纹理映射技术算法综述

纹理映射技术随计算机技术的发展,经历了二维纹理映射到三维纹理映射,再到过程纹理映射的一个过程。在这个过程中,纹理映射算法层出不穷,各有优劣。通过系统地总结纹理映射技术的发展历史和纹理映射发展历史中的几种经典算法,从应用的角度给出了纹理映射技术的各种常用算法,并比较其中几种算法的优劣。     

蒙特卡罗方法研究层状含集团权重伊辛模型相变

三维Ising模型是统计力学中的一个非常重要的模型，在描述三维Ising模型的配分函数中引入集团权重因子n可以得到新的临界指数和普适类，但人们尚不清楚集团权重因子对其他晶格结构中的Ising模型的影响。本文尝试研究另外一种几何结构，层状含集团权重Ising模型，通过将着色算法和Swendsen-Wang算法相结合给出高效的集团演化方法，计算出的磁化强度m、磁化率χ、比热C_v和宾德累积量Q，并拟合出临界指数y_t和y_m以及其它指数α,β,γ,δη，υ。由于拓扑结构不同，尽管双层模型在n=1.5时也是一级相变，但临界指数与三维模型有所差别，表明两者属于不同的普适类。n=3时，能量直方图的双峰结构和磁滞回线表明双层模型发生一级相变，和三维晶格的结论一致。此外，本文发现了之前工作尚未注意到的现象，n≥3时，系统发生的是铁磁到反铁磁之间的几何相变。本文的结果对于理解统计力学自旋模型有一定的促进作用。     

采用压缩感知和GM(1,1)的无线传感器网络异常检测方法

针对当前无线传感器网络(WSNs)异常检测算法的检测准确率较低同时影响网络能耗均衡的问题,提出了一种基于改进压缩感知(CS)重构算法和智能优化GM(1,1)的WSNs异常检测方法。首先,通过建立双层异质WSNs异常检测模型,并采用压缩感知技术对上层观测节点收集到的下层检测节点温度测量数据进行处理,同时结合温度数据稀疏度未知特点,构造有效的稀疏矩阵和测量矩阵,并重新定义测量矩阵正交变换预处理策略,使得CS观测字典满足约束等距(RIP)条件;其次,重新定义了离散蜘蛛编码方式,蜘蛛种群不断协同进化,以获得稀疏结果中非零元素的位置信息,利用最小二乘法得到非零元素的幅度信息,实现了对未知数量检测节点数据的精确重构。在此基础上可以由蜘蛛种群迭代进化得到优化后GM(1,1)的参数序列,通过检测参数序列的相关阈值来判定节点是否发生异常。实验仿真结果表明,与OMP-IGM等异常检测方法相比,该方法的异常检测准确率提高了约7%~33%,网络能耗降低了约18%~43%。     

求解分布式并行机调度的新型帝国竞争算法

提出一种求解异构工厂分布式并行机调度问题(DPMSP)的新型帝国竞争算法(ICA),以最小化最大完成时间作为优化目标.首先,将DPMSP的优化简化为对工厂分配子问题的求解,提出相应的编码方案并采用最大处理时间规则解码;然后,采用基于加工速度的概率分配方法构建初始种群,引入殖民国家同化以加强对优秀个体的搜索并在革命中运用基于工件-工速积的新型插入算子以改善解的质量;最后进行大量数值实验.计算结果表明该新型ICA在分布式并行机调度问题求解方面具有较强的搜索优势和较好的稳定性.     

一种任意起始位姿的连续曲率泊车路径在线规划方法

针对目前泊车路径规划算法对起始位姿要求严格，且难以兼顾最终位姿精度、路径质量及计算效率等问题，提出了一种任意起始位姿的连续曲率路径在线规划方法。该方法将整个泊车路径规划分为库位内调整与入库过程两部分。库位内调整采用以最终位姿高精度与调整次数最少为目标函数的最优化方法进行逐段规划；入库过程采用连续曲率曲线组用于混合A*算法的状态节点扩展以直接生成无需后处理的可执行路径。设计考虑路径的曲率变化与方向改变次数的估价函数；采用由路径几何形状特征点构建特征多边形的碰撞检测方法以提高计算效率。离线仿真与实车试验结果验证了该方法的有效性。     

考虑产品特征属性的替代性需求预测方法

随着电商销售业务的高速发展, 对用户需求进行快速准确预测已成为重要的研究方向. 产品间的替代性对需求有一定影响作用, 且此方面的应用研究在不断深入. 为了提升需求预测精度, 基于畅销预测属性值排序, 利用邻近替代率估计方法, 并结合 Adaboost 预测模型, 构建出一种更优的考虑产品特征属性的替代性需求预测方法, 并通过实验证明该方法行之有效.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于LR-IV模型的滑坡敏感性评价

滑坡敏感性评价是滑坡防治中的重要一环.针对信息量模型(Ⅳ)中各影响因子等权以及逻辑回归模型(LR)中因子难以量化的问题,将逻辑回归模型(LR)与信息量模型(Ⅳ)进行耦合,构建LR-Ⅳ模型,并将逻辑回归模型及信息量模型作为对照,以湖北省为例,进行了滑坡敏感性评价.选取工程岩组、地震烈度、水系距离、构造线距离、地貌、降雨面、坡度等七个因子,结合GIS的栅格分析方法,计算各区域滑坡敏感性指数,得到湖北省滑坡敏感性区划图.将历史滑坡数据随机分为70%的训练数据与30%的验证数据,通过受试者工作特征曲线来比较各个模型之间的性能.在成功率上,LR-Ⅳ模型(91.3%)与逻辑回归模型(91.5%)、信息量模型(90.3%)相差不大,都具有极高的成功率,但在预测率上,LR-Ⅳ模型(75.7%)远胜于逻辑回归模型(65.8%),略强于信息量模型(74.9%).研究结果表明,LR-Ⅳ模型表现优异,可用于滑坡敏感性评价.     

科普宁：苏联科学认识论和科学逻辑的拓荒者

2022年是苏联著名科学哲学家科普宁诞辰100周年。科普宁是马克思主义传统的科学哲学家和逻辑学家，科学哲学“基辅学派”的创始人，他关于科学认识论和科学逻辑的研究成为苏联哲学中最富有创造性的成果之一。科普宁是坚定的认识论主义者，反对哲学是关于“整个世界”的科学；他促进了苏联科学哲学从本体论向认识论的转向，指出科学研究就是科学认识的过程，即感性与理性、经验与理论、知性与理性的辩证统一；他坚持辩证法、逻辑和认识论“三者一致”的思想，创造性地提出了“科学研究的逻辑”和“观念”的范畴，与波普尔的“科学发现的逻辑”和库恩的“范式”概念相得益彰。在任何艰险的环境之下始终坚持独立思考而不是随波逐流，是科普宁留给我们最宝贵的哲学遗产。     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.