基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

聚集数据线性模型广义聚集双参数估计的相对效率

对于聚集数据的线性模型,提出了广义聚集双参数估计的概念,给出了广义聚集双参数估计的两种相对效率,并得到了这两种相对效率的上界.     

无限级Dirichlet级数及其Dirichlet-Hadamard乘积的增长性

主要讨论了全平面内收敛的Dirichlet级数的增长性,获得了级数具有有限X-级的一个关系定理,并进一步讨论了具有有限X-级的Dirichlet级数的平移以及Hadamard乘积的增长性,所获得的结论推广了孔荫莹等人的结果.     

二重Dirichlet级数的对数级与对数型

讨论了两类由二重Dirichlet级数所表示的整函数族,在此两族函数中分别给出二重Dirichlet级数的对数级与对数型定义,并得到关于二重Dirichlet级数的对数级与对数型的等价定理.     

聚集数据线性模型的聚集广义改进双参数估计的相对效率

对于聚集数据的线性模型,提出了聚集广义改进双参数估计的概念,给出了聚集广义改进双参数估计的两种相对效率,并得到了这两种相对效率的上界.     

零级Dirichet级数的增长性及其Dirichlet-Hadamard乘积

本文研究了全平面上零级Dirichlet级数的增长性的问题.利用复级数理论,进一步讨论了在两种条件下Dirichlet级数的Dirichlet-Hadamard乘积的增长性,获得了零级Dirichlet级数及其Dirichlet-Hadamard乘积涉及对数级与对数型的几个关系定理,推广了孔荫莹等人的结果.     

基于方向数据的核密度估计的对称检验的大偏差

设$f_n$是基于核函数$K$和取值于$d$-维单位球面${\mathbb{S}}^{d-1}$的独立同分布随机变量列的非参数核密度估计. 我们证明了若核函数是有界变差函数, 随机变量的密度函数$f$是连续的和对称的, $\{\sup_{x\in {\mathbb{SS}}^{d-1}}|f_n(x)-f_n(-x)|,n\ge 1\}$的大偏差原理成立.     

Dirichlet级数及其Dirichlet-Hadamard 乘积的增长性

研究了一类Dirichlet级数关于q-级的增长性问题,并讨论了由两个Dirichlet级数组成的Dirichlet-Hadamard乘积的增长性,获得了Dirichlet-Hadamard乘积与原级数在增长性方面的几个关系.     

基于次表面散射的肝脏高真实感实时渲染的研究与实现

针对人体肝脏的高真实感实时渲染问题,提出了一种采用表面反射和次表面散射两种光照模型组合的解决方法。首先对表面反射光照模型采用环境照明、漫反射照明、高光照明、法线贴图和阴影贴图等技术模拟表面光照视觉效果;利用次表面散射和透射结合的方法模拟光在肝脏组织中传播和穿透,并用两个一维卷积来呈现次表面散射,以减少执行时间与内存消耗,从而得到一个基于次表面散射模型的真实感呈现。实验结果表明,所提出的方法能实现肝脏高真实感渲染,并可达到90帧每秒的帧渲染速率。     

鞅差序列的概率不等式和Rosenthal不等式（英文）

本文研究了鞅差序列的一些不等式.利用条件期望性质和基本不等式,获得了鞅差序列的Bernstein, Kolmogorov和Hoeffding不等式,推广了有界随机向量相应的结果.另外,得到了鞅差序列的最大部分和的经典Kolmogorov和Rosenthal不等式,补充了次线性期望下独立和负相依随机变量的相应结果.