Lie Group Classifications and Non-differentiable Solutions for Time-Fractional Burgers Equation

Lie group method provides an efficient tool to solve nonlinear partial differential equations. This paper suggests Lie group method for fractional partial differential equations. A time-fractional Burgers equation is used as an example to illustrate the effectiveness of the Lie group method and some classes of exact solutions are obtained.     

一种利用地物散射特性进行后续类别调整的极化SAR影像分类方法

针对常规极化SAR影像监督分类在分类时由于极化信息利用不完全,导致分类结果不可信的缺陷,在分析地物极化散射特性的基础上,提出一种结合复Wishart分类器思想的极化SAR监督分类方法,在监督分类的基础上,利用几乎包含所有极化信息的相干矩阵进行后续分类,利用地物所有极化散射信息完成类别的划分。首先,利用Cloude&Pottier极化特征组合对影像进行监督分类,获得初始类别划分结果;为纠正监督分类时仅利用特征矢量的空间分布特性进行类别划分导致的错误,对监督分类结果精度评价及研究区地物散射相似性分析,综合确定初始分类结果中分类效果较差、待后续调整类别的像素集;然后以各类别的相干矩阵均值为初始聚类中心,利用核模糊C均值算法,结合相干矩阵的复Wishart分布特性,对待修正的像素集进行后续类别迭代调整,获得精细分类结果。采用国产X-SAR获取的海南陵水地区的全极化SAR影像进行分类试验,结果表明：提出的对极化SAR影像监督分类后利用地物散射特性相似性对错分像素重新进行聚类调整类别的方法,与仅进行监督分类相比,分类结果总体精度更高,也更满足地物的散射特性。     

带有惩罚和软容量约束的下界设施选址问题的双标准近似算法研究

研究带惩罚和软容量约束的下界设施选址问题. 扩展Guha等(Guha S, Meyerson A, Munagala K. Hierarchical placement and network design problems [C]//Proceedings of Foundations of Computer Science, 2000: 892328, DOI: 10.1109/SFCS.2000.892328)和Karger等(Karger D R,Minkoff M. Building steiner trees with incomplete global knowledge [C]//Proceedings of Foundations of Computer Science, 2000: 892329, DOI: 10.1109/SFCS.2000.892329)的工作到带有惩罚的下界约束设施选址问题,提出了一个新的双标准近似算法,得到了同样的近似比ρ(1+α)/(1-α). 进一步考虑带惩罚和软容量约束的下界设施选址问题,得到了近似比为2ρ(1+α)/(1-α)的双标准近似算法.     

8～10轮AES-128的biclique攻击

高级加密标准(AES)是信息安全中实现数据加密、认证和密钥管理的核心分组密码算法,其安全性分析是密码学的重要课题之一.本文利用AES独立的相关密钥差分,构造了3轮biclique;基于该biclique,使用重计算技术,针对8~10轮AES-128给出新攻击.研究结果表明,攻击8轮AES-128所需的数据复杂度为264选择密文,时间复杂度为2125.29次加密;攻击9轮AES-128所需的数据复杂度为264选择密文,时间复杂度为2125.80次加密;攻击10轮AES-128所需的数据复杂度为264选择密文,时间复杂度为2126.25次加密.与已有的同轮攻击结果相比,新分析所需要的时间复杂度或数据复杂度降低.     

人行桥标准行人激励荷载的构建与验证

基于Young和Ebrahimpour等学者对行人步行荷载竖向激励特征的研究成果,利用傅立叶级数模型构建了行人正常步行状态下的标准荷载激励,并从曲线形状和引起人行桥动力反应两方面与8组实测的步行荷载进行比较,验证了标准步行荷载的准确性。通过理论分析进一步讨论了均方根加速度动力反应arms与动载因子ci和相位角φi的关系,并给出了具有参考价值的结论。     

微型光谱分析系统检测食品添加剂山梨酸的研究

基于对微型光谱仪的二次深度研发,构建了新型食品安全检测微型光谱分析系统,并采用标准加入法,对牛肉粒中的食品添加剂山梨酸进行快速定量检测。结果表明,采用标准加入法消除了样本基体成分的干扰,牛肉粒中山梨酸在0～10.0 mg·L-1质量浓度范围内有良好的线性关系(R2=0.998 9),山梨酸加标回收率为99.2%～99.5%,RSD(n=5)为0.14%。该微型光谱分析系统在食品添加剂检测应用方面表现出良好的实用化前景。     

能够突破标准量子极限的原子双数态的制备研究

所有经典的双模(两路径)干涉仪的相位测量精度都受限于1/N/(1/2)(其中N为参与干涉测量的总粒子数),这一极限被称为经典极限或标准量子极限.量子计量学最重要的目标之一是探索如何通过量子纠缠实现超越经典极限的测量精度.双数态是一种能突破经典极限的纠缠态,它由数目相等、不可区分的自旋朝上和朝下(双模)玻色粒子组成.通过光学自发参量下转换或囚禁离子内态的操控手段已实现了不到十个光子或离子的双数态.利用玻色-爱因斯坦凝聚体中原子的自旋混合过程,近年来也能产生多达几千个原子的双数态.但是这样制备的双数态的总粒子数的随机涨落过大,限制了它们的实际应用潜力.最近,我们通过调控原子凝聚体中的量子相变,实现了超过一万个原子的双数态的确定性制备.本文简要综述这一研究进展.     

基于孪生网络模型的岩石光谱自动分类方法

岩石光谱是岩石物理化学性质、成分和结构的综合体现,如今已经被广泛应用于岩石分类研究中。岩石光谱数据具有高维的特征数量,在样本数量有限的情况下训练时,往往会产生维数灾难现象。由于岩石光谱的数据收集困难,这在产生极大的人力成本的同时也导致收集到的岩石光谱数据往往十分有限。因此如何能够在样本数量较少时,对岩石光谱数据取得较为准确的分类效果成为了如今热门的研究课题。利用辽宁兴城地区的典型岩石光谱数据,基于Python编程语言在训练样本较少的情况下构建了孪生网络分类模型,并以Triplet Loss作为损失函数,实现了3-way-1-shot分类模型,在测试集上取得了97.8%的分类准确率。同时使用了决策树、随机森林、支持向量机和K-近邻四种传统机器学习方法在相同训练样本下建立分类模型与之对比,通过绘制学习曲线,验证了这四种传统机器学习方法在小样本的情况下不具备良好的分类功能。由于将原始光谱数据转化为图片数据之后并不会影响孪生网络模型的分类效果,因此可以将岩石光谱分类问题转化为图像分类的问题,进而使用图像分类的方法和手段。实验结果表明,孪生网络模型在岩石光谱样本数量较少的情况下仍然能够取得优秀的...     

太赫兹光谱在转基因菜籽油鉴别中的应用:基于改进蜉蝣算法的支持向量机模型

为实现对转基因和非转基因菜籽油的快速准确鉴别,结合太赫兹时域光谱技术,提出了一种基于改进蜉蝣优化算法的支持向量机模型.以两种转基因和两种非转基因菜籽油为研究对象,应用太赫兹时域光谱技术获取其光谱信息,发现相比于非转基因菜籽油,转基因菜籽油在太赫兹波段具有更强的吸收特性,同时它们的吸收光谱极为相似,难以通过观察法进行准确区分.为此,提出一种基于改进蜉蝣优化算法的支持向量机模型,通过采用蜉蝣优化算法对支持向量机参数进行寻优,并引入自适应惯性权重和Lévy飞行两种策略改进蜉蝣优化算法在寻优过程容易陷入局部最优解的问题,增强蜉蝣优化算法的全局搜索能力和稳健性.实验结果表明:改进后的蜉蝣优化算法能够更有效地寻找到支持向量机的最优参数组合,提升鉴别模型的整体性能,该模型对4种菜籽油的识别精度为100%.因此,本研究为转基因菜籽油的类型鉴别提供了一种快速有效的新方法,也为其他转基因物质的鉴别提供了有价值的参考.     

Finite groups with some pronormal subgroups

A subgroup H of finite group G is called pronormal in G if for every element x of G, H is conjugate to H ^x in 〈H, H ^x 〉. A finite group G is called PRN-group if every cyclic subgroup of G of prime order or order 4 is pronormal in G. In this paper, we find all PRN-groups and classify minimal non-PRN-groups (non-PRN-group all of whose proper subgroups are PRN-groups). At the end of the paper, we also classify the finite group G, all of whose second maximal subgroups are PRN-groups.