剩余半坡

本文提出半坡(p,+,·),在半坡上引进算子“∝”,“■”,得到的代数系统(p,+,·,∝,■)称为剩余半坡,本文给出剩余半坡p的一些基本性质,且证明了(Mn(p),+,·)是剩余半坡。     

关于多元Gauss—Weierstrass算子的一致逼近

本文利用一类 K—泛函和光滑模的等价性给出了二元 Gauss—weierstrass 算子在一致逼近意义的正定理、逆空理和特征性。     

某些椭圆算子基本解之间的关系

本文在适当的假设下.给出了某些变系数椭圆算子基本解间的一些关系.可用来研究一些椭圆算子解的性质.     

Szász-Mirakyan算子对不连续函数的逼近研究

研究用szász-Mirakyan算子S_n(f, x)逼近在(0,+∞)上具有第一类间断点的有界函数了,给出了收敛速度的估计。     

广义Baskakov算子及导数的正逆定理

给出了广义Baskakov算子的点态正逆定理,并研究了广义Baskakov算子导数与所逼近函数光滑性之间的关系.     

|x|在扩展的Chebyshev结点的有理插值

研究|x|在扩展的Chebyshev结点的有理插值,得到逼近阶为O(1/(nln n)).通过数值计算发现相同逼近阶的误差与结点的密集度、结点所在曲线的凹凸性有关.     

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

等衰落轨道角动量索引调制系统的信道容量性能分析

射频轨道角动量(orbital angular momentum,OAM)提供了一种可以在同一载波频率物理信道上复用一组正交模式以提高信道容量的方法。现有研究大多专注于信道容量提升,对系统复杂度的研究相对较少。在基于均匀圆形阵列(uniform circular array,UCA)的OAM通信系统中,发射机需要完成大量调制运算以生成OAM信号。于是,提出了一种等衰落轨道角动量索引调制(equal fading orbital angular momentum index modulation,EOAM-IM)方案,其中,IM有效降低了OAM调制运算复杂度,且等衰落发射机也保证了不同模式OAM子信道传输增益。此外,还详细推导了所提EOAM-IM方案的系统信道容量。仿真结果表明,所提EOAM-IM方案能以更低的调制复杂度获得比传统OAM方案更高的信道容量。     

中心损失与Softmax损失联合监督下的人脸识别

深度学习在人脸识别领域已经取得了巨大的成就,针对当前大多数卷积神经网络采用Softmax损失函数进行特征分类,增加新的类别样本会减小类间距离的增长趋势,影响网络对特征判别的问题,采用了一种基于中心损失与Softmax损失联合监督的人脸识别算法,来提高网络对特征的识别能力。在Softmax基础上,首先,分别对训练集每个类别在特征空间维护一个类中心,训练过程新增加样本时,网络会约束样本的分类中心距离,从而兼顾了类内聚合与类间分离。其次,引入动量概念,在分类中心更新的时候,通过保留之前的更新方向,同时利用当前批次的梯度微调最终的更新方向,该方法可以在一定程度上增加稳定性,提高网络的学习效率。最后,在人脸识别基准库LFW上的测试实验证明:所提的联合监督算法,在较小的网络训练集上,获得了99.31%的人脸识别精度。