对一个不等式的简证及探究

文[1]给出并证明了如下不等式： 若a，b，c是正数，且a＋b＋c=1，则有： （1/b＋c -a）（1/c＋a -b）（1/a＋b -c）≥（7/6）^3     

基于Cache优化的大点数FFT在TS201上的实现

该文针对现有大点数快速傅里叶变换(FFT)在TS201处理器上的实现没有充分考虑Cache丢失对执行效率影响的问题,提出了改进型 Winograd 算法的实现方法。该改进型方法通过优化行列读取方法,最大程度利用Cache的读写特点,避免了三次显性转置;并通过重构蝶形运算,隐藏了乘铰链因子。实例测试与现有处理方法对比结果表明,Cache优化的大点数FFT执行速度有了明显提高,可用于雷达处理系统中的脉冲压缩的快速实现。     

对一个不等式的简证及探究

文[1]给出并证明了如下不等式:若a,b,c是正数,且a b c=1,则有:(1/(b c)-a)(1/(c a)-b)(1/(a b)-c)≥(7/6)3(1)当且仅当a=b=c=13时,不等式(1)取等号.文[1]的证明方法虽然精妙,但过程繁琐且不宜推广,现给出不等式(1)的一种简单证法.证明由a b c=1可得a=1-(b c),b=1-(a c),c=1-(a b),故不等式(1)等价于(1b c b c-1)(1c a c a-1)(1a b a b-1)≥(76)3(2)令f(x)=ln(1x x-1),00,故f(x)为(0,1)上的下凸函数,从而由Jensen不等式,有f(b c)…     

深度学习下的散射成像:物理与数据联合建模优化（特邀）

为了利用被散射的光信号实现成像，越来越多的散射成像方法被提出。其中深度学习以其强大的数据表征和信息提取能力在散射成像领域发挥着重要的作用。相较于传统散射成像方法，基于深度学习的散射成像方法在成像速度、质量、信息维度等方面都有着巨大的优势。但是，模型训练、模型泛化等问题也制约着该方法的发展。因此，越来越多的研究将物理过程与基于数据驱动的方法进行联合建模，利用物理先验指导神经网络优化。相较于单纯的数据驱动方法而言，物理-数据联合建模的方法对数据量、神经网络参数量的依赖程度大大降低，在保证成像质量的前提下有效降低数据获取难度及对实验环境的要求。联合建模优化的方式实现了介质、目标类型等散射成像中关键节点的泛化。同时在训练过程方面，实现了从有监督到半监督再到无监督的训练优化过程迭代，不同模型和监督方式的提出大大提升了基于深度学习方法的训练效率，在降低对硬件和时间成本的同时，提升了基于深度学习的散射成像方法在非实验室场景应用的可能性。     

超薄荫罩式等离子体显示屏的工艺研究

超薄荫罩式等离子体显示屏(Plasma Display Panel,PDP)相对于传统荫罩式PDP(SMPDP),采用极薄的D263T玻璃作为前后基板,且该基板玻璃可充当介质层,因此超薄荫罩式PDP重量轻,体型薄.但由于基板玻璃非常薄,使得封接难度增大.为了验证超薄SMPDP制备的可行性及提高其封接成功率,有必要对超薄SMPDP制备工艺进行深入研究.基于超薄SMPDP的结构特点,重点关注它与普通SMPDP不同的工艺处理,如荫罩处理工艺、封接固定装置设计、封接框制作工艺、封接温度曲线等方面的研究.实验结果表明,经过上述工艺改进后,超薄SMPDP的封接成功率接近80%.