复相角神经网络模型的存储容量分析

建立和讨论多态人工神经网络模型,在图象自动识别中具有重要的应用意义。Noest提出了用复平面单位圆上的等距的q个离散点表示q值象点的q态神经网络模型。复相角模型把平面转动引入神经网络,每个神经元的任一个态表示一个转动操作。加权后的总输入信号实际上也     

四氢叶酸辅酶模型化合物合成及其甲基取代的—碳单元转移反应

四氢叶酸(Tetrahydrofolate,简写为THF)辅酶是处于不同氧化态的一碳单元的生物载体.对THF辅酶模型化合物的研究,可为一些具有应用前景的一碳单元转移反应提供有价值的一碳载体.我们选择咪唑啉盐3a,b作为取代的甲酸态THF模     

神经网络计算机的应用

当前,一门新的"神经工程学"正在勃然兴起.许多杰出的科学家和工程师,以及国家科技、军、政部门,均对神经网络寄予厚望.发达国家纷纷投入巨大的人力、财力,用以开展神经网络的基础理论研究,开发神经网络计算机产业.国内一些科研机构和高等院校,也开始行动起来,试图应用神经网络信息处理的原理和方法,来解决一些具体的工程问题,解决智能计算机的设计问题.国家自然科学基金会已经把神经网络的原理和应用研究列为重点课题.神经网络理论,从本质上讲,是从神经生理学和心理物理学研究成果出发,应用数学方法,描述具有大脑风格的信息处理机的本质和能力.它涉及物理学、复杂系统,涉及计算机科学、人工智能、知识工程、机器人学.不言而喻,这是一门新兴的边缘性交叉学科.本刊曾在1989年第7期介绍过神经网络研究和神经计算机研制的概况,引起了读者广泛的兴趣.现再发表"神经网络计算机的应用"、"并行分布处理的理论框架"(下期发表)等两篇文章,以进一步满足读者的需要.     

溶剂影响锌铜卟啉的光物理性质

用稳态和时间分辨光谱对四苯基卟啉、四甲基苯基卟啉、邻二氯苯基卟啉的锌、铜的络合物进行了表征. 铜邻二氯苯基卟啉在极性溶剂中吸收光谱蓝移, 并且产生一个新的电荷转移(CT)态的吸收带. CT态的荧光发射位于650 nm, 荧光寿命为8.4 ns. 反常荧光产生的原因是按照Marcus电子转移理论, 极性溶剂有利于增加溶剂外部重组能, 从而降低电子转移过程的活化能. 此外, 邻二氯苯基铜卟啉中的卤素原子的存在产生重原子效应, 从而增加了其三线态的寿命. 导致其三线态向CT态跃迁的几率变大. 其他的影响因素如氢键、极性、轴配位的影响等因素被排除.     

基于磁电复合材料的四态存储器

四态存储器是一种能够在一个存储单元内记录四种信息状态的新型存储器. 采用磁电复合材料Co/PZT制作了一个四态存储器的存储单元原型, 该存储单元的磁电输出信号随外磁场变化存在明显的滞回现象. 根据磁电滞回现象, 提出了施加偏置磁场的读取原理, 实际测试结果给出了区别明显的15.8 μV, -4.4 μV, 5.5 μV, -11.3 μV四种信号, 初步演示了磁电复合材料用作四态存储器的可行性.     

稻田土壤镉的表面络合模型及其生物有效性验证

中国南方分布的稻田土壤以酸性可变电荷土壤为主(pH 6.5).重金属Cd作为重要污染物,其生物有效性在酸性条件下相对较高,因此,研究可变电荷稻田土壤中Cd的吸附特征并建立模型准确评价Cd的生物有效性具有重要意义.本研究通过测试不同p H下的稻田土壤Cd吸附曲线,建立了表面络合模型(SCM),模拟Cd的吸附行为;并且采用田间实验的稻米Cd累积量,对SCM预测的有效态Cd进行验证. Cd的吸附实验表明,随pH升高Cd的吸附量升高,至pH 5.5时Cd以吸附态为主.利用电位滴定实验和不同pH下Cd的吸附实验,建立了Cd吸附的1-site/2-p K表面络合模型,该模型能够很好地拟合Cd在可变电荷土壤中随p H变化的吸附特征.水稻田间实验数据表明,酸性(pH 5.5)稻田土壤pH与水稻籽粒Cd呈显著负相关(P 0.05),因为p H决定的吸附平衡是影响有效态Cd含量的关键;采用连续提取法获得的Cd形态(1 mol L-1MgCl2提取的可交换态和1 mol L-1NaOAc/HOAc提取的碳酸盐结合态)与水稻籽粒Cd含量无显著相关(P 0.05);而采用模型预测的溶解态Cd与水稻籽粒Cd含量极显著相关(P 0.01),说明本模型预测的有效态Cd明显优于连续提取法.因此,应用SCM模型,可以更为准确地预测稻田土壤有效态Cd及其Cd在土壤-水界面的形态分配,为Cd的生物有效性评估提供新的思路.     

相互作用玻色子模型和原子核的集体运动

有马朗人是国际上第一流的核物理学家,现任日本物理学会理事长。作者等人倡导的原子核相互作用玻色子模型是继五十年代玻尔-莫特逊模型后的一个新的里程碑,在国际上现已成为一个较新的学派.作者特为本刊撰写的《相互作用玻色子模型和原子核的集体运动》一文的主要内容是:用相互作用玻色子模型讨论原子核四极集体运动;这一模型成功地解释了低的集体态的性质;说明相互作用玻色子模型有四个极限等。     

COMPASS导航卫星高精度轨道预报及误差控制技术

针对COMPASS各类型导航卫星的轨道预报精度随时间推移衰减较快问题,提出了基于神经网络模型的卫星轨道预报技术.该技术避开了精化动力学模型的困难,尝试从轨道预报误差的规律中寻找突破,利用神经网络作为建立预报模型的工具,将某历史时刻的轨道预报误差作为训练样本,利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度.针对利用神经网络模型得到的预报轨道精度偶尔会出现低于动力学模型的预报精度这一现象,提出了基于反向重叠弧段比较法的轨道预报误差控制技术.利用实测数据进行实验分析,结果表明,采用神经网络模型补偿预报轨道误差时,不同卫星在不同初始时刻下的改进效果不同.预报8,15和30天导航卫星的轨道改进率分别为80%,77.77%和85%.针对改进失败的现象,利用本文提出的预报误差控制方法,失败率从30%降低到5%以内,而未消除的5%失败率所对应的预报轨道精度与动力学模型的预报轨道精度相当.     

地球自转速率变化的实时快速预报

地球自转速率变化的实时快速预报具有重要的科学意义和实际应用价值. 然而由于地球自转速率复杂变化(或日长变化)的时变特性, 传统的线性时间序列分析方法往往难以取得良好的预报效果. 采用非线性的人工神经网络技术预报日长变化, 网络的拓扑结构由最小均方误差法确定. 考虑到日长变化与大气环流运动间的密切联系, 在神经网络预报模型中首次引入轴向大气角动量的实时预报值, 进行日长变化1~5 d的实时快速预报. 结果表明, 联合日长变化序列和大气角动量预报序列的神经网络模型, 比起单独采用日长变化资料的模型, 预报精度得到显著的提高.     

基于贝叶斯估计的神经信息流

判断神经网络之间的相互影响是一个重要的神经科学问题. 目前已提出了多种成熟的方法计算神经网络之间的耦合强度, 但是对于神经网络之间耦合方向(信息流)的研究还属于起步阶段. 一般的香农熵计算方法仅仅利用了样本重复概率的统计信息, 而贝叶斯估计则充分利用了整体先验知识和样本重复概率. 基于最小平方误差的贝叶斯估计提出了一种新的基于信息论的相位耦合方向指数计算方法. 经过集总参数神经网络模型所产生的仿真信号检验表明, 提出的方法能够准确地判断两个系统间的耦合方向, 并且减少了对数据长度的依赖性, 使分析短时高噪的复杂生物信号成为可能. 应用该新方法分析了癫痫病人临床信号, 结果表明该方法能判断出癫痫发作时各区域之间的影响方向, 并揭示了癫痫传播机制.     

核态池沸腾传热现象中的重力标度规律

沸腾过程极强的热传递能力使其在地面常重力环境和空间微重力环境都有着广泛应用.重力是影响沸腾传热性能的重要因素,关于重力影响规律的研究对相关空间应用具有重要意义.本文回顾了有关核态池沸腾传热重力标度规律的研究现状和进展,特别对基于地基短时失重飞机准稳态沸腾实验结果提出的Raj-Kim-McQuillen重力标度律模型(RKM模型)进行了详细评述,讨论了其中关于核态池沸腾曲线起、止端点(沸腾起始点和临界热流点)及其渐近性能的基本假设和隐含假设.通过与经验知识(包括实验观测数据和数值模拟结果)比较,明确了RKM模型的贡献与不足,建议了进一步的低重力实验和深入系统的数值模拟等,以推进该领域研究深入开展.     

大规模类脑神经网络理论与方法

脑启发的脉冲神经网络被称为第三代人工神经网络,通过模拟神经动力学、事件驱动等计算特性捕捉时序信息和节能高效地进行计算,为人工智能领域的发展提供了新范式.大脑惊人的信息处理能力很大程度上归功于其庞大的网络规模和复杂的网络连接.构建大规模类脑神经网络为脑启发式的人工智能、神经形态计算以及多应用领域带来了突破性的进展.本文首先根据现有的研究,分类介绍了脉冲神经元模型、大规模脉冲神经网络模型与算法、深度训练框架和神经形态芯片等3个方面的计算原理和最新的研究进展,指出了目前大规模类脑神经网络研究的进展和存在的问题,随后重点论述了大规模类脑网络的神经形态视觉应用,包括神经形态视觉重构、极端场景目标检测等.最后,在总结已有研究成果的基础上,对该领域的研究现状给出了若干结论,同时指出了仍然存在的一些问题,并对未来研究的需求、期待与发展趋势进行了展望.     

高能散射强相互作用唯象学研究进展

高能散射是研究物质基本结构及其相互作用规律的基本实验手段,探索新物理必然涉及的强相互作用唯象分析和精确计算尤为重要.本文围绕强子产生介绍高能散射强相互作用的最新唯象学研究进展,主要包括量子色动力学微扰计算概述、强相互作用软硬界面的预禁闭结构(色连接、重子数涨落等)、色单态预禁闭集团的强子化物理图像及重要的强子化模型(弦碎裂模型、集团碎裂模型、夸克组合模型等)、强子产生涉及的相关强子结构和强子波函数的研究与应用等.     

任意依赖强度耦合的Jaynes-Cummings模型与薛定谔猫态

线性叠加原理是量子力学的基本特征之一.物质波的量子干涉正是此原理作用的结果.最近,人们对两个或多个不同相干态的叠加即薛定谔猫态作了许多研究.研究表明,由于量子相干性,叠加的相干态具有完全不同于原有相干态的性质.例如,高阶压缩特性以及亚泊松分布和振荡光子数统计,还有反聚束效应等等.由于这些非经典效应的出现,使得对薛定谔猫态的研究具有深刻的意义.对于它的产生已有许多不同的方法.本文则研究了如何利用共振和大失谐两种情况下的任意强度耦合的Jaynes-Cummings模型以产生薛定谔猫态.一般产生量子态的方法有两种.一种是给定一个合适的哈密顿和初态,利用么正演     

苯分子Jahn-Teller光谱的MQDT分析

苯分子里德伯光谱同它的离子壳振动、电子光谱存在着较大的相似性,作为分析这种光谱结构和解决四分之一世纪以来有关矛盾的很好出发点,Whetten和Grant提出了“理想里德伯极限”(下称WG)。据此模型,里德伯电子只是通过平均库仑场同离子相联系,分子态由离子态和电子态的简单乘积给出     

机器学习与计算力学的结合及应用初探

自20世纪50年代以来,随着计算机科学的不断进步,机器学习和数据科学得到了长足发展.这些技术一般依靠大量数据作支撑,通过训练过程提取出蕴藏在数据内部的抽象映射关系,目前已被成功应用于化学、生物等自然科学研究领域.近年来,这些技术也逐渐受到计算力学领域研究者的关注.本文结合作者的相关研究成果介绍了机器学习、数据科学与计算力学相结合的3种形式:第一种是与有限元方程求解方面的结合,直接应用卷积神经网络算法求解线性有限元方程;第二种方式结合有限元计算和机器学习预测复杂材料结构与力学性能的关系.本文作者应用该方法基于细观页岩扫描照片和随机建模算法,成功训练出可以有效预测细观页岩样本等效模量的卷积神经网络;第三种方式是建立基于数据驱动的计算力学方法,比如直接利用真实的材料实验数据代替材料本构模型.这些工作显示了机器学习、数据驱动在处理材料的力学实验数据、设计新型材料以及创建更高效的计算力学模型方面的广阔前景.随着计算力学的发展,未来将可能出现更多将数据科学、机器学习与计算力学相结合的应用场景,进一步开发出更加强健、高效和保真的计算力学方法.     

单线态裂分材料:从结构设计到器件应用

单线态裂分是通过一个自旋允许的过程,将一个单线态激子转变为两个三线态激子的过程.借助这一过程,可以将高能的光子转换成两个低能的三线态激子.如将单线态裂分材料应用于太阳能电池器件,有可能显著提升光电转化效率,突破Shockley-Queisser极限.近年来,单线态裂分材料的研究受到了广泛的关注,已经取得了重要的进展.本文回顾了单线态裂分材料的发展历史,整理了近年来发展的新材料,总结了单线态裂分现象在不同光电器件中的应用,希望可以为发展新单线态裂分材料以及单线态裂分效应在器件中的应用提供思路.     

人工神经网络在全球气候变化和生态学中的应用研究

近年来, 随着计算机技术和人工智能的发展, 人工神经网络(ANN)的应用领域不断被开拓. 同时, 人们对全球气候变化和生态环境问题也日益关注, 如全球变暖、El Niño和La Niña出现频繁、大气环流异常等, 使得人工神经网络方法在全球气候变化和生态学研究中得到了广泛的应用. 虽然人工神经网络仍存在一些不足和风险, 如模型的参数要求更高的灵敏度、网络结构的选择一般更依赖于个人经验和神经网络对短期的预测研究精确度往往高于中长期预测, 但全球变化研究中尤其要重视交互作用的影响和长期实验等. 不过, 神经网络在处理非线性问题上仍然优于许多传统的方法. 因此, 在全球气候变化和生态学研究中人工神经网络具有很大的应用潜力, 它能在实测过程可能十分困难或者使用不完整的数据难以实现的情况下, 完成其他方法完成不了的问题. 可以预料人工神经网络将在全球气候变化和生态学研究中得到更多的应用和发展.     

欺骗的认知神经网络模型

欺骗是一种当事人有意试图让他人相信某种错误信念,从而为自己或他人获取利益或规避损失的心理过程.已有的研究为揭示欺骗的神经机制提供了启示,但欺骗这一复杂行为中大规模脑网络的整体性作用尚未得到足够的关注.本文总结了欺骗的相关理论和研究,以及欺骗行为涉及的认知和情感加工过程,并在此基础上提出了欺骗的认知神经网络模型.该模型中,欺骗行为产生于动力系统、情感系统、认知系统和执行系统之间的动态交互过程,而奖赏网络、突显网络、中央执行网络和默认网络的激活和相互作用是其背后的神经基础.模型建立了欺骗相关的研究和理论、心理过程、心理功能、脑区与神经网络之间的联系,并有望对欺骗行为及其神经机制作出更为整体性、系统化的解释.     

小波神经网络在红外光谱数据压缩中的应用

红外光谱是进行化合物定性及定量分析的重要依据,通常需要大量的数据才能较准确地反映所测化合物的结构特征.对应于众多的化合物,红外光谱的数据量非常庞大.因而,在保证红外光谱主要特征基本不变的前提下,如何对红外光谱进行压缩,较大地减少数据量,进而改善红外光谱的存储、检索及处理等方式是一项很有意义的研究工作.小波神经网络(Wavelet neural network),简称小波网络,是基于小波分析所构造的一种新的神经网络模型,目前在化学界尚未见到介绍和应用.本文将其应用于聚苯乙烯薄膜红外光谱的压缩表达.结果表明,小波网络在大量压缩数据的同时,能够很好地恢复原有红外光谱,特别是能够较准确地反映吸收峰的位置和强度.