n阶k心m叶香的优美性

证明了n阶k心m叶香Fkmn是优美图,其中n为大于或等于3的自然数,m为大于或等于2的自然数.     

多样本球性检验的似然比统计量的渐近分布

设Λ是检验多样本球性的修改似然比准则,本文给出了在某些接近于原假设的各择假设下Λ的非零分布的渐近展开式.     

一种纳米计算结构上的(m,n)选择网络

通过分析一种新的结构模型--Cell MatrixTM,以及在其上实现的(m,n)选择网络,在晶格结构上实现比较器单元,然后构建互连网络连接各级比较器,从而实现了平衡分组选择网络.实验用晶格开销数目和晶格延迟时间数来衡量算法实现的复杂度,给出了该网络的开销(均是多项式级),具有良好的使用性.该模型上算法的实现过程以及开销分析,体现了Cell MatrixTM结构上计算的便捷性与独特性.     

曲率驱动的基于样本的图像修补技术

将基于偏微分方程的修补模型中的曲率因素应用于样本修补模型,提出了曲率驱动的基于样本的图像修补模型,改善了具有曲线形状的修补区域的修补效果.实验结果表明,改进的方法对于待修补区域周围具有曲线形状的图像修补有着良好的效果.     

攻击标签信息的对抗分类算法

真实数据集中存在的对抗样本一方面易导致分类器取得较差分类结果,另一方面如果能够被合理利用,分类器的泛化能力将得到显著提高。针对现有大部分分类算法并没有利用对抗样本训练分类模型,提出一种攻击标签信息的对抗分类算法（ACA）。该方法从给定数据集中选取一定比例样本并攻击所选取的样本标签使之成为对抗样本,即将样本标签替换成其他不同类型的标签。利用支持向量机（support vector machine,SVM）训练包含对抗样本的数据集,计算生成的SVM输出误差对于输入样本的一阶梯度信息并嵌入到输入样本特征中以更新输入样本。再次利用SVM训练更新后的样本以生成对抗的SVM（A-SVM）。原理分析与实验结果表明,一阶梯度信息不仅提供了一种分类器输出与输入之间的正相关关系,而且可提高A-SVM的实际分类性能     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.