封闭式运动减肥对肥胖青少年体质健康的影响

对44名14～19岁肥胖青少年进行6周的封闭式饮食控制及运动,测定实验对象的身体形态、身体机能、身体素质和血液健康等指标.通过数理统计方法对实验所测得的数据进行分析.结果表明:肥胖青少年的脂肪量、体质量、体脂率都有明显的下降(P0.05);肺活量逐渐上升,身体素质指标(耐力、柔韧、50 m跑)与血液健康指标(血脂TC、甘油三酯TG、空腔胰岛素FINS)都呈非常明显改善(P0.01).封闭式运动减肥对青少年肥胖者体质健康具有良好的效能表现.     

2000年—2017年中国PM2.5污染的健康影响及经济损失时空分布模式

当今环境下，大气污染是危害人体健康的主要威胁之一，对包括PM2.5在内的细颗粒物污染造成的人群健康影响和经济损失的估算是目前研究的热点之一.该研究采用人口、PM2.5污染浓度等基础数据以及流行病学等相关领域的研究结果，将全国区域划分为5 km×5 km的精细格网，根据暴露—反应关系函数及统计生命价值法(VSL)、疾病成本法(COI)计算方法，进行2000年—2017年长时间范围内全国PM2.5污染的健康经济效应动态评估与精细化制图，并采用推土机距离(EMD)方法定量评价不同年份的健康影响及经济损失的空间分布差异性.结果显示，从空间分布格局来看，我国平均每年37.61%的区域存在PM2.5污染的健康影响及经济损失，健康影响和经济损失的分布区域表现出从东南和西北地区向西南和东北地区递减的格局.此外，华北、华中、华东三区域的健康损失平均每年占比74.21%，经济损失平均每年占比80.78%.从时间尺度来看，历年健康影响变化大致可分为两个阶段，2000年—2013年波动增长，2013年—2016年逐渐下降；历年经济损失变化则呈波动上升趋势.此外，局部地区的健康影响和经济损失的空间分布变化具有阶段性.     

基于多变量高斯过程模型的贝叶斯建模与稳健参数设计

针对模型预测偏差和波动的稳健参数设计问题,在多变量高斯过程(multivariate Gaussian process,MGP)建模的框架下,结合质量损失函数和非线性优化约束方法构建一个新的多响应优化模型.首先,利用成对估计方法获得超参数近似值,构建多变量高斯模型;其次,结合MGP模型特征,构造充分考虑响应波动因素的质量损失函数.利用蒙特卡罗模拟方法,获得响应落入指定区间的期望概率;然后,以期望概率为约束,结合本文所提质量损失函数建立优化模型;最后,利用全局优化算法进行寻优,获得考虑响应期望概率的优化结果.实际案例和软件仿真表明,该方法综合权衡了预测偏差和预测波动引起的不确定性对优化结果的影响.获得了兼顾质量损失和期望概率最优均衡解,从而实现稳健参数设计.     

基于风险可接受性的输油管道环境损失风险管理研究

针对油品管输时，由于管道失效泄漏造成环境污染这一潜在环境损失风险，需要基于风险可接受性理论进行风险决策，实现该类风险管控资源的合理分配。首先，采用失效概率—内梅罗污染指数曲线结合ALALRP原则，确定了输油管道路由环境中5种环境介质损失风险的可接受标准；然后提出了基于风险可接受性的输油管道环境损失风险缓解决策流程，并利用成本效益分析，推导了风险决策的数学模型，最终形成一整套风险管理模型。案例分析表明：所形成的风险可接受标准能更精准管控资源，对有效提高我国输油管道环境损失风险管理水平有一定意义。     

异常值和未知观测噪声鲁棒的卡尔曼滤波器

给出了对异常值和未知分布的观测噪声鲁棒的卡尔曼滤波器。分析表明当以Huber损失函数替代推导卡尔曼滤波器最大后验准则中观测误差的l₂范数时, 就构造了一个新的准则。由于Huber损失函数可同时描述l₁和l₂范数, 因此由这个新准则推导的卡尔曼滤波器, 在具有传统卡尔曼滤波器性质的同时, 也有了l₁范数对异常值鲁棒的特性。而当含异常值的观测噪声统计分布未知时, 利用含未知参数的高斯混合模型描述其分布以及变分贝叶斯推理, 提出了对异常值和未知统计分布观测噪声鲁棒的卡尔曼滤波器。仿真和实验在验证了分析结果正确的同时, 也表明提出算法的性能优于现有文献报道鲁棒类的卡尔曼滤波器。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

基于透射率优化和颜色修正的水下图像增强方法

针对光在水中传输时受到水的吸收作用、悬浮颗粒散射作用而产生严重的衰减,导致水下光学图像对比度低、颜色失真的问题,提出一种基于透射率优化和颜色修正的水下图像增强方法。根据水下光学成像模型,采用最小信息量损失原理估计透射率,结合导向滤波提高透射率的估计精度,通过逆求解水下成像模型得到清晰化的水下图像。利用直方图均衡化进一步提高图像对比度,使用白平衡方法修正颜色。实验结果表明,该方法能够有效去除由后向散射引起的模糊,提高图像对比度和清晰度,同时修正色彩不平衡。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

弱电网下模型预测并网逆变器控制策略

针对有限控制集模型预测控制系统在弱电网并网时存在电网阻抗无法忽略、电网电压突变、系统有延时、电流跟踪精度低的问题,提出了利用参考电流矢量角补偿的方法加以开关权重系数约束方式。首先搭建传统三相并网逆变器有限控制集模型预测电流控制模型;其次运用参考电流矢量角补偿方法,对预测电流参考值存在误差进行补偿来弥补因电网阻抗与系统电流波动产生的误差,并加入开关函数优化权重系数,使得系统具备两目标兼顾优化的特点,同时在电网电压发生突变时,系统符合并网要求,动态电流跟踪精度准确;最后通过Matlab/Simulink仿真验证了方法的合理性以及有效性。