分区变形与多重约束结合的面皮层次点对应方法

针对颅面统计复原中基于面貌形态几何特征建立三维面皮间生理点对应关系的难题,提出几何模板分区变形与多重约束结合的三维面皮层次点对应方法(HCRDM).该方法根据人脸生理结构特征点定义一套五官分区几何模板,以实现面皮分区半自动化;根据特征点的严格对应关系,利用径向基函数对样本面皮各分区变形;为近似重合的各分区建立体素模型,逐次选取特征显著的模板顶点作为待对应点,利用模板顶点间局部相对位置几何约束确定样本分区中对应点候选集;根据局部几何特征加权距离确定最优对应点;结合几何约束与微分特征距离约束实现边界区域点对应.实验结果表明,HCRDM较已有的三维面皮点对应算法准确率提高了10％以上.     

具有乘性噪声的随机高阶准地转方程的大偏差

近年来,随机准地转方程受到了许多学者的关注.一方面在于此方程与著名的随机Navier-Stokes方程有许多相似之处,另一方面在于准地转方程是地球物理动力学的重要模型.主要讨论带乘性噪声的随机准地转方程.首先,严格证明了在d=2,3维上,强解的存在性和温和解的唯一性;其次,基于拉普拉斯原理和弱收敛方法,证明了方程满足大偏差原理.     

基于迁移学习的实时多类别文本分类方法研究

在实时文本分类任务中经常会有新类别出现,传统的文本分类方法通常难以利用实时的小规模样本学习新类别的模型。提出了一种基于迁移学习的新类别模型训练方法。首先将迁移学习技术和LS －SVM 算法结合,设计正则化项以控制源模型的迁移量及新模型与源模型的相似度,达到增量迁移。其次具体讨论了正则化项的学习方法。实验结果显示该方法相对同类算法有更好的分类性能,可以更高效地完成各种实时文本分类任务。     

养护温度对高强轻集料混凝土强度和抗渗性的影响

研究了高强轻集料混凝土在高温养护条件下强度和抗渗性变化情况。Cl^-抗渗性采用电场加速方法;水抗渗性采用表面吸水法测试。结果表明,湿集料混凝土在50℃后强度就急速下降,而干集料混凝土85℃养护时温度下降不明显。混凝土Cl^-抗渗性和电阻随养护温度的提高而降低,且干集料混凝土的Cl^-抗渗性和电阻比湿集料混凝土要高得多。养护温度对水的渗透性无显著影响,但湿集料混凝土的吸水量要比干集料混凝土高出20％左右。干集料混凝土抗渗性好的原因是由于干集料的吸水作用使得混凝土过渡层变得致密所致。     

Chiplet技术发展现状

Chiplet（芯粒）技术是近年来兴起的新一代集成电路技术，因其具有提升良率、突破光罩极限、芯片架构灵活、芯片组件技术供应货架化等特点，受到产业界的广泛重视。为进一步推动chiplet技术在中国的发展，梳理了chiplet技术的应用场景，分析了chiplet中的各种核心组件技术，阐述了在chiplet技术开发中可能出现的各种技术挑战，回顾了中国chiplet标准的发展情况，最后针对中国发展chiplet技术提出了建议。     

基于弹性约束的轻质楼盖人致振动舒适度控制

考虑感知者、行人和结构三者相互的动力耦合作用，形成行人-楼盖-感知者全路径耦合振动模式，以概率的形式评估了轻质楼盖的振动舒适度，并对楼盖的过量振动采用弹性约束进行了控制.为体现弹性约束对楼盖人致过量振动的有效性，采用TMD控制与其进行对比. 用DQ-IQ法处理建立的行人-楼盖-感知者耦合振动控制方程，以CFS组合楼盖为计算模型，得到当行人以不同步频在楼盖上行走时楼盖跨中与感知者的动力响应，并对比了采用TMD和弹性约束时的控制效果.以舒适度限值为参照标准，统计了在这两种控制措施下楼盖与感知者满足舒适度限值时的累积概率.结果表明，对于轻质楼盖，在刚度系数分别取0.5和3时，楼盖满足舒适度要求的概率由13.57%增加到86.98%，感知者的舒适度概率由11.75%增加到79.86%，极大程度地提高了舒适度概率，可为设计时边界条件转动刚度的选取提供参考. 在刚度系数取2时，楼盖的舒适度概率为68.80%，而感知者的舒适度概率仅为57.97%，相差10.83%. 在考虑人致振动时，感知者相对于结构在同等条件下更容易产生舒适度问题，建议在舒适度评估时增加感知者的加速度峰值.     

适用于强化学习惯性环境的分数阶改进OU噪声

本文将DDPG算法中使用的Ornstein-Uhlenbeck (OU)噪声整数阶微分模型推广为分数阶OU噪声模型，使得噪声的产生不仅和前一步的噪声有关而且和前K步产生的噪声都有关联.通过在gym惯性环境下对比基于分数阶OU噪声的DDPG和TD3算法和原始的DDPG和TD3算法，我们发现基于分数阶微积分的OU噪声相比于原始的OU噪声能在更大范围内震荡，使用分数阶OU噪声的算法在惯性环境下具有更好的探索能力，收敛得更快.     

基于BERT的长文本分类方法

由于预训练模型输入分词数量限制，基于BERT的长文本分类任务效果与长文本分割后的文本段集合的处理及特征融合密切相关，现有的长文本分类研究在融合文本段特征时更关注文本段之间原始的顺序关系，而本文提出了一种基于BERT和集合神经网络的长文本分类模型.该方法以BERT为基础，可处理从同一文本样本分割得到的任意数量文本段，经过BERT后得到文本段特征，再将所有文本段特征输入到具有置换不变性的集合神经网络层中，提取出集合级别特征来优化长文本的特征表达.通过在三个数据上的实验分析，论文在平均分词长度较长的数据集上取得了90.82%的准确率，高出目前最优方法4.37%.