基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.     

粘弹性方程的H^1-Galerkin混合有限元方法的误差

利用H^1-Galerkin混合有限元方法分析了线性粘弹性方程,得到了未知函数和它的伴随向量函数有限元解的最优阶误差估计,该方法的优点是不需验证LBB相容性条件即可得到和传统混合有限元方法相同的收敛阶数．     

生长曲线模型综合岭估计的推广

文章将生长曲线模型Y=X1BX2+ε,E(ε)=0,Co v(ε)■=Co v(Ve c(ε))=Iqσ2In在设计阵X1(或X2)呈病态时的综合岭估计推广到协方差矩阵为正定和半正定生长曲线模型,得到了相应的综合岭估计,并给出了其优良性等性质。     

结合Armijo步长搜索的新三项共轭梯度算法及其收敛特征

对求解无约束优化问题提出了一类新的三项共轭梯度求解算法,在去掉迭代点列{xk}有界和Armijo步长搜索下,讨论了算法的全局收敛性,同时给出结合FR、PR、HS共轭梯度参数的三项共轭梯度算法,数值算例表明新算法比Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

基于Copula的回归预测

针对回归预测问题,分别引入Copula回归函数和Copula τ分位数来对因变量进行点预测和区间预测,相应的通过均方误差和区间的平均长度作为预测准确性的评价指标,最后通过实证研究并与线性回归预测做比较表明：基于Copula的回归预测方法效果更好.     

Sierpinski垫片的Hausdorff测度的上界估计

研究分形集的中心任务是计算或估计分形集的Hausdorff维数与Hausdorff测度。本文研究Sierpinski垫片的Hausdorff测度的上界估计,利用部分估计的方法,归纳出了关于Sierpinski垫片的某种部分覆盖所包含的小三角形的个数以及这种覆盖的直径的规律,得到了Sierpinski垫片的Hausdorff测度的一个更好的上界估计值Hs(S)≤1377811/09286×(2431/3072)s≈0.870031853。     

中国东北条子河中微生物群落变化与锌砷污染的关系研究

研究目的：通过研究河流微生物与污染物的互作关系,为河流污染治理等相关研究提供新途径。创新要点：研究选择的目标河流是报道较少的辽河二级支流,该研究对于了解支流污染特别是东北地区河流污染有重要的意义。将分子生态学技术应用于分析不同污染程度的河流底泥微生物变化,建立微生物种群变化和污染物的互作关系。研究方法：选取沿条子河的8个代表性区段,分析河水和底泥中重金属和污染物的变化情况。通过变性梯度凝胶电泳（DGGE）技术分析不同河流区段内真核和原核微生物种群变化,解析河流中污染物对底泥微生物的影响,建立微生物种群变化和重金属污染的互作关系。重要结论：重金属污染物的存在能抑制底泥中微生物生长,仅少量具有较强抗性的微生物存活（见图4）;有机污染物的增加使对重金属有较强抗性的Limnodrilus hoffmeisteri 大量繁殖（见图2~4）,从而大量消耗溶解氧,导致好氧微生物死亡和河水自净能力退化,最终引起水质恶化。由此可见,微生物对环境污染物的变化有很敏感的响应,通过对环境中微生物的监测有助于进一步分析环境污染的变化。     

基于最优梯度估计及小波变换的指纹图像处理技术

提出了最优梯度估计算法,用于提取指纹图像局部窗口中的纹理梯度特征参数,并在此局部窗口内计算出相应的频率参数。小波滤波器再根据这些特征参数对指纹图像进行自适应滤波,并用滤波后的合成梯度强度对滤波性能进行了衡量。实验结果表明,该算法较好地去除了图像中的噪声,并较大程度地提高了图像的质量。     

基于区间套混沌搜索的混合优化方法

基于对Logistic映射混沌变量概率分布的研究,提出了一种区间套混沌搜索方法,避免了混沌搜索的盲目性.将区间套混沌搜索方法与共轭梯度法结合,提出了一种混合优化方法,利用区间套混沌搜索方法搜索到近似最优点,再用共轭梯度法求得最优点.数值计算结果表明,该方法可显著提高优化效率.     

缺失数据情形下的回归插补及其方差分析

利用无回答所提供的信息采用最小二乘估计给出了缺失数据情形下的目标变量的一种回归插补及其方差估计.在仅目标变量缺失数据情形,得A2中单元关于y对应的回归插补公式(y)i=(b)0+(b)1x12i+…+(b)pxp2i,i=1,…,r3.及其回归插补的协方差阵Cov((Y))=σ2X1(XTX)-1XT1.在辅助变量部分缺失且目标变量缺失的情形,得A2中单元关于y对应的回归插补公式(y)i=(b)0+(b)1x12i+…+(b)p1xp12i,i=1,…,r3.及其回归插补的协方差阵Cov((Y))=σ2X1(X*TX*)-1XT1.