任务可拆分项目调度问题

经典资源受限的项目调度问题的前提之一是任务不可拆分,即每个任务只能被一次执行,中间不能停顿.但是在企业实际的项目调度中,许多任务是允许被拆分成若干次执行的.针对任务可拆分的项目调度问题提出了总项目工期最短的数学模型,该模型在任务较多、任务工期较长或时间粒度小时解空间很大,不利于精确求解.提出了一种结合邻域搜索方法的混合遗传算法求解该模型.给出了算法的编码方案、解码规则、适值函数、选择方法、交叉算子和变异算子的实现方法.最后通过算例验证了算法的有效性,列出了任务不能拆分和任务可拆分两种情况下算例最优解的甘特图.     

棱锥图若干性质的研究

锥图最早是在研究广义轮图时被提出的.目前关于锥图的国内外相关文献相对较少,而锥图的构造方法十分巧妙,其模型可以用于通讯系统模型;在几何学上,也可用于高维度锥体的研究.本文主要研究了多锥图的色数、可平面性、邻接矩阵、哈密顿性和邻接矩阵特征值(谱)等基本性质.     

Halin图的一个点强全染色法

针对Halin图的点强全染色问题,提出一个有效的染色法———逐圈着色法,而且方法给出的方案也是最优的,即用最少的颜色完成Halin图的点强全染色.同时还确定了最大顶点度是3的Halin图的点强全色数的上下界,即上界为6,下界为5.     

基于现场可编辑门阵列的数字电视码流分析与检测

提出一种基于现场可编辑门阵列的MPEG-2 TS码流实时分析与检测系统解决方案并予以实现.实验证明,系统完全可以替代目前普遍使用的Cypress公司的CY7B933专用解码芯片,完成对MPEG-2 TS码流分析与ETR 290部分功能的检测.     

超立方体三次幂的可区别数研究

根据d维超立方体p次幂结构特性,研究了其顶点间距离与海明距离的关系,给出了确定顶点坐标的充分必要条件,并对d维超立方体三次幂H3d的可区别数进行了研究.得到H3d可区别数的一个上界:D(H3d)≤5(d≥6).     

基于高性能射线跟踪的高铁车站场景5G-R网络优化技术

针对目前反复路测及人工调试方式难以实现准确高效的铁路无线网络优化要求的弊端,面向5G-Railway(5G-R)频段,在高铁车站这一典型通信场景下,通过三维场景建模和射线跟踪技术,以提升无线网络优化效率和精度为目标,研究了不同反射、散射阶数与接收功率的关系,提出了面向车站场景的反/散射阶数功率增长模型和基于散射体空间分布及多径能量特征的无线网络基站参数优化算法.研究结果表明：本文提出的模型能够支撑射线跟踪传播机理的选择,保障网络覆盖预测结果的准确性;优化算法将车站场景的网络达标覆盖率较优化前提升了8.92%,验证了算法的可行性.研究成果可为完善我国智能铁路技术提供参考.     

胶凝原油临界损伤屈服应力计算模型研究

含蜡原油管道停输再启动压力与原油结构强度密切相关。为了理论上描述胶凝原油屈服应力,以胶凝原油微元强度服从Weibull分布为基础,结合统计力学理论及重正化群模型,建立了胶凝原油临界损伤屈服应力计算模型,并利用胜利及苏丹原油在胶凝点附近不同温度条件下的屈服应力对所建立模型进行可靠性验证。结果表明：在胶凝点附近温度条件下,随着测试温度的降低原油屈服应变呈下降的趋势;在测试范围内随着油温的升高,胶凝原油屈服应力越来越小,油温与屈服应力整体呈现幂律关系;相同温度条件下,随着剪切速率的增加,胶凝原油屈服应力逐渐增大;利用所建立的胶凝原油临界损伤屈服应力计算模型对不同温度条件下胜利原油屈服应力进行拟合,该模型能较好地描述原油屈服应力,计算结果可为含蜡原油管道停输再启动提供参考。     

一类矩阵群的完全性

用与[1]不同的方法,把文[1]的结论作两方面的推广,其一是把矩阵的阶数从2推广到任意,其二是把有理数域推广到任意特征不是2的可线性化的域.     

基于EMD-PF-GRNN的短期风电功率预测研究

针对短期风电功率预测,将风电输出功率作为时间序列信号,由于其所具有波动性、非平稳性的特点,提出一种基于经验模态分解(EMD)、粒子滤波(PF)和广义回归神经网络(GRNN)的组合预测模型。首先,利用EMD对风电功率序列进行分解,获得各个相对平稳的模态分量;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用GRNN进行分析处理,其中,通过粒子群算法(PSO),根据各低离散度数据自身特点优化GRNN的平滑因数,以进一步提高其预测性能和精度;最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。结果表明,与PSO-GRNN和单一GRNN结构相比,EMD-PF-GRNN预测模型的预测误差降低了6%左右,预测精度更高,可以更好的预测风电功率。     

医学影像处理的深度学习可解释性研究进展

随着医学影像数据的迅速增长,传统的影像分析方法给医生带来巨大挑战。利用计算机视觉技术提供自动或半自动辅助诊断,可大大缓解人工阅片压力,提高诊断的准确性,促进医疗流程的标准化建设等。目前,深度学习卷积神经网络在医学影像处理中已取得不俗表现,但深度学习“黑匣子”的不可解释性阻碍了智能医疗诊断的发展。为增强对医学影像数据处理的深度学习可解释性的了解,对近几年相关研究进展进行了综述。首先,综述了深度学习在医学领域的应用现状及面临的问题,对神经网络的可解释性内涵进行了讨论;然后,从现有深度学习可解释性的常见方法出发,重点讨论了医学影像处理的深度学习可解释性研究进展;最后,探讨了医学影像处理的深度学习可解释性的发展趋势。