铬对锂离子在尖晶石锂锰氧化物中嵌入行为的影响

研究了纯尖晶石锂锰氧化物和掺铬尖晶石锂锰氧化物粉末微电极的循环伏安行为,结果表明,掺铬样品循环稳定性明显增加,但它的氧化还原峰的位置发生正移,峰形宽化,两步嵌脱锂的量也由相等变为不等.由慢速循环伏安曲线(40μV/s)求出锂离子在纯尖晶石和掺铬尖晶石锂锰氧化物中嵌入自由能(ΔG)和相互作用能(U)后发现掺铬尖晶石锂锰氧化物的嵌入自由能较未掺杂的减少,而相互作用能增加;结合X-射线衍射图、恒电流放电曲线讨论了铬对锂离子在尖晶石锂锰氧化物中嵌脱行为影响机理,认为掺入Cr后,尖晶石结构保持不变,但尖晶石晶胞发生收缩,四面体中锂离子之间、锂离子与其他阳离子间的距离缩短,这导致相邻四面体中锂离子间、锂离子与其它阳离子间的相互斥力增加,锂离子嵌入过程变得更加困难,因为在嵌入过程中需要更大的能量来克服这个斥力.     

受约束系统中嵌入约束条件的矩阵方法

在对受约束系统动力学问题的研究中,对系统所受约束的处理是比较困难的,本文给出了一种适用于计算机编程、能方便地解决这类问题的方法─—矩阵法。     

考虑支撑剂嵌入和地层砂运移的支撑剂指数法

南海东部主要为疏松砂岩储层,含蜡量大,出砂严重,常采用压裂充填技术作为增产防砂一体化措施。支撑剂嵌入以及地层砂运移会对裂缝导流能力产生较大的影响,但现有裂缝设计方法没有考虑这些影响。针对这一问题,本研究提出一种考虑支撑剂嵌入和地层砂运移的支撑剂指数法,通过数值迭代求解,对裂缝几何参数进行优化设计。通过南海东部某口井实例计算发现,设定支撑剂体积为20-30m3,传统支撑剂指数法优化的裂缝宽度为2.2-2.7cm,裂缝长度为18.0-22.0m;考虑微粒运移和支撑剂嵌入时,新方法优化的裂缝宽度为3. 5-4.2cm,优化的裂缝长度为11.6-14.2m。地层砂运移和支撑剂嵌入程度越深,优化的裂缝长度有所下降,优化的裂缝宽度有所增加。新方法考虑地层砂运移、支撑剂嵌入的影响,对储层的压裂充填工艺参数设计具有一定的指导意义。     

采用迁移学习的表面肌电信号手势识别方法

为解决采用表面肌电信号(surface electromyography, sEMG)进行手势识别时电极贴片位移、受试者动作变化等复杂情况下分类识别准确率下降这一问题,提出了一种基于表面肌电信号与迁移学习的手势分类模型。首先对4通道表面肌电信号进行活动段提取与降噪处理,然后提取活动段信号的四种时域特征与两种频域特征。采用流形嵌入分布对齐(manifold embedded distribution alignment,MEDA)方法将源领域和目标领域的特征矩阵嵌入到格拉斯曼流形中进行流形特征学习,减小两域之间的数据差异,消除特征退化;同时根据自适应因子执行动态分布对齐,动态调整数据不同分布差异下边缘分布和条件分布的相对重要性。对多名受试者开展实验以验证所提方法的合理性,实验结果表明:所提方法与决策树(decision tree, DT)、支持向量机(support vector machine,SVM)、k临近(k-nearest neighbor,KNN)三种传统机器学习方法相比,识别准确率分别提高了13%、21%、9%。与未执行流形学习与动态分布对齐的联合分布适配(joint distribution adaptation,JDA)迁移学习方法相比,识别准确率提高了52%,达到93%。     

基于RLLE算法的脑力负荷分类研究

近年来,随着人工智能领域技术的不断发展,脑机接口(Brain-Computer Interface,BCI)吸引了更多学者的关注。实时监测高强度脑力工作者的脑力负荷水平并其任务做出动态调整是保护国家财产和操作人员安全的重要手段。研究表明由脑电图(Electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。传统的主成分分析（Principal Component Analysis,PCA）算法会损失部分非线性特征。局部线性嵌入（Locally Linear Embedding,LLE）是常用的非线性降维算法,但该算法对噪声的敏感性高,降维结果受参数影响较大。稳健局部线性嵌入算法RLLE（Robust Locally Linear Embedding）,在LLE优化权重矩阵时添加了正则项优化,不仅增强了模型的抗噪能力,也解决了解模型过程中可能会出现的矩阵病态和奇异性问题。该算法中的参数k在使用时经常选取较小的值以更好地捕捉数据集的局部结构,并大大减少了模型的计算时间。但脑电数据具有维数高,复杂度高的特点。选取小的k值不仅会导致模型对噪声异常敏感,也会使模型忽略重要的大邻域结构从而影响降维结果的准确性。本实验在使用该算法时,结合模型精度和计算时间选取了更合理的k值区间,使模型在保持高效的同时具有更强的抗干扰能力,并可以提供更全面的信息来描述数据集,使得嵌入结果更加准确。实验结果表明,经过RLLE降维后的数据使用支持向量机（Support Vector Machine, SVM）分类精度普遍高于经过PCA的降维方式,具有更强的抗干扰能力。     

关于有限群的π-拟正规嵌入子群

设G是有限群,称G的子群H在G中π-拟正规嵌入,如果对于H的每个素因子p,H的Sylow p-子群也是G的某个π-拟正规子群的Sylow p-子群.利用极大(小)子群的π-拟正规嵌入性,得到了如下包含超可解群类和幂零群系的饱和群系的充分条件.1)设是包含超可解群类的一个饱和群系,且N是有限群G的一个正规子群使得G/N∈.如果F*(N)的任意奇阶Sylow子群Q的所有极大子群均在NG(Q)中π-拟正规嵌入,F*(N)的Sylow 2-子群的极大子群在G中π-拟正规嵌入,则G∈.2)设是包含的一饱和群系,且H是有限群G的一个正规子群使得G/H∈.如果H的极小子群或4阶循环子群均在G中π-拟正规嵌入,则G∈.推广并加深了一些已知结果.     

离散度量空间的性质A和粗嵌入

郁国梁教授对离散度量空间引进了性质A的概念,并且证明了具有性质A的离散度量空间能够粗嵌入到可分的希尔伯特空间.离散度量空间的粗嵌入与性质A之间的关系是一个大家都非常关注的问题.通过构造一系列能够粗嵌入到可分的希尔伯特空间但不具有性质A的离散度量空间,将Nowak的构造由非平凡的有限群推广到了任意非平凡的且能bi-Lipschitz粗嵌入到l1的离散度量空间上(如有限度量空间).     

融合Word2Vec词嵌入的多核卷积神经网络音乐歌词多情感分类方法

目前,音乐歌词情感分类大多以二标签极性情感为主,多情感标签分类却很少,并且对于情感性不确定的歌词来说,得到的分类性能并不高。为了解决多情感标签研究分类的不足以及提高分类准确性,本文提出了一种利用Word2Vec词嵌入技术,并使用多核卷积神经网络作为分类器的音乐歌词多情感分类方法。该方法首先结合音乐歌词文本,进行数据预处理和可视化分析。其次利用Word2Vec词嵌入提取歌词局部特征,构建特征情感向量,挖掘歌词中情感信息,将歌词转化为更利于分类器模型输入的词向量。最后在分类器中,选用卷积神经网络模型,并在此基础上采用不同高度卷积核的方式构建新模型以此得到多情感分类。实验结果表明,音乐歌词多情感分类的结果达到94.26%,与传统CNN相比,分类精确率提高了6.86%,取得了良好性能。     

融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题,基于静息态功能磁共振数据,提出了一种融合t-分布随机邻域嵌入（t-SNE）与自动谱聚类（ASC）的人脑功能精细分区的算法.首先,基于静息态功能磁共振图像,对需功能划分的脑区与全脑的时间序列作相关分析,得到需划分脑区的功能连接模式;然后,利用t-SNE算法提取高维功能连接模式特征;最后,通过基于本征间隙的ASC算法自动确定聚类数目,并对降维后的脑区特征分类,得到精细划分的脑亚区.模拟种子区域上的实验结果表明,相较谱聚类算法,以及结合主成分分析的谱聚类算法,本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中,成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性,是脑功能精细分区、进而构建脑功能图谱的一种有效方法.     

有限群超可解性的新刻画(英文)

研究了-嵌入子群对有限群结构的影响。特别地，得到了有限群超可解性的一些新刻画，发展和推广了许多已知结论。