辨析线性规划掌握常见解法

纵观近几年来各省、市的高考试题,对于简单的线性规划内容的考查,均以选择题、填空题的形式出现,并且出题的切入点越来越多,考查的灵活程度越来越高,与其他知识点的有机结合也越来越广泛.本文以近几年来的考题为例,归类剖析有关线性规划问题的一些常见的求解方法.     

基于荧光光谱技术的菜籽油氧化状态智能评价

菜籽油在加工及贮藏过程中，易受氧气、温度、光照等因素的影响，产生氧化酸败现象。为准确判断油脂氧化程度，实现不同氧化模式下菜籽油品质的快速判别，采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。以冷榨菜籽油为原料，将样品分别置于常温、Schaal烘箱、高温模式中氧化处理，期间采集菜籽油的三维同步荧光光谱数据及理化指标，当理化指标超出国标限定范围时，停止采集数据。结果表明，菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异，氧化温度对菜籽油荧光光谱有明显影响。常温氧化350 d与第1 d相比，菜籽油的特征荧光峰位置无变化，仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化；Schaal烘箱氧化26 d后，在激发波长Ex为620和660 nm附近荧光峰强度显著减弱，且在激发波长Ex为350～450 nm之间有新的荧光峰生成；高温氧化48 h后，Ex为620和660 nm处荧光峰消失，在Ex为400～550 nm处产生显著荧光峰，相对Schaal烘箱氧化，荧光波长发生一定程度红移，这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据，当组分数为6，Δλ=60 nm时激发波长的载荷值最大，不同样品间差异最显著。选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价，作为BP神经网络模型的输入值，以极性组分作为模型输出值，分别对菜籽油三种氧化模式数据建模训练。实验结果表明，三种氧化模式对应的训练集、验证集、测试集模型相关系数r均能达到0.9以上，其中常温氧化模式中验证集及测试集模型的相关系数r为1，输出值与目标值较接近，模型的预测效果较好；综合三种氧化模式数据建模，对应训练集、验证集、测试集模型的相关系数分别为0.999，0.913和0.988，均方误差均较小，说明该模型能准确判断菜籽油的不同氧化状态。因此，三维同步荧光光谱技术结合平行因子分析法、BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别，为菜籽油的氧化程度的评价提供新方法，同时为其他食用油的品质评价提供参考。     

磷酸化调控泛素单体与Rad23A/Ubiquilin-1中泛素结合域互作的检测

泛素（ubiquitin，Ub）是一种广泛存在、高度保守的信号蛋白质，它能够特异性识别成千上万种靶蛋白，以非共价方式行使不同的功能，其中包含蛋白质降解．Ubiquilin-1（Ubql-1）和Rad23A作为两种蛋白降解的转运因子，都包含有与泛素结合的结构域，被称为泛素结合域（ubiquitin-associated domain，UBA）．2014年，泛素S65位磷酸化修饰的特异性激酶PINK1被发现，磷酸化使泛素在溶液中呈现舒展态与收缩态两种互相转换的构象．本文通过核磁共振（nuclear magnetic resonance，NMR）技术对UBA和磷酸化泛素之间的相互作用进行检测，观测磷酸化对UBA和泛素结合的影响．实验结果表明Rad23A-UBA2与Ubql-1 UBA都特异性的与磷酸化泛素的舒展态相互作用，但是磷酸化未改变泛素与UBA之间的亲和力．值得注意的是与Ubql-1 UBA相互作用时，磷酸化促进了泛素收缩态向舒展态的转换．     

基于Deep-IndRNN的DGA域名检测方法

恶意服务常利用域名生成算法（DGA）逃避域名检测,针对DGA域名隐蔽性强、现有检测方法检测速度较慢、实用性不强等问题,采用深度学习技术,提出了一种基于Deep-IndRNN的DGA域名检测方法。方法运用词袋模型（BoW）将域名向量化,然后通过Deep-IndRNN提取域名字符间特征,并使用Sigmoid函数对域名分类检测。其主要特点在于:通过将Deep-IndRNN的多序列输入拼接为单向量输入,以单步处理代替循环处理,同时结合Deep-IndRNN能保存更长时间记忆的特点,可有效释放深度学习时占用的GPU、CPU等系统资源,且在保证高准确率和精确度的前提下提高训练、检测速度。实验结果表明,基于Deep-IndRNN的DGA域名检测方法在检测任务中具有较高的准确率和精确度,相比于DNN、CNN、LSTM、BiLSTM、CNN-LSTM-Concat等同类检测方法,能显著提高训练、检测速度,是有效可行的。     

非Fourier温度场分布的奇摄动解

应用非Fourier热传导定律构建了单层材料中温度场模型，即一类在无界域上带小参数的奇摄动双曲方程，通过奇摄动展开方法，得到了该问题的渐近解.首先应用奇摄动方法得到了该问题的外解和边界层矫正项，通过对内解和外解的最大模估计和关于时间导数的最大模估计以及线性抛物方程理论，得到了内外解的存在唯一性，从而得到了解的形式渐近展开式.通过余项估计，给出了渐近解的L2估计，得到了渐近解的一致有效性，从而得到了无界域上温度场的分布.通过奇摄动分析，给出了非Fourier 温度场与Fourier 温度场的关系，描述了非Fourier温度场的具体形态.     

Double-image sharing encryption based on associated fractional Fourier transform and gyrator transform

<正>We present a novel method for realizing double-image encryption algorithm by combining the images in different transform domains.Two original images are encrypted into two interim images by fractional Fourier transform and gyrator transform,respectively.The two encrypted images can be obtained by means of the addition and subtraction of the two interim images.This is defined as a double-image sharing scheme,in which the original images are encrypted into two parts.The original images cannot be recovered only with any one of the two interim images.Numerical simulation experiments demonstrate the validity of the algorithm.     

阿尔茨海默病诊断的自适应BP神经网络模型

阿尔茨海默病(AD)和轻度认知功能损伤(MCI)具有患者多、诊断难的特点,改进BP神经网络,提出自适应BP神经网络(ABP)进行100次AD和MCI诊断模拟,ABP神经网络的诊断正确率显著高于BP和RBF神经网络.采用留一法将101例正常人、200例MCI和90例AD患者的样本分为训练集和检测集,用ABP神经网络对其进行诊断模拟,总正确率达到73.91%.     

基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛(英文)

本文研究了具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛,通过运用Lyapunov函数、随机分析技巧和推广了的Halanay不等式,得到了上述模型为弱收敛的充分性条件,并且我们揭示了对上述递归神经网络模型所确定的segment过程的转移概率的极限分布是此模型的解过程的唯一的遍历不变概率测度.此外,我们还给出了例子和数值模拟来说明我们结论的正确性.