍｉｔｅ格，其秩为ｎ且判别式为ｄ，并给出它们的明确结构．在上述５个例外情形下，不存在具有上述性质的格．     

LD泵浦Nd∶LuVO4/Cr4+∶YAG被动调Q激光器

采用大功率半导体激光器端面泵浦Nd∶LuVO4晶体，利用Cr4+∶YAG晶体作为可饱和吸收元件，实现了1.06 μm激光的被动调Q运转.在泵浦功率为19.1 W时，获得最高平均输出功率为4.58 W，脉冲宽度为84 ns，单脉冲能量为36.6 μJ以及峰值功率为436.2 W的激光脉冲.     

猜想M(2k,k+1)=3k-1+[(k-1)/2]的反例

Brualdi与Jung在[1]中研究了一类具有固定线和k的n×n矩阵上的最大跳跃数M(n,k),并提出猜想M(2k, k + 1) = 3k - 1 + [(k-1)/2].本文给出了这一猜想的两个反例．     

一类(0,1)-矩阵的最大积和式的积分表达式

给出了线和n-2的n阶（0，1）－矩阵的最大积和式的积分表达式，并证明了该积分表达式与[1]得到的组合表达式等价。