中山站前沿固定冰破冰方案及船舶操纵方法

为了向“雪龙号”提供一条可行的卸货用航行水道，中国第一艘自主建造的破冰船“雪龙2号”急需在南极大陆的中山站前沿复杂的固定冰中制订一条破冰路线。在“雪龙号”过去多年积累数据和经验基础之上，通过详细分析破冰水域的航行环境、固定冰区当年冰情、最新气象辅助资料以及可用的先进设备，制订一条破冰计划路线。采用首尾破冰、进退速度控制、预留距离控制以及操纵船舶辅助破冰等方法，顺利完成破冰开路任务。实际破冰结果证明，计划路线既绕开了危险的冰裂缝和冰山，也为“雪龙号”节省大量的卸货时间。总结“雪龙2号“在固定冰中的破冰能力，指出相应的困难和急需解决的问题；为我国破冰船在极区常态化航行、冰区航行的船舶驾驶员、按极地规则要求进行的冰区航行培训以及相应的业务模拟提供参考。     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据，设计基于数据复杂度的纠错输出编码（ECOC）多分类算法。该算法利用数据复杂度降低多类之间的分类难度，从而提高算法的预测准确度。实验结果表明，在不同高校的慕课数据集的测试中，所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性，实现了学生学习成绩多等级的有效预测，为个性化教学奠定了基础。     

两个新的q级数展开式

利用拉马努金西塔函数，建立两个新无穷乘积系数子列的生成函数，并且得到这两个无穷乘积系数的符号是以5为周期的。     

一类中立型Cohen-Grossberg神经网络的概周期解

研究一类具有混合时滞的中立型Cohen-Grossberg神经网络。通过建立线性辅助方程， 得到该神经网络存在唯一的概周期解的新结果，同时也给出此概周期解的存在范围。     

一类变指数退化抛物方程的解

考虑如下的变指数退化抛物方程解的适定性问题。利用抛物正则化方法证明了解的存在性。对检验函数适当选取，证明了解的唯一性。在边界上，扩散系数b(x,t)=0，解的唯一性可以不依赖于边界条件。     

隧道爆破力学模型相似材料配比的正交试验

以砂岩作为模拟对象,研究满足隧道爆破力学模型试验要求的相似材料配比问题.基于正交试验法,选取石英砂、重晶石粉、石膏、水泥和水为相似材料,设置以石英砂/固体、水泥/石膏、重晶石粉/(重晶石粉+石英砂)的质量比为3个因素,每个因素3个水平,共9组配比的正交试验方案.通过室内试验,得到相似材料的密度、单轴抗压强度、弹性模量和声波波速的实测数据.试验结果表明:相似材料的物理力学参数分布范围较广,可满足不同隧道模型试验对相似材料的配比要求.利用极差敏感分析法分析各因素对相似材料参数的敏感性,并通过各因素对相似材料参数影响的直观分析图,分析各因素对相似材料物理力学参数的影响规律.对试验数据进行多元线性回归分析和室内试验,发现最优配合比下的相似材料与原型砂岩的单轴应力-应变曲线具有相似的脆性破坏特征;相似材料物理力学参数的设计值和实测值误差较小.     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

内部控制对公司价值的影响——基于关联交易的中介效应检验

以2010—2017年沪深两市上市公司为样本，基于关联交易视角，采用中介效应检验方法，从对外关联担保、对外提供资金和非公允关联购销3个角度，系统考察内部控制对公司价值的影响及影响机理。研究结果表明:健全的内部控制能显著提升公司价值，良好的内部控制能够抑制对外关联担保，进而提高公司价值，内部控制对外提供资金和非公允关联购销对公司价值没有显著影响；内部控制主要通过抑制关联担保提升公司价值；内部控制对公司价值的影响不随监管强度、市场化程度和产权性质的变化而变化；内部控制对关联担保的抑制作用，仅在内部控制建设监管较严时、市场化程度较高的地区存在。     

预训练模型下航天情报实体识别方法

为了快速处理航天情报,基于数据驱动的深度学习技术,提出融合多源异构知识标注中文航天情报数据集的方法流程,以及基于预训练(pre-training)模型的航天情报实体识别(AIER)方法;通过对航天情报进行命名实体识别,达到对航天情报进行信息抽取的目的.通过融合BERT(bidirectional encoder representation from transformers)预训练模型和条件随机场(CRF)模型构建AIER模型(BERT-CRF模型),将其与隐马尔可夫模型(HMM)、条件随机场(CRF)模型、双向长短期记忆网络加条件随机场(BiLSTM-CRF)模型进行实体识别对比实验.结果表明:基于预训练模型的AIER模型能够取得93.68%的准确率、97.56%的召回率和95.58%的F₁值;相比于其他方法,基于预训练模型方法的性能得到提高.