一种基于段的基音检测算法

作为语音信号处理领域一项基本、关键的技术,基音检测在语音信号处理中扮演着重要的角色,一直是语音信号处理的一个研究热点.首先对传统的基于短时自相关函数法的基音检测进行了研究;在此基础上提出了一种能同时检测一段语音信号基音周期的方法,有效地克服了传统基音检测算法只能检测一帧语音信号基音的缺点.进行了实验仿真,结果表明通过去野点,中值平滑等后处理的基于段的基音检测算法比传统的基于帧的基音检测算法具有更好的抗噪性.     

商空间的基

通过引入一个熟知的线性空间作桥梁，揭示了商空闻R^n／S基与矩阵A之间的关系。     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.     

亚纯函数与其导数的公共Julia方向

本文研究不指定级的亚纯函数与其导函数的公共Julia方向的存在性问题。     

《高等有机化学导论》学习要点

为了方便学员自学,本文按教材的章节顺序提出学习要求,并对学习中的重点、难点及易混淆的问题作如下讨论。 (一)立体化学 1.立体化学基础 ①复习对映异构与分子结构的关系。②掌握含手性碳原子化合物的对映异构现象。③掌握丙二烯型和联苯型的不含手性碳原子化合物的对映异构现象。 2.构象和构象分析 ①了解链状化合物     

周期体系中结构单元及结构单元间相互作用的研究

高聚物及晶体都是由结构单元重复构成的周期体系。在周期体系的量子化学研究中,传统上都是按LCAO/MO-LCMO/CO(LC: Linear Combination; A: Atomic; M: Molecular; C: Crystal; O: Orbital)构成的Bloch函数来研究的。用这种方法可以得到体系中重复结构单元的能量及其它信息,但得不到连结结构单元的端基的能量及端基间的相互作用。与前者一样,后者也能反映出体系的某些结构性质,因而也是必不可少的物理量。为此,本文发展出一种递推的方法,以对传统方法加以补充。     

特征结构提取的高阶Hopfield神经网络实现

本文首先建立了特征结构提取问题的罚函数表示，通过对罚函数求极小可以求得原始协方差矩阵的主特征向量及其对应的特征值。为了求得其他特征结构，特构造了一个协方差矩阵序列。如果将罚函数展开并进行整理，高阶Ｈｏｐｆｉｅｌｄ神经网络可被引入到特征结构提取中。这种方法比较直观，它将网络稳定时的输出与所求协方差矩阵的主特征向量的各个分量相对应，而网络稳定时的能量则对应于协方差矩阵的迹与所求特征值之差，计算机仿真结果验证了这种方法的正确性。     

周期函数的导函数的周期问题

本文将证明：在整个实轴上可微分的周期函数与其导函数的周期相同这一推测．