对有心力场可积幂次的讨论

粒子在势Ｖ＝αｒ￣（ｎ＋１）的有心力场中运动，且其轨道方程可用椭圆积分表示时，ｎ的取值只有十几个，文中提供了一种简便的方法，集中地讨论出所有合适的ｎ值．     

关于〈G;m〉的优美性

本文证明了优美二分图的根积是优美图,并由此得出一些有意义的推论。     

互补判断矩阵和积排序法的最优化理论基础及性质

针对多属性决策中重要的方法之一的互补判断矩阵和积排序法,在完全一致性互补判断矩阵等概念的基础上,给出了互补判断矩阵和积排序法的最优化理论基础,指出互补判断矩阵和积排序法的排序向量正好是某种偏差准则下的最优化模型的解。并证明了它具有一些性质,包括强条件下保序性,置换不变性等。最后举出反例说明它不具备对称性。     

基于多信息感知的多方对话问答方法

目前基于多方对话文本的自动问答任务侧重于探索对话结构信息或说话者角色信息,忽视问题文本和对话文本的交互。针对这一问题,提出一个融合多信息的全新模型。该模型使用图卷积神经网络,对多方对话文本中的话语结构、说话者角色以及问题–上下文信息进行分层次建模,并设计合理的基于注意力机制的交互层,通过选择更有帮助的信息,加强对多方对话文本的理解。此外,该模型首次对问题和上下文间的显式交互给予关注。实验结果表明,所提模型的性能优于多个基线模型,实现对多方对话文本的深层次理解。     

一种融合标签间强相关性的多标签图像分类方法

为了将标签间的语义相关性引入多标签图像分类模型中,传统的方法例如 ML-GCN 通过设置单阈值将标 签条件概率矩阵二值化为标签共现矩阵,然而,仅设置单阈值很难归纳所有的标签语义关系情况。 针对这一问题, 提出一种融合标签间强相关性的多标签图像分类方法—MGAN(Multiple Graph Convolutional Attention Networks), 通过设置多个阈值,将传统的标签条件概率矩阵按照不同的相关性程度分割为多个子图;同时,为了提升多标签分 类性能,也引入图像区域空间相关性。 另外,针对传统的“CNN+GCN”方法将标签与特征的融合张量视为预测分数 缺乏可解释性问题,将标签与特征的融合张量视为注意力分数;在 MS-COCO 和 PASCAL VOC 数据集上与其他主 流多标签图像分类方法进行了对比实验,平均准确率分别达到了 94. 9%和 83. 7%,相较于经典 ML-GCN 模型,分 别获得了 0. 9%和 0. 8%准确率提升,且在“Binary”和“Re-weighted”邻接矩阵模式下,MGAN 都有较好的表现,验证 了新的融合方法可以缓解图卷积神经网络过平滑问题对多标签图像分类的影响。     

可换格序群的泛映射

利用范畴理论中的泛映射问题，研究了ｌ－群范畴中的自由扩张函子、自由ｌ－积函子、ｌ－张量积函子与覆盖函子之间的相互关系．     

一类三次系统的奇点量公式和可积性条件

采用代数运算方法，研究了一类三次系统的中心－焦点判定问题，得到了直接用系统的系数表示的奇点量公式与可积性条件；同时给出了系统的６个基本Ｌｉｅ不变量及有关相应实三次系统的一个结果．