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。     

中空介孔SiO2纳米球的制备、改性及其对Al3+荧光识别研究

中空介孔SiO2由于中空多孔的结构而常用作功能材料的基底.将中空介孔SiO2进行官能团修饰,并应用为荧光传感材料是中空介孔SiO2一个重要的研究领域.本论文采用聚丙烯酸(PAA)为中空模板,聚醚F127为造孔剂,正硅酸乙酯(TEOS)为硅源,氨水为催化剂在乙醇体系中制备了中空介孔SiO2纳米球.系统研究了搅拌速度和聚醚F127引入量对中空介孔SiO2纳米球形貌及比表面积的影响.通过透射电镜、N2-等温吸附脱附曲线等表征说明该合成方法具有很好的普适性,通过调节F127的引入可以实现对比表面积的有效控制.通过氨基化、席夫碱反应进行荧光修饰,进一步研究表明荧光修饰后的中空介孔SiO2纳米球在水溶液中能够实现对Al3+的有效检测,检测限为1.19×10 -7M.     

高校教师激励与约束机制分析

最有效的管理方式是对人的激励,高校管理的核心是通过激励以最大限度地调动与发挥教师的积极性和创造性.运用博弈论方法和委托-代理理论探析信息不对称下高校教师的激励与约束机制,对教师校外兼职问题进行博弈分析,提出健全高校教师激励与约束机制的建议.     

一类带等式约束非光滑最优化问题的逐次二次规划方法

本文对一类带等式的非光滑最优化问题给出了一种逐次二次规划方法。这类问题的目标函数是非光滑合成函数，约束函数是非线性光滑函数。该方法通过逐次解二阶规划寻找搜索方向，使用ｌ１－罚函数的非精确线搜索得到新的迭代点。我们证明了算法的全局收敛性并给出了数值试验结果。     

不等式约束条件下回归模型的参数估计及检验

本文研究了具有不等式约束条件的回归模型的参数估计，给出了检验的统计量和一个实例．     

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。     

非完整系统Chetaev动力学和vakonomic动力学的等价条件

就一般非完整约束系统，从约束方程满足的变分恒等式出发，利用增广位形流形上的向量场定义三类非自由变分，即非完整变分：vakonomic变分、Hlder变分、Suslov变分，并讨论它们之间的关系以及它们成为自由变分的充要条件.利用非完整变分以及相应的积分变分原理建立两类动力学方程：vakonomic方程和Routh方程或Chaplygin方程.通过vakonomic方程分别与Routh方程和Chaplygin方程比较，得到它们具有共同解的两类充分必要条件.这些条件并不是约束的可积性条件. 关键词： 非完整约束 非完整变分 Chetaev条件 vakonomic动力学     

运用量子约束动力学对具有耗散的量子位的追踪控制

在有限温度环境内，量子约束动力学及其追踪控制可使退相干系统的相干性稳定一段时间.约束方程产生的控制场能够按量子比特的动力学状态进行控制(量子动力学轨道的反馈控制)；依靠量子比特的这种反馈效应，可使量子位稳定在设定的时间内.同时，在量子位的稳定方面，温度扮演一种消极的角色. 关键词： 量子约束动力学 耗散量子位的控制 追踪控制 量子比特的反馈效应     

Speech emotion recognition based on statistical pitch model

A modified Parzen-window method, which keep high resolution in low frequencies and keep smoothness in high frequencies, is proposed to obtain statistical model. Then, a gender classification method utilizing the statistical model is proposed, which have a 98% accuracy of gender classification while long sentence is dealt with. By separation the male voice and female voice, the mean and standard deviation of speech training samples with different emotion are used to create the corresponding emotion models. Then the Bhattacharyya distance between the test sample and statistical models of pitch, are utilized for emotion recognition in speech. The normalization of pitch for the male voice and female voice are also considered, in order to illustrate them into a uniform space. Finally, the speech emotion recognition experiment based on K Nearest Neighbor shows that, the correct rate of 81% is achieved, where it is only 73.85% if the traditional parameters are utilized.