课程文献中心 更多>>

关键词： C*-代数   局部可测算子   矩阵代数   上三角代数   von Neumann代数  

摘要： 设A是一个代数，M是A双边模.一个从A到M的映射若满足：对于A中的任何两个元，总能找到从A到M的导子，使得在这两个元上，该映射与该导子的值相等，则称该映射为一个2-局部导子。显然，2-局部导子与导子密切相关。近三十年来，关于2-局部导子的研究，受到一大批学者的关注。2015年，Ayupov和Kudaybergenov证明了每一个von Neumann代数到自身的2-局部导子都是内导子。2016年，Ayupov,Kudaybergenov和Peralta对这一问题进行了全面的综述。近年来，关于算子代数上的2-局部导子的研究进展显著，特别是在矩阵代数和C*-代数上获得了许多新的重要结果。在此基础上，本文系统地介绍了矩阵代数，von Neumann代数和C*-代数上的2-局部导子问题的最新成果。并且，本文还给出了2×2上三角矩阵代数上的2-局部导子的完整刻画，在该代数上，存在大量非平凡的2-局部导子。

关键词： 非平稳电磁环境   图着色   拍卖算法   频谱共享  

摘要： 随着现代信息化环境的复杂化和无人机广泛应用，无人机数量迅速增加，但在对抗激烈的电磁环境下，可用频谱资源有限，且己方可用频谱资源呈现非平稳动态变化，使得无人机间用频冲突加剧、导致通信链路稳定性下降。本文提出了一种结合图着色与拍卖竞价算法的决策机制，将无人机群间的复杂干扰关系转化为图着色问题，获得了平台间互扰最小化的极大独立集，并通过拍卖算法进一步优化了子集间各无人机的频谱资源分配，实现了实时智能的频谱共享。在仿真实验中，本文通过排队论模型对可用频谱资源受限的非平稳环境进行了模拟，实验结果表明，本文提出的算法在不同无人机数量下，频谱分配性能始终优于图着色频谱分配算法以及Greedy算法，特别是在20架无人机时，频谱分配效益提升50%以上，用频冲突率下降达80%。

关键词： 地方性写作   闯关东文学   文学重构   集体记忆   文化认同  

摘要： 近年来，学界围绕地方性写作展开广泛探讨，从创作样态到理论命名，试图建构一种解释地方经验、地方意识和地方审美的系统性话语。然而，对地方性写作的理解需要超越当下视野，回到历史深处探寻其文化根源。“闯关东文学”作为地方性写作的典范，蕴含着独特的历史叙事机制、审美建构模式和文化记忆功能：通过对移民史的选择性提炼和创造性转化，实现从个体经验到集体记忆的升华；以“反常态-象征化”“在场性-超越性”“边缘化-主体化”为审美模式，形成独特的地方审美形态；在文化记忆层面，以互动性重构为基础，不仅实现传统文化的创造性转化，更凝练出以开拓进取、包容共生为核心的“闯关东精神”。这表明，地方性写作的意义在于通过对话与融合开启文化创新的可能，其普遍价值正是建立在对地方特殊性的深度挖掘之上。

关键词： 钢轨定位   标签生成   边缘引导   旋转目标检测  

摘要： 钢轨定位是下游钢轨缺陷检测的先驱任务，但现有的旋转目标检测器很难处理具有任意倾斜角度和高纵横比的道岔路段钢轨。为此，提出了一种基于模糊边缘引导和旋转高斯函数的无锚框网络，用于道岔区段的钢轨定位。首先，提出了基于旋转高斯函数的标签生成策略，该策略根据钢轨的特定纵横比和方向生成更平滑合理的标签值。其次，设计了一个边缘学习模块，以鼓励网络对钢轨的边缘区域进行建模。此外，还开发了一个边缘引导模块，用于引导网络将下采样网络输出的特征和增强后具有更精细的位置和结构信息的边缘区域特征进行融合。同时，该模块中嵌入了局部通道注意力机制来挖掘关键通道。最后，在轨道数据集上进行的实验表明，RP-Net可以在复杂的场景中实现有前景的定位精度和良好的适应能力。

关键词： 网络表示学习   图注意力网络   自监督学习   图结构学习   节点分类  

摘要： 网络表示学习是网络分析任务的基础，对于挖掘和分析真实网络数据具有重大意义。最近，图注意力网络（Graph Attention Networks, GAT）及其后续变体，在网络表示学习中表现出了卓越的性能。但是基于注意力的方法存在以下局限性：（1）只考虑节点的一阶邻居信息，忽略了高阶邻居节点。（2）模型缺乏可解释性。（3）没有考虑到图中噪声边问题。为解决这些问题，本文提出了一种基于结构学习和自监督图注意力的网络嵌入模型（Structural Learning-based Self-supervised Graph Attention Network,SL-SGAT），融合节点特征与结构信息，降低噪声边干扰，提升模型可解释性。SL-SGAT主要包含三部分：图结构学习、自监督注意力机制和特征聚合。图结构学习构建全局图结构网络。自监督注意力机制设置一个自监督关系预测任务，加入噪声边损失。特征聚合利用注意力系数进行加权聚合，得到最终的节点嵌入表示。本文所提模型在Cora、Citeseer和Pubmed三个数据集上进行节点分类实验，准确率分别为84.4%、74.4%、81.5%，与表现优异的GAT及后续变体模型相比，分别提高1.4%、2.9%、3.2%；在节点聚类实验中，聚类精度分别提高3.3%、3.4%、1.2%。可见，我们提出的算法可以得到更好的嵌入结果。

关键词： 深度学习   迁移学习   脑电图   情感识别   注意力机制   异构脑电特征图插值   机器学习   残差网络  

摘要： 基于脑电信号(Electroencephalogram， EEG)的情感识别受脑电数据量和设备电极规格限制，迁移学习方法通过插值法将脑电信号转换为脑功能地形图，并利用预训练模型进行特征提取，但该方法在提取情感信息方面存在局限性。为提高迁移学习性能和情感识别泛化能力，文中提出一种基于异构脑电特征图空间注意力迁移学习的情感识别方法。利用插值法插值成的脑功能地形图数据预训练一个基于空间注意力机制和残差网络的脑电特征映射网络，作为插值法的替换方案与迁移学习模型结合，在情感识别模型训练时利用空间注意力机制更有效地捕获情感信息。将所提方法在DEAP、HCI、SEED-IV和SEED-V这4个情感识别数据库上验证，准确率分别为54.8%、63.6%、32.8%和25.9%。

关键词： k-哈密顿连通图   充分条件   谱半径   无符号拉普拉斯谱半径   α-谱半径  

摘要： 令图G是一个简单连通图。如果从图G中去掉任意k个顶点后,所得图中的任意两个顶点可被一条哈密顿路连接,则称图G是k-哈密顿连通的。本文首先给出了图G是k-哈密顿连通一个关于团数的充分条件,而后获得了图G是k-哈密顿连通多个关于谱半径、无符号拉普拉斯谱半径和α-谱半径的充分条件。本文结果推广了Chen和Zhang (2019)所得到的二部图是2p-哈密顿双连通关于谱半径和无符号拉普拉斯谱半径的充分条件的结论。

关键词： 心力衰竭   心电图   QRS波群振幅   血清尿酸   预后  

摘要： 目的探究心电图QRS波群振幅（QRSWA）联合血清尿酸(SUA)水平评估慢性心力衰竭（CHF）患者预后的价值。方法选取2022年3月至2023年9月于榆林市第一医院收治的126例CHF患者为研究对象，根据患者主要不良心脏事件（MACE）发生情况分为MACE组（n=41）和非MACE组（n=85）。比较两组患者基线资料[纽约心脏协会（NYHA）分级、左室射血分数（LVEF）等]、生化指标[总胆固醇（TC）、低密度脂蛋白胆固醇（LDL-C）、SUA、白细胞（WBC）、血浆N-末端前体脑钠肽（NT-proBNP）]、心电图QRS特征（QRSWA、QRS波群时限）、分析心电图QRS特征、SUA与临床指标的相关性，采用二元Logistic回归分析影响CHF发生MACE的危险因素，绘制ROC工作曲线图分析心电图QRSWA联合SUA对CHF患者预后的诊断价值。结果两组NYHA分级、LVEF、NT-proBNP、SUA比较，差异有统计学意义（P＜0.05）；MACE组QRSWA低于非MACE组（P＜0.05），QRS波时限高于非MACE组（P＜0.05）；Pearson或Spearman相关性分析显示，QRS波时限、SUA与NYHA分级、NT-proBNP呈正相关（P＜0.05），与LVEF呈负相关（P＜0.05），QRSWA与NYHA分级、NT-proBNP呈负相关（P＜0.05），与LVEF呈正相关（P＜0.05）；Logistic回归分析显示，NYHA分级（OR=2.625，95%CI1.812～3.802）、LVEF（OR=1.578，95%CI1.267～1.965）、NT-proBNP（OR=3.248，95%CI1.735～6.081）、SUA（OR=1.137，95%CI1.041～1.241）、QRSWA（OR=1.260，95%CI1.067～1.488）、QRS波时限（OR=3.397，95%CI2.804～4.117）与CHF患者预后相关；ROC曲线显示，QRSWA、QRS波时限、SUA及三者联合检测ROC曲线下分别为0.688、0.827、0.828、0.931，联合检测敏感度均高于单项指标检测。结论QRSWA、QRS波时限、SUA均与CHF患者预后相关，可作为临床参考指标。

关键词： 海上油田   稠油热采   配注量计算   均匀加热   层段划分  

摘要： 由于海上油田稠油储层存在非均质等特点，导致了笼统配注方式在加热储层过程中出现传热不均、汽窜等问题，降低热采效率；为实现储层的均匀注汽和加热，需要提出一种合理的层段配注量计算模型。根据模糊数学的基本原理，在渗透率、孔隙度等储层参数中筛选出最具影响力的的5个关键参数；建立关键参数对储层影响程度的层段组合配注量计算模型；同时以储层均匀加热为目标，求解出层段间的配注比例计算公式，以此为基础，提出一种新的层段划分方法即比例导数判别法，对实际生产中注汽层段的组合划分进行预测。结果表明：配注量计算模型以及层段划分方法相较笼统注汽方式，产油量提高了20%，具有较好的加热效果；依据储层参数设计配注方案，是海上油田稠油储层均匀加热的新思路，未来研究可在此基础上建立动态优化模型，并扩大验证范围。

关键词： 深度图超分辨率   边缘结构   梯度特征   频率引导   隐式神经函数  

摘要： 颜色图像引导的深度图超分辨率(GDSR)旨在利用同一场景下高分辨率(HR)彩色图像提供的引导信息，将低分辨率(LR)深度图重建为高分辨率深度图。尽管基于空间域的学习方法可以有效提高深度图的整体重建质量，但在从低分辨率深度图进行重建时，仍然面临“边缘结构模糊”的问题。为了解决该问题，提出了梯度频率引导多阶段整合的深度图重建网络（GFNet），利用颜色图像的梯度先验和频率信息来增强深度边缘结构细节的重建。首先，设计了一个梯度特征提取模块，结合了RGB图像的梯度先验知识来优化LR深度图的梯度结构。其次，设计了一个空间频率双路引导模块，将RGB图像中精确的高频成分传递到LR深度图中，从而引导深度图丢失的高频信息重建。最后，采用一种新颖的隐式神经函数来提高深度图的分辨率。实验结果表明，在8倍缩放因子的情况下，GFNet在数据集NYUv2、Middlebury以及真实场景数据集RGB-D-D上RMSE指标分别达到了2.48cm、1.62cm、2.57cm，相比于结构更复杂的模型GeoDSR，分别提升了0.14cm、0.06cm、 0.12cm，并在边缘结构细节方面优于对比方法，证明了GFNet模型的有效性。