基于sc RNA-seq数据的单细胞非线性降维方法

单细胞转录组测序数据中蕴含着丰富的细胞异质性表达信息,但也包含大量的冗余信息.降维不仅可以提取单细胞转录组测序数据内部的本质结构,减少冗余和噪声造成的误差,还可以为细胞聚类、基因富集分析、细胞发育轨迹推断等提供重要依据.本文介绍了基于流形学习、非负矩阵分解以及深度学习的非线性降维方法及其在单细胞转录组测序数据中的应用.     

玄武岩纤维-周丛生物膜-连续流反应器的污水深度净化性能研究

污水处理厂排水中氮、磷等营养盐浓度仍高于地表水,可能导致受纳水体富营养化,需要对其深度净化.周丛生物膜因其在脱氮除磷方面的优异性能而引起越来越多的关注.因此,设计了基于玄武岩纤维-周丛生物膜的连续流反应器(BFP-CFR),研究了不同水力停留时间(HRT)下BFP-CFR对污水深度净化的性能.研究结果显示,BFP-CFR的最佳HRT为48 h.该HRT下氨氮(NH₄⁺-N)、总氮(TN)和总磷(TP)的去除率为79.88%、25.36%和94.83%.经过该反应器处理后,可显著降低污水氮磷污染物浓度.当HRT≥32 h时,氨氮出水浓度可达《地表水环境质量标准》(GB 3838-2002)Ⅳ类标准及以上,总磷浓度符合《地表水环境质量标准》(GB 3838-2002)Ⅱ类标准及以上.反应器出水水质和净化动力学分析表明,由于BFP反硝化能力弱,本反应器水质净化的限制性污染物为总氮,后续需要在促进反硝化功能以强化脱氮方面开展研究.这为今后将BFP运用于污水处理后排水的深度净化提供了数据支撑,指出了需要技术突破的方向.     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

基于网格流的视频修补网络

视频修补的目的是基于视频帧之间的时空域上下文信息修补空洞.现有的方法由于不能准确地对运动轨迹进行建模经常导致修补结果无法保持良好的时空一致性.为此引入灵活的形状自适应网格作为基本处理单元,将网格流用于运动表示,提出了一个基于网格流的视频修补网络,通过先预测网络流再添补空洞区域的方式对视频进行修补.具体地,首先设计了一个...     

基于长短时记忆神经网络的生猪价格预测模型

生猪价格序列的长短周期现象是困扰生猪价格预测的一个难题.针对这一问题,研究了生猪价格序列的波动特点和影响因素,提出了萤火虫算法(firefly algorithm,FA)优化长短时记忆神经网络(long-short term memory,LSTM)的生猪价格预测方法.首先对生猪价格序列进行预处理和分析;然后采用萤火虫...     

基于深度学习和细观力学的颗粒材料本构关系研究

颗粒材料的本构关系对岩土工程等众多领域至关重要. 不同于传统的唯象本构理论, 本文基于机器学习模型探索了一种细观力学理论指导下的数据驱动型颗粒材料本构关系预测方法. 根据Vogit均质化假设, 建立了小应变条件下颗粒材料应力?应变解析关系, 此关系唯一地确定了一组与颗粒材料本构行为相关的细观组构变量. 这些变量与反应颗粒材料宏观性质的主应力和主应变信息通过一系列离散元三轴压缩数值试验获得. 考虑到细观组构变量为内变量, 不能直接作为本构模型的输入. 本文基于有向图方法将颗粒材料微观结构信息隐式地包含在应力?应变的预测当中, 并采用门控循环单元(GRU)循环神经网络作为基础深度学习模型描述有向图中结点之间的映射关系. 通过将有向图从目标节点沿源节点展开, 整个应力?应变预测模型可由两个神经网络分别训练并组装而成. 将训练后的深度学习模型在全新的数据集上进行测试, 结果表明该训练策略能有效捕捉到颗粒材料在常规三轴任意加卸载, 等中主应力系数b的真三轴加载, 和等平均有效应力p的真三轴加卸载等复杂多轴加载工况下的应力?应变响应关系, 模型具有良好的内插和外推预测能力. 考虑到深度学习模型捕捉颗粒材料力学响应的能力及其开放式学习的特点, 充分结合数据驱动方法和理论本构模型可能是颗粒材料本构研究的一个重要方向.      

物理增强的流场深度学习建模与模拟方法

流体运动理论上可用Navier?Stokes方程描述, 但由于对流项带来的非线性, 仅在少数情况可求得方程解析解. 对于复杂工程流动问题, 数值模拟难以高效精准计算高雷诺数流场, 实验或现场测量难以获得流场丰富细节. 近年来, 人工智能技术快速发展, 深度学习等数据驱动技术可利用灵活网络结构, 借助高效优化算法, 获得对高维、非线性问题的强大逼近能力, 为研究流体力学计算方法带来新机遇. 有别于传统图像识别、自然语言处理等典型人工智能任务, 深度学习模型预测的流场需满足流体物理规律, 如Navier?Stokes方程、典型能谱等. 近期, 物理增强的流场深度学习建模与模拟方法快速发展, 正逐渐成为流体力学全新研究范式: 根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法, 直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法. 研究内容涵盖流体力学降阶模型、流动控制方程求解领域.      

皮肤组织容积脉搏波400~1000 nm光谱特性仿真研究

根据皮肤组织解剖结构特性建立了六层层状模型,并给出了皮肤组织各层的特性参数;考虑了氧合血红蛋白和还原血红蛋白的吸收特性,依据皮肤组织各层的水、血、脂肪、血氧饱和度含量以及血管大小给出了皮肤组织各层的光谱吸收系数;对不同波长散射系数做了适当简化,给出了皮肤组织各层的光谱散射系数。利用蒙特卡罗方法仿真血管组织在收缩与舒张两种状态下, 400~1 000 nm波长光在皮肤组织多层模型中的传输过程,并通过统计大量光子的分布特性,获得了皮肤组织光谱反射系数,并利用模拟所得的两种状态下的反射系数计算得到了光谱容积脉搏波幅度。仿真结果表明,当入射光强一定时,绿光的容积脉搏波幅度优于红光和蓝光。通过计算不同波长光沿皮肤组织深度方向光能流率衰减为1/e时对应的皮肤组织深度,获得了皮肤组织光谱穿透深度。结果显示,血管舒张状态下蓝光和绿光的穿透深度较小,蓝光大部分只能达到表皮层,绿光能到达微循环层,红光可直达真皮层。考虑到光在皮肤组织中传播包含了一个从收缩到舒张的动态过程,基于此,根据穿透深度定义了脉搏波信号产生深度,利用血管舒张与收缩两种不同状态下的穿透深度计算得到了光谱产生深度。结果表明,不同波长光产生深度大于其穿透深度,蓝光产生深度较浅,且其受到的血液吸收调制较小,因而其获得的脉搏信号易受噪声干扰;红光的容积脉搏波产生深度较大,但是相比于绿光其受血液吸收调制较小,且绿光产生深度足够达到真皮血管层,因而红光容积脉搏波的幅度小于绿光。上述仿真结果明确了皮肤组织部分光谱特性,为皮肤组织多光谱容积脉搏波的精确获取及其他相关研究提供了一定的理论基础。     

利用超强激光进行深度狄拉克态的可行性研究

多年以来,很多不同的理论预言了深度狄拉克态(DDL)的存在。然而,DDL的存在依然存在很大的争议,急需进行验证。随着超强激光技术的提高,可以利用超强激光把电子加速到相对论能量,也可以产生正负电子对,引发核反应等。强激光所提供的这种极端环境也为探索DDL带来新可能。本文提出一个新的探测DDL的方法,即以原子核的轨道电子俘获寿命在强激光等离子体中的变化为探针,探测DDL是否存在。计算表明,若DDL存在,轨道电子俘获寿命变化可达7个量级,从而有望在现有超强激光条件下探测DDL。     

星载海洋激光雷达最佳工作波长分析

星载激光雷达是实现海洋垂直剖面探测的有效工具,也是目前迫切需求的海洋光学遥感手段。对星载海洋激光雷达的波长参数进行评估对保证探测有效性具有重要意义。本文从探测深度和信噪比两方面分析了星载海洋激光雷达探测全球海洋的最佳波长。利用MODIS 10个波段的水体光学特性数据,估算全球海水探测深度及相应的最优波长;并根据太阳夫琅禾费暗线特性,对信号信噪比进行优化。结果表明:在探测深度方面,最优探测波长在488 nm波段的海洋占全球海洋面积的70%左右,并且全球95%以上的海域在488 nm波段的探测深度优于0.8倍的真光层深度;在信噪比方面,相对于488 nm波段,486.134 nm夫琅禾费暗线处采用0.1 nm带宽的滤光片可以将背景光强度降低70%,相应地回波信噪比整体提升了约5.0%。就全球海洋探测来说,使用486.134 nm作为探测波长可以提高探测深度,有效抑制太阳背景光,提高信噪比,因此,486.134 nm是星载海洋激光雷达的最佳工作波长。