乘积度量空间上一类隐式压缩映射的唯一不动点

通过在［1,∞)⁴上引入一类实函数G, 在乘积度量空间上给出一类隐式压缩映射的唯一不动点存在性定理,  并举例说明所得结果的正确性.     

基于联合对抗训练的鲁棒度量迁移

迁移度量学习旨在从强大且可靠的距离度量中迁移知识来改善目标度量的效果,这些度量往往来自于学习目标相关的任务.现有的迁移度量学习算法仅关注于如何迁移知识,而这些知识容易过拟合到源域中.首先研究如何在源域中训练一个适合于迁移的源域度量,然后设计了一种通用的深度异质迁移算法来进行高效的迁移学习.值得注意的是,将源域度量以联合对抗学习的方式进行训练,再以深度神经网络的方式将其参数化表示并对其进行迁移.迁移中通过表征模仿的方式来学习源域度量中的知识,这种方式允许源域和目标域中的知识来自于异质域.此外,严格限制目标度量网络的大小,使得目标网络更够进行高效的推理计算.在人脸识别数据集上的实验展现了本方法的有效性.     

基于门控多尺度匹配网络的小样本SAR目标识别

为了解决传统合成孔径雷达(synthetic aperture radar, SAR)目标识别方法在小样本条件下泛化能力差、识别准确率低的问题, 通过在匹配网络的基础上引入权重门控单元和多尺度特征提取模块, 提出了基于门控多尺度匹配网络的小样本SAR目标识别方法。在该方法中, 多尺度特征提取模块能够提取匹配网络不同卷积层的多尺度特征, 权重门控单元能够根据不同的识别任务赋予特征不同的权重大小, 实现根据具体任务选择最具代表性的目标特征, 从而以该特征为主导完成目标识别任务。在运动和静止目标获取与识别(the moving and stationary target acquisition and recognition, MSTAR)数据集上对提出的方法进行了验证, 实验结果表明，所提方法较其他3种小样本学习方法和两种小样本SAR目标识别方法表现出了一定的优越性, 而且所提方法经实验验证在噪声环境下表现出了一定的鲁棒性。     

p-平均对称差度量的Cauchy问题(Ⅰ)

从集合的对称差集合的Ｌｅｂｅｓｇｕｅ 测度出发，建立了衡量Ｆｕｚｚｙ 数之间差异的ｐ－平均对称差度量ｄΔｐ ，讨论了（Ｅ，ｄΔｐ）中的Ｃａｕｃｈｙ 序列的基本性质。     

非凸函数极小问题的BFGS法的全局收敛性

对ＢＦＧＳ进行了简单的修正,并证明了该算法用于求解非凸函数最小值时的全局收敛性。