［Ni(phen) 3］2［Ni(PO4)2(H2PO4)6(OH)6(MoO2)12］的合成和晶体结构

利用中温水热技术合成一种新型还原型钼磷酸盐： ［Ni(phen) ₃］₂［Ni(PO₄)₂(H₂PO₄)6(OH)₆(MoO₂)₁₂］(phen: 邻菲啰啉), 并通过单晶X射线衍射技术测定了该化合物的晶体结构.该化合物属于三斜晶系, P1空间群, 晶胞参数: a=1.404 2(3) nm, b=1.405 0(3) nm, c=1.408 2(3) nm, α=74.53(3)°, β=74.72(3)°,γ=74.81(3)°, V=2.527 6(9) nm3, Z=1, R1=0.076 2, wR2=0.168 6.     

云平台下基因 基因相互作用识别算法

针对现有的快速方差分析算法进行并行可扩展性改进, 设计一种高效的并行计算模型, 并提出一种基于MapReduce模型的基因 基因相互作用识别算法--MRANOVA算法. 该算法有效解决了现有基因 基因相互作用识别算法在海量数据规模下普遍存在计算复杂度过高的问题. 实验结果表明, 该算法充分利用了云平台的并行计算能力, 随着数据量的增大, 加速比逐渐接近于集群数量, 可高效准确地完成基因 基因相互作用的识别.     

基于CDbw和人工蜂群优化的密度峰值聚类算法

针对密度峰值聚类(DPC)算法存在的d_c值难选择及近邻原则聚合操作在低密度区效果不佳的问题, 提出一种基于人工蜂群与CDbw聚类指标优化的密度峰值聚类（BeeDPC）算法, 以实现类簇间数据点的自动识别和合理聚类, 并解决DPC对类簇间数据点类别识别上存在的缺陷. 实验结果表明, BeeDPC算法具有自动识别并合理聚类类簇间数据点、 自动识别类簇中心点和类簇数量及自动处理任意分布数据集的优势.     

新型线性函数光子晶体的光子二极管

研究一维线性函数光子晶体的透射特性及光正入射和反入射时的电场分布特性. 结果表明, 线性函数光子晶体可放大或衰减光的电场强度.     

结构方阵秩亏为k的可信性验证

利用区间算法研究结构矩阵秩亏为k的可信性验证.对具有特殊代数结构的矩阵A(p),给出了算法输出具有相同代数结构的区间矩阵A(p+W),其每个位置的元素为矩阵A(p)相应位置元素的很小区间摄动,使得区间矩阵A(p+W)中包含一个具有相同代数结构且秩亏为k的矩阵A(p+w).结果表明,结构矩阵秩亏为k的可信性验证可以应用到多项式因式分解的可信性计算中.     

基于不动点算法的LLT去噪模型

利用凸分析理论建立关于图像去噪LLT模型的不动点方程, 并用不动点迭代得到关于该方程的数值解. 数值试验结果表明, 该方法比原来的数值方法速度更快、 去噪效果更好.     

过渡金属掺杂对γ′-Fe_4N的热稳定性和磁性的影响

利用第一性原理密度泛函理论,对不同过渡金属M(M=Mn,Co,Ni)掺杂γ′-Fe4N的结构进行焓值计算.结果表明:以MnFe3N/Fe2,CoFe3N/Fe2和NiFe3N/Fe1为掺杂结构的能量最稳定,且均呈铁磁性;掺杂过渡金属元素的原子序数越小,体系的能量越低,材料的结构越稳定;随着压强的增加,掺杂元素替代面心不等价Fe位可有效减小压强对材料磁性的影响,使材料在更大压强区间内保持强铁磁性,衰减速率相对较低.     

一种新型自适应嵌入式流形去噪视频运动目标分割算法

针对目前运动目标分割算法在复杂场景中适应性较差,时间复杂度较高等缺陷,提出一种新的运动目标分割算法,该算法通过自适应流形去噪实现刚性和非刚性对象的运动分割.首先,引入一种自适应核空间,如果两个特征轨迹属于同一刚性对象,则将其映射到相同点上;然后,采用一种基于自适应内核的嵌入式流形去噪算法,分割出刚性和非刚性对象的运动;最后,在多个数据集上与几种传统算法进行对比实验.实验结果表明,该算法在不同场景中均能取得更好的分割与跟踪效果.     

基于压缩感知和离散余弦变换的数字图像水印算法

为了使水印信息更好地隐藏于原始图像中,加快水印信息检测,设计一种基于压缩感知和离散余弦变换的数字图像水印算法.首先将原始载体图像划分成多个子块,采用离散余弦变换对各子块进行分解;然后采用压缩感知对水印信息进行处理,减少嵌入的信息量;最后将水印信息嵌入到原始载体子块的相应位置,并通过匹配跟踪算法实现水印信息的检测.从主观和客观两方面对数字图像水印算法的性能进行评价,结果表明,该算法的水印具有良好的不可感知性,对抵抗常见攻击具有很好的鲁棒性,解决了水印透明性与鲁棒性之间的矛盾,且加快了水印提取速度.     

序限制下最优位置同变预测区间的改进

考虑序限制下随机变量的统计预测问题. 利用密度函数中未知参数间的序限制及可得到的所有样本观测值, 改进了位置分布族下常见的同变预测区间, 给出一族改进的预测区间, 并举例进行了说明.