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。     

分子刚度对膜锚定受体-配体结合动力学影响的理论与模拟研究

人体内大部分生物学过程都离不开细胞黏附.细胞黏附行为主要由锚定于细胞膜上的特异性分子（又称受体和配体）的结合动力学关系来决定.已有研究表明，特异性分子的结合关系受外力及细胞膜波动等多种因素影响.然而，特异性分子刚度对细胞膜锚定受体 配体结合关系的影响机制仍不清楚.近期关于新冠病毒强传染力的研究表明，特异性黏附分子刚度对病毒与细胞结合具有重要影响.该文通过建立生物膜黏附的粗粒度模型，借助分子模拟和理论分析来研究分子刚度在黏附中的作用.结果表明，始终存在一个最佳膜间距及最佳分子刚度值，使得黏附分子亲和力和结合动力学参数达到最大值.这项研究不仅能加深人们对细胞黏附的认知，还有助于指导药物设计、疫苗研发等.     

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。     

对氯苯甲酸构筑的铜(Ⅱ)配合物的合成、HSA结合及细胞毒性

本文合成了配合物[Cu(pcba)₂·(phen)(H₂O)] (pcba =对氯苯甲酸,phen = 1,10-邻菲罗啉),该配合物属于三斜晶系,P1空间群,晶胞参数为a=0.790 98(2) nm,b=1.072 40(4) nm,c=1.487 19(6) nm,α=100.613(3)°,β=95.239(3)°,γ=108.334(3)°,Z=2,D_c=1.638 g·cm^-3,F(000)=582,最终结构残差因子R₁=0.035 9,wR₂=0.089 1。采用紫外及荧光研究了配合物和人血清蛋白(HSA)的相互作用方式。结果表明,配合物静态猝灭HSA荧光,可求得配合物与HSA的猝灭常数K_sv=2.35×10⁵ L·mol^-1,猝灭速率常数K_q=2.35×10¹³ L·mol^-1·s^-1,结合常数为K_a=2.14×10¹³ L·mol^-1,结合位点n=2.37。同时,研究了配合物对胃癌细胞A549、宫颈癌细胞Hela和肝癌细胞HepG2的抗增殖能力。     

一流本科数学课程双万计划建设的多级模糊综合评判模型及应用研究

基于当前高校办学定位和人才培养目标定位,建设适应创新型、复合型、应用型人才培养的需要,许多高校正进行双一流本科课程建设。模糊综合评判法,作为一种模糊数学评价方法,被用于各个领域,取得了很好的效果。本文将这种方法用于分析当前高校一流本科数学课程双万计划建设,并以华东交通大学信息与数学专业课程为例,得到了一些评判结果。实例分析表明该方法具有可行性与有效性。     

基于小波变换和概率神经网络的焊接接头类型识别

为了实现机器人自动焊接过程中快速、精确地提取焊缝特征信息,提出了一种基于小波变换和概率神经网络的焊接接头类型识别方法。先采用小波变换对由激光视觉传感器采集的焊接接头图像进行降噪和增强,对重构后的图像进行二值化,然后提取图像的特征信息,组成图像特征向量,最后构建概率神经网络分类器并进行测试。结合视觉传感器中激光器与摄像机的位置关系,最终识别出4种焊接接头。实验结果表明,所提出的方法特征提取简单,识别率高,并具有较好的实时性。     

基于模糊形式背景的变精度模糊信息粒

在模糊形式背景下研究变精度的模糊信息粒,给出精度为δ的必要模糊信息粒,充分模糊信息粒以及充分必要模糊信息粒的定义.在此基础上,进一步给出对任意给定的模糊信息粒转化为精度为δ的必要模糊信息粒,充分模糊信息粒及充分必要模糊信息粒的方法.     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。     

模糊线性回归模型的约束最小二乘估计

自Tanaka等1982年提出模糊回归概念以来,该问题已得到广泛的研究。作为主要估计方法之一的模糊最小二乘估计以其与统计最小二乘估计的密切联系更受到人们的重视。本文依据适当定义的两个模糊数之间的距离,提出了模糊线性回归模型的一个约束最小二乘估计方法,该方法不仅能使估计的模糊参数的宽度具有非负性而且估计的模糊参数的中心线与传统的最小二乘估计相一致。最后,通过数值例子说明了所提方法的具体应用。