Experimentally Determining Bloch Parameters of Hamiltonian for Single-Qubit Systems

By considering the identification problem of unknown but fixed Hamiltonian H = S0σ0 ＋∑i=x,y,z Siσi where σi （i = x, y, z） are pauli matrices and σ0=I, we explore the feasibility and limitation of empirically determining the Hamiltonian parameters for quantum systems under experimental conditions imposed by projective measurements and initialization procedures. It may be unsurprising to physicists that one can not obtain the knowledge of So no matter what kind of projective measurements and initialization are permitted, but the observation draws our attention to the importance of the parameter identifiability under different experimental condition. It has also been revealed that one can obtain the knowledge of ｜Sz｜ and Sx^2＋Sy^2 at most when only the projective measurement {｜0/（0｜, ｜1/（1｜} is permitted to perform on and initialize the qubit. Further more, we demonstrated that it is feasible to distinguish ｜Sx｜, ｜Sy｜, and ｜Sz｜ even without any a priori information about Hamiltonian if at least two kinds of projective measurement or initialization procedures are permitted. It should be emphasized that both projective measurements and initialization procedures play an important role in quantum system identification.     

静止条件下的月球车INS/CNS自主初始化方法

月球车工作前自身初始位置和姿态的确定对提高其导航能力具有重要作用,这一过程也称为初始化,初始化精度将严重影响其后续导航性能。针对月面特殊环境,现有的应用于地面环境的初始化方法不再适用这一问题,提出了一种静止条件下的月球车INS/CNS自主初始化方法。该方法分为粗初始化和精初始化两个阶段,粗初始化主要为精初始化提供初始参数。精初始化则综合利用惯性导航解算得到的水平速度、星光方位矢量和天体高度量测信息,并在考虑加速度计偏置引起的天体高度误差的基础上建立了精确的天体高度量测方程,精确估计月球车的初始位置和姿态。半物理仿真实验表明当陀螺漂移为0.1(°)/h、加速度计偏置为10?g、星敏感器精度为3″时,采用所提方法的初始位置估计精度优于30 m,初始姿态估计精度优于10″,是一种非常有效的月球车自主初始化方法。     

一种新的适用于水声信道的常模类盲均衡算法

为了缓解常数模盲均衡算法收敛速度缓慢、稳态误差大的问题,考虑到初始化权值对CMA算法的重要影响,本文利用遗传算法对CMA算法进行了有效改进,引入了小样本重用的思想,给出了一种新的适用于水声信道的常模类盲均衡算法。计算机仿真研究证明,该算法不仅大大加快了收敛速度,而且有效地降低了稳态误差。     

带惩罚μ-相似Bregman散度k-均值问题的初始化算法

$k$-均值问题是聚类中的经典问题,亦是NP-难问题。如果允许数据点不聚类,而是支付惩罚费用,则引出带惩罚的$k$-均值问题。本文将带惩罚的$k$-均值问题从欧氏距离推广到更一般的$\mu$-相似Bregman散度,研究了带惩罚$\mu$-相似Bregman散度$k$-均值问题的初始化算法。本文给出的初始化算法,近似比与$\mu$和数据点惩罚最大值与最小值的比例$r$相关。     

数字滤波弱约束四维变分同化在台风初始化中的应用Ⅰ.个例试验

传统四维变分(4D-Var)同化台风初始化中,bogus资料的同化将不可避免引起初始时刻风场和质量场之间的非平衡,在预报时段产生高频振荡噪音,进而影响数值模拟效果.如何有效滤除bogus资料引入产生的高频噪音非常重要.本文为第Ⅰ部分,基于数字滤波弱约束4D-Var方法,开展台风初始化个例试验研究.2010年Chaba台风两个不同时刻数值试验结果表明:bogus资料4D-Var同化台风初始化中,呈现出与暴雨个例明显不同的3 h地面气压倾向特征,不同数字滤波权重试验在初始时刻差异小,在预报1—4 h差异明显;实施数字滤波弱约束使得初始时刻700 hPa垂直速度场和850 hPa散度场在台风区域减小,bogus资料为引起高频噪音的一个重要因素;数字滤波权重选择是影响台风同化和数值模拟效果的重要因素,合理的数字滤波权重选择试验可明显改善台风路径和强度预报,相对于台风强度预报,路径预报改善更加明显;同时,某些个例中,数字滤波权重的选择直接决定着台风数值模拟的成功与否.不同台风个例相对最佳数字滤波权重并不相同,如何选择数字滤波权重非常重要.第Ⅱ部分中将针对bogus资料同化台风初始化,提出一种数字滤波权重优选方案.     

k-均值算法的初始化方法综述

k-均值问题自提出以来一直吸引组合优化和计算机科学领域的广泛关注, 是经典的NP-难问题之一. 给定N个d维实向量构成的观测集, 目标是把这N个观测点划分到k(\leq N)个集合中, 使得所有集合中的点到对应的聚类中心距离的平方和最小, 一个集合的聚类中心指的是该集合 中所有观测点的均值. k-均值算法作为解决k-均值问题的启发式算法,在实际应用中因其出色的收敛速度而倍受欢迎. k-均值算法可描述为: 给定问题的初始化分组, 交替进行指派(将观测点分配到离其最近的均值点)和更新(计算新的聚类的均值点)直到收敛到某一解. 该算法通常被认为几乎是线性收敛的. 但缺点也很明显, 无法保证得到的是全局最优解, 并且算法结果好坏过于依赖初始解的选取. 于是学者们纷纷提出不同的初始化方法来提高k-均值算法的质量. 现筛选和罗列了关于选取初始解的k-均值算法的初始化方法供读者参考.     

An improved level-set re-initialization solver

Re-initialization procedure in level-set interface capturing method were investigated. The algorithm accomplishes the re-initialization step through locking the interface positions. Better accuracy was obtained both on the interface positions and the total fluid volume keeping. Though one mare step of the interpolations is added in the procedure, there is no significant increase in total machine time spent.     

一种无重新初始化的水平集方法的错觉轮廓捕捉新方法

在错觉轮廓捕捉模型建立前,我们要得到根据物体边界的符号距离函数时,用Eikonal方程不能实现的,我们用基于水平集方法的分割技术实现,扩大了模型的使用范围;在Zhu和Chan等人的错觉轮廓捕捉模型基础上引入了李纯明等人提出的符号距离约束信息,这就使得在水平集函数演化时不必对其重新初始化,并大大简化了模型的数值处理水平集函数的演化速度.并通过实验验证了该方法的优势.