以催化应用为纽带链接基础化学2课程与多学科的交叉融合

“基础化学2”是面向“基础学科拔尖学生培养计划”大一本科生开设的一门理科专业基础课。针对学生因专业选择余地大容易觉得课程与专业联系不够紧密而学习积极性不高的问题，提出以元素及其化合物的催化应用为纽带，寻找合适的切入点，将化学基础知识与各相关学科研究前沿及工业应用相联系，建设具有学科交叉特色的基础化学教学体系的建议，突出培养学生的学科创新思维能力，体现理论与实践相结合的教学特色。     

Delannoy数与Schröder数的一些和式公式

研究了Delannoy数与Schr?der数.利用分析方法和组合技巧,建立了任意多个Delannoy数乘积的一些和式公式,并对Schroder数的和式公式进行了类似的研究.     

希尔伯特类多项式模p的Fp根的个数(英文)

设K是一个虚二次域,O为K中的一个order.由定义,O的希尔伯特类多项式H_O(x)是一个整系数的首一不可约多项式,它的复根恰为所有具有O—复乘的椭圆曲线的j—不变量.设p∈N为一个在K中惯性的素数,且p严格大于|disc(O).若Ho(x)(mod p)的F_p根的所组成的集合非空,我们证明群Pic(O[2]在该集合上有一个自由且传递的作用;因此Ho(x)(mod p)的F_p根的个数要么等于0,要么等于|Pic(O)[2]|.我们还给出了一个关于F_p根存在性的具体判别方法.类似的结果首先由Xiao等人在文献[25]中得到,后又经李等人在文献[13]广泛推广.本文结果已在李等人的工作中出现,但方法与之完全不同.     

赋值Banach代数的偏序D^(*)-度量空间中的不动点定理

定义了α^(*)-可容许映射,得到了赋值Banach代数的偏序D^(*)-度量空间中的带有α^(*)-可容许映射条件的不动点定理,所给出的结果改进了前人的一些结果,并且举例验证了所得到的结论.     

基于错位格雷码的动态三维形貌测量方法

格雷码辅助相移技术可以实现具有较强鲁棒性与抗噪能力的三维（3D）形貌测量。为解决由待测物体不均匀的表面反射率、噪声和物体运动等因素造成的级次边沿误码问题，提出了一种基于错位格雷码的动态3D形貌测量方法。将传统格雷码图案在投影前预先移动半个条纹周期得到错位格雷码图案，再采用传统格雷码解码方法对二值化后的错位格雷码图案解码，可得到与截断相位完全错开的解码结果。对该解码结果进行修正后即可利用得到的正确的相位级次辅助截断相位成功展开。同时，为了提高测量精度，引入了一个虚拟相位平面以进一步拓展投影条纹周期数。实验结果表明，所提方法在使用N帧格雷码图案的情况下，可以编码周期数为2^N+1的投影条纹进行3D测量，其无需任何附加图案即可避免级次边沿误码问题，并有效提升了测量精度。复杂动态场景的3D重建结果证明，所提方法能够以2381 frame/s的速率实现高精度、高效率和高速的3D形貌测量。     

依赖团数的有向图极大与超级边连通的度序列条件

互连网络通常以有向图为模型,有向图的弧连通度是网络可靠性的一个重要参数.给出了依赖团数的有向图极大和超级边连通的度序列条件.     

具有非对称模糊加工时间工期指派调度优化问题的一类加权模型及其求解算法

根据模糊变量截集所表达的信息的重要程度,建立了模糊环境下工期指派调度优化问题的一类加权模型,该模型中工件加工时间为非对称三角模糊数,目标函数为极小化提前完工惩罚和拖期完工惩罚和的加权可能性均值.证明了当工件加工时间具有相同宽度比时,模型是多项式可解的,并给出了求解的多项式算法.数值实验表明加权模型与现有的非加权模型相比能有效的降低总费用.     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一，光谱分类的研究能够为恒星的演化提供线索。随着科技的发展，天文数据也向大数据时代迈进，需要处理的恒星光谱数量越来越多，如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少，为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成，与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程，利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络，并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时，把一些神经网络节点按一定的比例丢弃，使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法，由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库，首先进行预处理截取光谱3 600~7 300 Å的部分，均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类，每一类的训练样本包含1 000条光谱数据，测试样本为400条光谱数据，首先通过训练样本对CNN网络进行训练，进行3 000次的迭代，用训练后的网络将测试样本进行分类以验证网络的准确性；第二部分为相邻两类的恒星光谱的分类，其中O型星数据集样本为250条光谱，其余类别恒星样本数据集均为4 000条光谱，将数据5等分，每次选取当中的一份当作测试集，其余部分当作训练集，采用5折交叉验证法求得模型准确率，用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上，在对相邻类别的恒星进行分类时，由于O型星样本量较少，所以得到的分类结果不太理想，对其余类别的恒星分类准确率都高于98%，以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

基于SEIR模型的COVID-19疫情防控效果评估和预测

通过对COVID-19疫情在中国的传播情况进行分析，建立了一个SEIR流行病模型，模型中将确诊人群分成已收治和未收治两类.先从理论上分析了模型的无病平衡点及其稳定性、基本再生数等关键问题；再结合实际数据，对武汉封城前和封城后两个阶段疫情的发展趋势进行数值模拟和比较分析，讨论了模型中一些重要参数对确诊人数的影响；最后，针对上述理论分析和数值模拟的结果，对之前采取的一些控制策略作了分析评估，同时对疫情后期发展进行预测.     

Δ(G)=5的2-连通外平面图的邻点可区别全染色

Smarandachely邻点可区别全染色是指相邻点的色集合互不包含的邻点可区别全染色，是对邻点可区别全染色条件的进一步加强。本文研究了平面图的Smarandachely邻点可区别全染色，即根据2-连通外平面图的结构特点，利用分析法、数学归纳法，刻画了最大度为5的2-连通外平面图的Smarandachely邻点可区别全色数。证明了：如果$G$是一个$\Delta （G）=5$的2-连通外平面图，则$\chi_{\rm sat}（G）\leqslant 9$。