最大距离预测法在超长时间细胞序列图像跟踪中的应用

细胞活性是人类健康的重要指标。根据世界卫生组织(WHO)人类细胞活性检查与处理实验室手册第5版的要求,对细胞序列图像进行超长时间跟踪可以更精确地分析出细胞的活性。根据细胞运动目标的特点,提出一种基于小窗口的最大距离预测法应用于超长时间细胞序列图像的跟踪。跟踪细胞在每一帧的轨迹点,然后把这些轨迹点坐标连在一起就是细胞的运动轨迹。试验结果表明:该方法可以快速、准确、稳定地实时跟踪细胞。     

图构形的(φ)3不变量

超平面构形的φ3不变量是一个很重要的拓扑不变量,Falk给出了一个计算φ3不变量的一般公式,并提出了对φ3不变量进行组合学描述的问题。本文证明了图构形的φ3不变量等于对应的图中3个顶点的团和4个顶点的团的个数之和的两倍。对图构形回答了Falk的问题。最后利用所得结论在化学聚合物的拓扑分类方面进行了一些初步应用,计算了一些化学聚合物拓扑结构的φ3不变量。     

α-混合序列生成的平稳线性过程矩完全收敛性的精确渐近性

利用α-混合序列的矩不等式及α-混合序列生成的平稳线性过程部分和的渐近分布,得到α-混合序列生成的平稳线性过程部分和的矩完全收敛性的精确渐近性.     

渐近伪压缩型映象迭代序列的强收敛定理

在没有任何有界条件下建立了渐近伪压缩型映象带混合型误差修改的Ishikawa和Mann迭代序列收敛到不动点的充要条件,所得结果本质推广和改进了有关文献中的相关结果.     

关于不定方程组x±1=6pqu~2,x~2■x+1=3υ~2的整数解

设p,q是互异的奇素数,p≡q≡1(mod 6),利用递归序列、Pell方程的解的性质、Maple小程序等方法证明了不定方程组x-1=6pqu2,x2+x+1=3v2仅有平凡解(x,u,v)=(1,0,±1);而不定方程组x+1=6pqu2,x2-x+1=3v2仅有平凡解(x,u,v)=(-1,0,±1).     

川东北元坝地区飞仙关组碳酸盐岩的岩石类型及成岩作用

川东北元坝地区飞仙关组具有良好的勘探开发前景。利用铸体薄片、普通薄片、能谱扫描电镜和电子探针等技术手段,研究飞仙关组碳酸盐岩岩石特征及成岩作用。研究表明飞仙关组发育的灰岩可以划分为微晶灰岩、藻灰岩和颗粒灰岩,其中微晶灰岩和颗粒灰岩又分别细分为5个小类和4个小类;白云岩包括微晶白云岩、膏化微晶白云岩和粪球粒微晶白云岩,但以微晶白云岩为主。飞仙关组成岩作用主要有泥晶化、压实-压溶、胶结、重结晶、交代、白云石化、溶蚀、充填和破裂等作用,其中胶结作用可分为3期,溶蚀作用也可分为3期。建立了重要储层段飞二段的成岩序列,结果表明成岩作用中充填作用最强,胶结作用和压实-压溶作用次之,泥晶化、溶蚀、重结晶及破裂作用较弱,白云石化作用最弱。胶结作用和充填作用是飞二段储集性变差的主要原因,但倘若局部地区受到较强的建设性成岩作用改造,如热液白云石化、破裂作用等,就易形成较好的储集空间。     

SUMT法在传动轴优化设计中的应用

惩罚函数(SUMT)法将一个约束优化问题转化为一系列无约束优化问题来求解,数值稳定性好,求解范围广。将其应用到某型号空心传动轴的重量最小化设计,以其各项使用性能和尺寸要求为约束条件,采用内点罚函数法建立优化设计的数学模型,通过迭代得到最优设计参数。结果表明：SUMT法收敛快、精度高,是求解机械优化设计问题的高效算法。     

基于m序列和扰乱技术的数据通信的加密和解密

为了保证信息传输的安全性,往往在数据通信的信道编码中进行加密处理,在收方进行解密处理.利用m序列和扰乱技术讨论两种加、解密方法.通过实验证明,这两种方法都具有安全、经济、实用等优点.     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.