大规模生长定向排列多壁碳纳米管工艺研究

研究了大规模生产定向排列多壁碳纳米管的工艺.研究结果表明控制工艺参数,可以大幅度提高定向排列多壁碳纳米管的产率,使其达到用载体催化剂制造碳纳米管的水平.     

首次观测到超低温度下钠钾基态分子和钾原子碰撞的散射共振

量子计算和量子模拟具有强大的并行计算和模拟能力,不仅为经典计算机无法解决的大规模计算难题提供有效解决方案,也可有效揭示复杂系统的物理规律,为新能源开发、新材料设计等提供指导&;amp;lt;sup&;amp;lt;[1]&;amp;lt;/sup&;amp;lt;。量子计算研究的终极目标是构建通用型量子计算机,但这一目标需要制备大规模的量子纠缠并进行容错计算,实现这一目标仍然需要经过长期不懈的努力。     

计算机控制光学表面成形中大规模驻留时间求解

采用基于稀疏矩阵的大规模非负最小二乘法,对大口径、微浮雕结构光学元件加工中的驻留时间进行了分析与求解,并对该算法开展了正则化研究。仿真结果表明:与传统非负最小二乘法相比,基于稀疏矩阵的大规模非负最小二乘法精度高、效率快。采用该算法仿真加工平均振幅为1.177 6倍波长的大口径、微浮雕结构光学元件,误差面形均方根收敛至0.067倍波长。     

对称正定问题多搜索方向共轭梯度法的收敛性理论

In this paper, we give the convergence and consistence theory of multiple search direction conjugate gradient method (see [10]) and give some upper bound estimations of iterative value and error of our method.     

高速图像处理系统的研制

高速图像处理系统是工作在主控计算机上的一个子系统，该系统可以完成图像处理的采集、处理和显示，从而实现目标识别与跟踪的智能信号处理。高速图像处理系统体现在高帧频的图像处理，主要用于快速目标的探测和捕获。根据图像处理系统的视频源提供的两路视频输出，即模拟视频输出和数字视频输出，设计了基于ADTS201高速DSP和大规模可编程逻辑器件的硬件平台。该硬件系统具有较强的系统功能可扩展性，具有高速运算能力，支持高帧频的对运动目标实时的识别与跟踪数字图像处理算法。     

电力系统集结二阶及外部系统分割降阶法

本文对电力系统的动态结构特性及降阶方法进行了研究,提出了二阶集结及外部系统分割两种降阶方法。它们是建立在系统动态结构特性-模式-机组关联特性基础上的。前者将一个n台机的电力系统降为一个2n×2n阶的包括全部转子摇摆模式的模型,后者可用一个更低阶的模型算出与局部系统有关的全部模式。     

社交网络环境下基于单值中智信息的大规模群决策方法

考虑到单值中智集具有全面且准确描述不确定信息的优势,文章提出了社交网络环境下基于单值中智信息的大规模群决策方法.首先,结合Louvain算法对社交网络进行分区,并确定分区团体中各决策者权重以及分区团体在整个社交网络中的权重.其次,提出改进的单值中智加权平均算子与改进的单值中智有序加权平均算子,并探讨算子的合理性以及相关性质.结合所提算子,对分区团体中各决策者的偏好信息以及整个网络中决策者的偏好信息进行集结.再次,采用单值中智距离测度检测分区团体中决策者的一致性水平,并利用改进的单值中智加权平均算子与单值中智数比较方法对候选方案进行排序.最后,结合中国某海外矿产投资项目选择案例验证所提方法的可行性与有效性,并通过灵敏度分析与比较分析证明所提方法的优越性.     

基于交替方向乘子法的大规模线性多商品流问题求解算法

企业的商品流通配送问题是典型的线性多商品流问题.由于经营规模的扩大和全球化运营模式的推行,企业所面临的问题规模正变得空前巨大,数据存储也越来越分散,传统方法已无法适应求解需求.本文基于交替方向乘子法(ADMM)的可分解性,提出一类随机ADMM算法,将大规模的问题分解成多个、规模比较小的问题,并采取随机顺序去求解这些小问题以及对偶问题,最终得到原问题的最优解.算法克服了ADMM的直接拓展求解多块问题时可能发散的缺点,并采用MnetGen生成器随机生成的多个规模不同的线性多商品流问题对算法进行了测试,验证了算法的有效性和高效的求解效率.     

解等式约束优化问题的一个修正既约Hessian SQP方法

众所周知,既约Hessian方法是求解较大规模约束优化问题的一类有效方法,但已有的这类方法的全局收敛性分析需假定拉格朗日函数的既约Hessian矩阵的一致正定性.本文提出了一个修正的既约Hessian SQP方法,并且证明其在没有上面提及的假设条件下具有全局收敛性.     

大规模数据的L1惩罚分位数回归方法研究--基于特征筛选和随机抽样方法

为解决大规模数据在进行回归分析时存在的计算内存不足和运行时间较长的问题,提出两个新的回归分析方法:先筛选后抽样的大规模数据L₁惩罚分位数回归方法(FSSLQR)和先抽样后筛选的大规模数据L₁惩罚分位数回归方法(SFSLQR),其数值模拟和实际应用结果表明:FSSLQR和SFSLQR方法不仅能够显著降低计算内存和运行时间,而且其估计预测和变量选择的结果与全量L₁惩罚分位数回归基本一致。此外,与Xu等(2018)提出的大规模数据的L1惩罚分位数回归方法(SLQR)相比,FSSLQR和SFSLQR方法在估计预测、变量选择和运行时间等方面都更具优势。