数学定理教学的“转识成智”——以初中“垂径定理”起始课为例北大核心

1问题提出重视定理教学“过程”是核心素养培养的必然要求,也获得了中小学数学教师的广泛赞同,但有些“过程”却事与愿违.以初中“垂径定理”的教学为例,很多教师并没有关注到这是“圆”章节的起始定理,直接让学生沿直径翻折圆形纸片,得出圆的轴对称性,并用动态课件验证(环节1);继而形式化分析证明圆的轴对称性,由此得到“垂径定理”(环节2).     

对称向量拟均衡问题有效解的存在性

利用标量化方法建立对称向量拟均衡问题有效解的存在性定理。作为标量化方法的应用，利用这一方法得到向量变分不等式和拟向量变分不等式有效解的存在性定理。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

新建住宅价格指数编制模型的优良性检验

研究房价指数编制模型的优良性检验方法可以指导房价指数编制工作,有助于在实际应用中选择更为科学准确的房价指数.从统计指数偏误的角度来评价房价指数的优良性,并给出了检验房价指数是否有型偏误的具体方法.对BMN重复交易模型和标普Case-Shiller模型从理论推导角度进行时间互换检验,发现前者没有型偏误而后者有型偏误.从模型计算角度对两个新建住宅价格指数编制模型进行实证分析,发现对数匹配模型没有型偏误,贴现匹配模型有型偏误.     

次线性期望下的一般中心极限定理

受Peng-中心极限定理的启发,本文主要应用G-正态分布的概念,放宽Peng-中心极限定理的条件,在次线性期望下得到形式更为一般的中心极限定理.首先,将均值条件E[X_n]=ε[X_n]=0放宽为|E[X_n]|+|ε[X_n]|=O(1/n);其次,应用随机变量截断的方法,放宽随机变量的2阶矩与2+δ阶矩条件;最后,将该定理的Peng-独立性条件进行放宽,得到卷积独立随机变量的中心极限定理.     

一类压缩型映射的不动点定理

在完备的度量空间中,讨论了一类新型的非线性压缩映射ρ(Tx,Ty)≤a(ρ(x,y))ρ(x,Tx)+b(ρ(x,y))ρ(y,Ty)+c(ρ(x,y))ρ(x,y)通过构造迭代序列,指出该映射的不动点的存在性和唯一性,并给出相应的误差估计式,拓展和改进了有关文献的范围.     

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XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一，常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题，通过机器学习和计算光谱的谱线指数结合的方法，提取光谱特征，并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化），确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入，光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序，从而获得已知或未知的对于分类决策最为敏感的谱线。首先，选取高信噪比（S/N>30）、被LAMOST标记为B，A，F和M的恒星光谱数据，总计约414万个。然后，对光谱数据计算谱线指数从而使其得到降维处理，过滤冗余信息。其次，将处理后的恒星光谱数据随机划分为训练集和测试集，通过适当调整算法参数，用训练集得到所需要的分类决策树模型，用测试集测试其稳定性和可用性，以防止出现过拟合，同时使用算法自带函数进行提取分类特征。最后，输出并整理实验中算法所得的决策树模型，并挑选其概率比较大的分支作为最终的决策树模型。通过实验，可以发现在固定参数下，XGBoost所得的模型有一定的自适应性，较少受数据集影响，总体准确率可达88.5%；同时其所输出的分类决策树与已知的特征较为吻合，而且可以获得基于大数据的、数值化的特征谱线对应分类的范围，为完善基于特征的分类提供定量的规则。