全承载铝合金双层车车身连接结构分析

介绍了全承载铝合金双层车各大片连接和钢骨架底架结构,主要阐述在合拼时铝合金材质各大片与底架的钢骨架材料的连接方式.     

几类缠绕的染色及其染色性质

将具有6个顶点的完全非代数连接基本多面体进行拆剪,并将水平整数缠绕与拆剪后的完全非代数连接基本多面体结合,利用缠绕的染色规则,讨论并给出几类完全非代数连接缠绕的染色矩阵.     

螺栓连接大变形梁非线性振动特性的实验研究

柔性机械臂、大型可展开天线等机械结构的动作精度受运动过程中大变形几何非线性和连接处接触非线性的影响十分显著。以含螺栓连接结构的大变形梁作为研究对象，针对动力学建模和振动特性开展了实验研究，通过数值计算验证了实验发现的非线性振动特性。搭建了含螺栓连接柔性大变形梁的实验台架，开展了敲击和正弦激振的实验测试。实验结果表明，螺栓连接的柔性梁较连续梁的（无螺栓连接）模态频率降低，阻尼增加，反映出随着激励能量增大，模态频率降低的非线性模态特征。改变螺栓连接位置会显著影响结构的模态频率，其变化规律可由求解线性矩阵特征值定性反映。     

一类半线性退化抛物方程在边界控制函数作用下的近似能控性

用Kakutani不动点定理证明一类一维的半线性退化抛物方程在边界控制函数作用下的近似能控性, 其中该方程的控制函数作用在退化点x=0处, 边界条件为极限意义下的第二类边界条件, 在非退化点x=1处边界条件为齐次Dirichlet条件.     

基于随机梯度下降算法实现对环上量子游走的动态完全控制

寻找如何实现幺正量子操作是量子计算领域的基本问题，主要研究通过环上的离散时间量子游走实现任意幺正量子操作的可能.首先推广引入了特殊的环上的离散时间量子游走模型，并对模型实现任意量子操作的有效性进行了探讨.对于两量子比特的量子系统，给出了通用量子门集合与量子傅里叶变换的构造解.由于高维情况构造解较难精确给出，引入机器学习中常用的随机梯度下降算法，得以在高维系统近似实现所需要的幺正量子操作.此外，如对算法进行进一步微调，可以在位置空间上的实现任意的幺正量子操作以及两结果半正定算子测量.在高维情况下，这意味着通过控制两能级的硬币系统即可控制位置空间上大型系统，从而实现小系统对大系统的间接完全控制.这些任务的完成表明，基于随机梯度下降算法可以实现对整个环上量子游走过程的动态完全控制.     

一类含参半正二阶离散周期边值问题正解的存在性

用Guo-Krasnoselskii不动点定理给出半正二阶离散周期边值问题正解的存在性和多解性结果, 其中λ>0为参数, ［1,T］_z={1,2,…,T}, f: ［1,T］_z×［0,∞)→R连续且存在常数D>0, 使得f(t,u)≥-D, (t,u)∈［1,T］_z×［0,∞), a: ［1,T］_z→(0,∞), 02(π/2T).     

基于动态卷积的胸部X光片疾病分类算法

胸部疾病严重威胁人类健康，及时并精准地检测胸部疾病对患者的治疗与康复具有重要意义．胸部疾病经常通过胸部X光片进行诊断，但由于胸部疾病的多样性以及病理特征的复杂性，现有的胸部X光片疾病分类算法存在分类准确度较低、模型复杂度较高等问题．针对以上问题，提出一种基于动态卷积的胸部X光片疾病分类算法．将动态卷积模块加入密集连接网络，在不显著增加网络模型尺寸的前提下，增强网络对多尺度信息的特征提取能力，在提升分类准确度的同时保持高效推理；使用Meta-ACON改进ReLU(rectified linear units)激活函数，通过线性-非线性切换因子自适应地选择是否激活以及使用何种激活函数，从而增强网络的泛化能力；提出加权焦点损失函数，在焦点损失函数的基础上加入权重调整因子，使网络依据分类的难易程度为每种疾病合理分配权重，增大较难分类疾病的损失占比以提高其分类准确度，进而优化整体性能；对数据加载方式进行优化，增大批数据处理量以提升批归一化效果；在测试阶段使用测试时数据增强策略，综合分析多个维度的分类结果，提高分类的准确性与鲁棒性．在chestX-ray14数据集上的实验结果表明，在密集连接网络中...     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.     

关于一类多目标半无限规划的最优性条件

本文在(C,α,ρ,d)-凸函数的基础上,提出广义(C,α,ρ,d)_(K,θ)-凸函数的概念,并讨论涉及这类新广义凸性的一类多目标半无限规划的最优性条件。