q形变量子群Rq（sl（2））的有限维单模

主要讨论单李代数U（sl（2））的一类新的q形变量子群Rq（sl（2））,Uq（sl（2））可以看作Rq（sl（2））的一个子代数.在复数域k上且q是本原的d次单位根的条件下给出Rq（sl（2））的有限维单表示的分类.     

关于C^n中有界域上光滑函数的一个积分公式

应用积分表示中核函数的构造理论，得到Ｃｎ空间中有界域上光滑函数的一个抽象的积分公式．根据这个抽象公式，可以得到至今许多区域上光滑函数种种已有的积分公式（包括抽象的和具体的）以及它们的拓广式．     

基于可视化图形特征融合的蛋白质组学质谱数据分析

近年来,对蛋白质组学质谱数据进行模式识别成为癌症诊断的一种新方法,由此发现的新生物标记物已经成功用于多种重大疾病的早期预测.这种方法的两个难点是:如何提取能够明显区分不同类别的特征,如何有效处理谱数据中大量的特征.本文提出基于多元图形特征融合的方法对蛋白质组学质谱高维数据进行可视化降维处理.在对质谱数据进行必要的预处理后,选择部分原始特征并将其映射到多元图表示域.通过多层递阶图形特征选择与提取得到最终的多元图癌症诊断模板.采用国际公开卵巢癌高通量数据集进行验证,得到了较好的分类效果.     

因素空间理论与知识表示的数学框架(续)——反馈外延的精细化与概念内涵的表达

本文是文献［１～３］的继续，本文及后续论文仍将系统地研究因素空间理论及其在知识表示中的应用．首先讨论反馈外延的精细化问题，介绍两种提高精度的方法：剖分法和三角模法．然后，研究概念内涵的表达问题，给出概念外延与概念内涵的相互转化方法．     

由单糖的Fischer投影式导出Haworth透视式的不同方法

对由单糖链状结构的Fischer投影式导出其环状结构Haworth透视式的文献方法进行了归纳分析,并提出了一种新方法作为补充.     

计算语言学中的重要术语——词向量

过去几年,自然语言处理(NLP)技术飞速发展,文本表征成了计算语言学的核心。其中,分布式词向量表征在语义表达方面展现出巨大的潜力与应用效果。文章从语言学理论基础出发,介绍了计算语言学的重要术语——词向量。探讨了词向量的两种表示方式:离散式与分布式;介绍了词向量在语义变迁等历时语言学领域的应用。在此基础上,指出词向量语义计算法存在的局限性,并总结了两种词义消歧方法:无监督与基于知识库。最后,文章提出大规模知识库与词向量的结合可能是未来文本表征研究的重要方向之一。     

基于曲波变换的地震数据压缩感知重构算法

为提高地震数据压缩感知重构的信噪比和保真度, 提出一种基于曲波变换的地震数据压缩感知重构算法。建立了地震数据压缩感知重构模型, 分析了基于曲波变换稀疏表示的地震数据各尺度之间能量与熵的分布特性, 结合分块压缩感知技术降低随机观测的计算复杂度, 利用曲波变换稀疏表示高频区域各尺度之间的相关性, 设计了随信息熵变化的自适应双变量收缩阈值迭代重构的方法。实验结果表明, 在相同的采样率下,该算法重构的地震数据峰值信噪比提高了1. 5 dB 以上, 并且具有良好的细节信息保持能力。     

基于双重字典及联合特征的遥感图像超分辨率算法

为了解决低分辨率遥感图像超分辨重建的问题,本文提出了一种基于双重字典及联合特征的遥感图像超分辨率算法.超分辨率重建技术目的就是根据低分辨率图像重建出原始高分辨率图像的高频信息.本文将图像的高频信息分解成为主高频信息和残差高频信息两个部分,然后针对主高频信息和残差高频信息,分别训练主高频字典和残差高频字典,并结合稀疏表示方法对图像进行重构.同时,为了建立更能反映图像内部结构信息的字典,本文联合图像的不同的结构特征,建立统一的字典.本文算法对图像取得较好的复原效果,复原出的高分辨率图像更接近于真实图像,与其他方法相比具有更好的主观和客观质量.     

KL分位数估计的Bahadur表示

Bahadur表示对于分位数估计的大样本性质的研究有着重要的作用,本文在独立样本的条件下,证明了KL分位数估计的Bahadur表示及其收敛速度op(k-1/2n),并通过Bahadur表示给出了其渐近正态性和置信区间估计。     

Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method

This paper deals with the blind separation of nonstation-ary sources and direction-of-arrival （DOA） estimation in the under-determined case, when there are more sources than sensors. We assume the sources to be time-frequency （TF） disjoint to a certain extent. In particular, the number of sources presented at any TF neighborhood is strictly less than that of sensors. We can identify the real number of active sources and achieve separation in any TF neighborhood by the sparse representation method. Compared with the subspace-based algorithm under the same sparseness assumption, which suffers from the extra noise effect since it can-not estimate the true number of active sources, the proposed algorithm can estimate the number of active sources and their cor-responding TF values in any TF neighborhood simultaneously. An-other contribution of this paper is a new estimation procedure for the DOA of sources in the underdetermined case, which combines the TF sparseness of sources and the clustering technique. Sim-ulation results demonstrate the validity and high performance of the proposed algorithm in both blind source separation （BSS） and DOA estimation.