细粒度全局感知多聚焦图像融合网络

多聚焦图像融合是图像融合的一个重要分支,在显微成像等方面具有广泛的应用.针对多聚焦融合中存在的纹理细节不清晰、聚焦区域误判等问题,本文从空间及通道信息全局关注的角度出发,结合Swin Transformer中的移动窗口自注意力机制和深度可分离卷积设计了一个全局信息编码-解码网络,采用综合损失函数进行图像重构任务的无监督学习;从特征邻域信息重要性的角度出发,引入了改进的拉普拉斯能量和函数在特征域进行图像聚焦属性的判别,增强图像聚焦区域判别的细粒度效果.与7种经典图像融合算法比较,本文算法在定性和定量分析中均取得了先进的融合性能表现,对原始图像的聚焦区域信息具有更高的保真效果.     

单一变质性物品扩散型随机库存系统的风险初探

分析了单一变质性物品扩散型随机库存系统的风险 ,并将系统风险的确定归结为转移概率密度的确定 ,然后借助于数学变换和数学物理方程中的特殊函数确定出转移概率密度 ,从而确定出系统的库存风险.     

基于蛋白质二级序列的关联多分类算法

蛋白质二级结构预测是公认的生物信息学领域的国际性难题。以基于内在认知机理的知识发现理论(knowledge discovery theory based on inner cognitive mechanism, KDTICM)理论的扩展性研究与数据库中的知识发现（knowledge discovery in database*, KDD*)模型为基础,提出一种基于结构序列的多分类算法--SAC(structural association classification),可以有效地解决蛋白质二级结构预测问题。该算法借助设定支持度阈值的精化知识库的方法,其预测准确率能够超过85%。以该算法为核心,构建了一个蛋白质二级预测模型--复合金字塔模型。实验证明,在RS126、CB513、ILP数据集上的预测准确率均超过80%,超过目前已知的国际主流水平。     

一类拟线性椭圆方程非平凡解的存在性

利用局部极小定理证明了一类p-拉普拉斯方程非平凡解的存在性,其中非线性项在零点和无穷远点处都没有假设条件.     

基于拉普拉斯正则化概率主元分析的故障检测

概率主元分析(PPCA)及其扩展方法用于过程监测时,只提取了过程数据的全局特征,并未考虑数据的局部结构.当数据的流形结构复杂时,传统的全局建模方法难以获得准确的预测效果.提出了一种基于拉普拉斯正则化的概率主成分(LapPPCA)模型,将数据的流形结构引入到传统概率模型的似然函数中,使得LapPPCA能够同时提出数据的全局和局部特性.同时提出了基于LapPPCA的过程监测模型,并在田纳西-伊斯曼(TE)过程上验证了该方法的有效性.     

一类p拉普拉斯方程的正解

主要考虑一类p拉普拉斯方程的正解,由于该方程所对应泛函不能定义在常用空间W1,p（RⅣ）上,并且W1,p（RN）→嵌入Ls（RⅣ）（2＜q＜2＊）是非紧的,这也导致了很难直接求解;因此首先利用变量变换使得对应泛函能够定义在W1,p（RN）上,另外Strauss已经证明了W1,p（RⅣ）的径向空间W1r,p（RⅣ）→嵌入Ls（RN）（2＜q＜2＊）是紧的,从而利用山路引理和极值原理证明所研究方程存在正解.     

图的拉普拉斯谱半径的新可达上界

设G是n阶简单连通图,顶点度序列为d1≥d2≥…≥dn.本文利用矩阵变换的方法给出了图G的拉普拉斯谱半径的新上界,并证明了达到该上界的极图仅有正则二部图或星图.同时还证明了在一定条件下,该上界改进了Li,Liu和Shu等人同类的结论.     

关于图的距离无符号拉普拉斯谱半径的下界

若一个连通图G的点集是V(G)={v₁,v₂,…,v_n},那么图G的距离矩阵D(G)=(d_ij),其中d_ij表示点v_i与v_j之间的距离.令Tr_G(v_i)表示点v_i到图G中其他所有点的距离之和,Tr(G)表示i行i列位置的元素Tr_G(v_i)的对角矩阵.图G的距离无符号拉普拉斯矩阵Q_D(G)=Tr(G)+D(G).Q_D(G)的最大特征值λ_Q(G)是图G的距离无符号拉普拉斯谱半径.该文确定了给定匹配数的n个点的图的距离无符号拉普拉斯谱半径的下界.     

预决策金字塔层数的欧拉视频微弱运动放大算法

欧拉视频放大算法(EVM)将受人眼局限而观察不到的微弱运动放大;但放大视频质量随使用的金字塔层数及微弱运动幅值的不同而有明显差异。为提高视频放大效果,放大之前对输入视频提取运动前景,找到黑色像素数最大图像帧,求出该帧非0像素数占图像帧总像素数的比例;根据阈值判断金字塔层数,再进行EVM处理。研究表明,根据视频运动前景中非零像素与总像素比例,预判断欧拉视频放大金字塔层数,有效改善了单一金字塔层数EVM算法的放大效果。