等Randi(c)能量的随机六角系统生成算法

六角系统是一个2-连通的平面图且其内部面是由单位长度为1的正六边形结合而成.设计算法生成由一个正六边形随机扩展出包含 n(n≥1)个正六边形的六角系统图,并计算其规范拉普拉斯矩阵及其 量,同时给出该六角系统图的确切图形.最后利用并行算法生成一系列点数相等的六角系统图,寻找等Randi?能量的非同构六角系统图.     

融合门控机制的远程监督关系抽取方法

提出一种融合门控机制的远程监督关系抽取方法。首先在词级别上自动选择正相关特征, 过滤与关系标签无关的词级别噪声; 然后在门控机制内引入软标签的思想, 弱化硬标签对噪声过滤的影响; 最后结合句子级别的噪声过滤, 提升模型的整体性能。在公开数据集上的实验结果表明, 相对于句子级别噪声过滤方法, 所提方法的性能有显著提高。     

计算Ulam映射高阶关联函数计算的数论方法

为计算logistic映射的高阶关联函数，本文提出了一个包含定义、引理及定理的数论方法，该方法的层次性结构有助于通过逐级求解丢番图方程来简化计算. 作为应用，本文计算了映射的前5阶关联函数. 6阶以上的关联函数也可以通过该方法直接算得.     

论《海国图志》地理术语译名的民族化

《海国图志》译介了大量西方近代地理学术语,这些术语的译名在音节、构词法和文化蕴含等方面呈现出典型的民族化倾向。就西方地理学术语汉译的命名而言,《海国图志》的译名倾向于沿用传统地理学术语,或以词缀法新造术语。作为近代地理知识的载体,这些民族化的术语有利于西方近代地理学知识在中国社会的接受和普及,也促进了中国传统地理学的近代化转型。     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法，通常采用先特征提取、再进行目标分类的两步识别算法，这种算法存在识别率难以提高和方法泛化性不足的问题，对此，提出一种增强条件生成对抗网络（strengthening condition generative adversarial network，SCGAN）+卷积神经网络（convolutional neural network，CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征，无需特征提取，实现对目标的一步识别。为进一步提高小样本条件下的识别效果，基于CGAN理论来提高样本在特征空间的覆盖程度，并对CGAN的判别器进行改进，在损失函数中增加混叠惩戒项，通过SCGAN生成不混叠的生成样本来更好地训练CNN，提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性，以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

双属性概率图优化的无人机集群协同目标搜索

为了提高不确定环境下无人机（unmanned aerial vehicle，UAV）对目标捕获能力，进而提高多UAV协同搜索效率，提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm，ICEGA）的多UAV协同目标搜索方法。首先，根据环境的先验信息，在原概率图基础上引入标志位，建立基于双属性矩阵的待搜索环境概率模型，提高环境和目标的信息感知准确度；其次，定义UAV的飞行规则并结合目标先验概率图信息，建立UAV运动模型及确定最大收益的目标函数；最后，建立分布式UAV之间的信息交互模型，运用ICEGA算法优化产生最优协同决策输入航向角集合，在线实时滚动优化产生最优协同路径。实验结果表明，基于双属性概率图结合ICEGA算法更能够保证最优路径的产生，使得UAV能够准确地搜索到目标；同时，对比仿真验证了ICEGA算法能够提高UAV之间的协同性，保证了路径可行性及提高了目标搜索效率。     

基于BP神经网络的FRP筋与混凝土界面黏结强度预测

纤维筋增强混凝土材料的界面黏结强度是评价其力学性能的重要指标之一.基于现有文献中的试验数据,建立了292组FRP筋混凝土拉拔试验的数据库,利用人工神经网络对FRP筋与混凝土之间的黏结强度进行预测.数据库被随机分成两个数据集,其中242组数据用于训练,50组数据用于仿真预测.利用反向传播算法训练了一个3层人工神经网络模型,该模型的输入层包括7个参数:FRP筋类型、表面形式、FRP筋直径、锚固长度、破坏模式、混凝土抗压强度和归一化的混凝土保护层厚度.输出层为FRP筋与混凝土界面黏结强度.结果表明,BP神经网络模型具有良好的预测和泛化能力,预测误差较小.该方法能够综合考虑众多FRP筋与混凝土界面黏结强度的影响因素,给出精确的预测结果.     

基于图注意力网络的案件罪名预测方法:CP-GAT

案件罪名预测任务是基于文本数据去预测案件所属罪名.针对现有方法在相似罪名和长尾数据集上表现不佳的问题，提出了一种基于图注意力网络的案件罪名预测方法CP-GAT(charge prediction based on graph attention network).该方法首先使用司法文书数据集中的案例事件描述文本和案例对应的法条信息建立异质图结构数据，构建后的异质图包含两种类型的节点(词节点、案例节点)，两种类型的边(词节点与词节点相连的边，词节点与案例节点相连的边).在基于法律文本构建后的异质图上使用图注意力网络进行图特征提取，最后将得到的特征向量输入到罪名预测的分类器中，得到案例所属的罪名.在CAIL2018法律数据集上的实验结果表明，基于图注意力网络的罪名预测方法优于对比实验使用的方法，准确率和宏观F1值分别达到了95.2%和66.1，验证了提出的方法有利于提升案件罪名预测任务的性能.