课程文献中心 更多>>

关键词： 黑洞   暗物质   时空几何   扰动理论   波动方程   准正规模  

摘要： 黑洞是爱因斯坦在广义相对论中预言的一种美丽而又神秘天体.这种天体的引力场异常强大,甚至连光都无法逃脱.在过去的几年里,通过引力波探测和事件视界望远镜（EHT）的观测,我们对黑洞的理解有了重大的突破.这些观测不仅证实了黑洞的存在,还验证了爱因斯坦广义相对论中关于黑洞的理论,为我们提供了深入研究这些天体的机会.从引力波事件的时域信号来看,双黑洞合并主要历经三个阶段:一是旋进（Inspiral）阶段;二是合并（Merger）阶段;三是铃宕（Ringdown）阶段.其中,第三阶段是一个指数衰减的振荡阶段,其振荡行为可以用一个波动方程来简单描述.在这个阶段中,黑洞的准正规模主导着信号,并且这种信号完全取决于黑洞自身的参数.因此,准正规模被称为黑洞的一种特征“声音”,它可以作为识别宇宙中黑洞的一种工具.另一方面,来自星系中心的超大质量黑洞可能沉浸在暗物质晕中.由于黑洞的巨大引力,黑洞周围的暗物质粒子会被黑洞吸积成一个密度增强的“尖峰”结构.这种“尖峰”结构可能会显著改变黑洞周围的时空特性,从而产生与广义相对论黑洞的偏差.这些偏差可能涉及到引力场的形状、时空弯曲程度以及其他相关参数的变化,为我们提供了探索新物理现象的机会. 基于这些有趣且重要的物理背景,本论文对几种暗物质―黑洞系统的时空几何和准正规模进行了较为系统的研究.主要的研究内容及研究结果如下:首先,从爱因斯坦场方程出发,结合M87*的质量模型,分别在牛顿近似和完全相对论形式下构造了一个沉浸在暗物质尖峰中的类史瓦西黑洞度规.然后,利用有限差分法、Prony方法以及WKB近似方法,研究了标量场扰动和轴向引力扰动下黑洞的准正规模,并与史瓦西黑洞进行比较.此外,还深入研究了暗物质对黑洞准正规模的影响.特别地,我们发现,在轴向引力扰动中,暗物质尖峰对黑洞准正规模的影响最高可以达到10-4数量级.暗物质尖峰中黑洞准正规模的这些新特征可能为最终暗物质模型的建立提供一些帮助,并为暗物质的间接探测提供一种新的思路. 其次,结合低表面亮度（LSB）星系的质量模型和暗物质晕中的类史瓦西黑洞度规,在标量场扰动、电磁场扰动以及引力扰动中研究了冷暗物质模型和标量场暗物质模型中黑洞的准正规模,并与史瓦西黑洞进行比较.同时,使用连续分数法研究了LSB星系下类克尔黑洞的引力振荡,即准正规模和准束缚态,并与克尔黑洞进行比较.通过对不同参数7),8),(6下黑洞准正规模和准束缚态频率的测试,证实了类克尔黑洞在冷暗物质模型和标量场暗物质模型中均存在超辐射不稳定性.讨论了特定情况下暗物质参数对黑洞准正规模和准束缚态的影响.未来,这些结果可能用于超大质量黑洞的引力波探测,有可能为间接探测暗物质的存在提供一种有效的方法. 最后,从爱因斯坦场方程出发,结合M87*的质量模型和Einasto密度剖面,我们提出了一个在暗物质晕中的黑洞形式解,该形式解包括几何参数(6<2的规则黑洞解以及几何参数(6≥2的虫洞解.然后,在轴向引力扰动下测试了这两个黑洞解,并计算了它们的引力振荡,即准正规模.可以发现,当几何参数(6>2时,准正规模之后出现一系列引力波回波,并且引力波回波的一个显著特征是有效势的双势垒.此外,我们还构造了一个在暗物质晕中的静态球对称黑洞解.然后,利用Newman-Janis算法,将该黑洞解推广到了旋转情况,得到了一个类克尔黑洞解.最后,结合M87*的质量模型,研究和分析了该类克尔黑洞的一些物理性质,例如黑洞视界、能层、黑洞阴影以及阴影的可观测量,并与克尔黑洞进行比较.特别地,从黑洞阴影的角度出发,考虑到类克尔黑洞和克尔黑洞的黑洞阴影必须是可区分的,给出了Einasto密度剖面中形状参数的上限,它大约为<0.22,这可能为进一步改进和完善暗物质晕密度剖面提供一种新的方法.暗物质晕中类克尔黑洞的这些研究结果可能为暗物质的间接探测提供一定的帮助.

关键词： 迁移学习   少样本和零样本学习   元学习   张量表征与计算   图表征学习  

摘要： 赋予机器模拟人类认知过程进而执行复杂任务的人工智能技术正在推动着一场前所未有的科技革命浪潮。尽管依赖大规模标注数据的监督学习在对象识别领域已经超过了人类能力范畴,然而数据标注成本十分高昂且现实世界中数据往往呈现长尾分布等问题严重阻碍了人工智能技术在各个行业的落地应用。当前研究者们根据数据标注规模开展了多方面的相关研究并取得一定进展,但离达到实际部署水平仍有较大差距。对此,提升少样本和零样本场景下的数据学习能力正成为当下多个领域的热点研究话题,也是实现通用人工智能的必由之路。 针对少样本和零样本场景下数据学习任务面临的关键问题,以数据标注规模从少到无为研究脉络,依托迁移学习和张量表征与计算等关键技术,并将视觉识别任务作为方法验证主要落脚点,依次开展少样本和零样本场景下相关研究工作,主要研究内容及贡献总结如下: (1)在少样本场景下,首先提出一种张量原型图网络,利用图结构将支持集内部信息以及与查询集样本之间的信息进行相互传播,有效缓解过拟合和领域漂移问题。该方法主要关注类别级的原型表征学习,忽略了类内和类间的样本差异问题,进而提出一种跨非局部注意力张量网络模型,设计了一种支持集和查询集特征交互指导学习的注意力机制,可以在少量样本下有效捕获类间判别性特征及类内共有特征。在少样本基准数据集上,两种方法最高均可提升约5%的准确率。 (2)在传统零样本场景下,提出一种对偶张量原型图网络,以张量原型图网络结构为核心技术指导,构建语义和视觉两种模态的张量原型图,并采用精心设计的交互式迭代式更新策略让视觉和语义两种模态原型进行互相引导式学习,缓解视觉和语义流型不一致的问题。该方法在零样本基准数据集上可实现约6%的准确率提升。 (3)在广义零样本场景下,首先提出一种张量原型进化网络嵌入式零样本模型,分别从原型级别和分布级别缩小视觉-语义差距,使得两种原型模态间紧凑、模态内疏远。该方法在零样本基准数据集上最高可提升约4%的未见类别识别准确率和2%的调和准确率。最后提出一种张量变分生成对抗网络生成式零样本模型,借助变分自编码器和生成对抗网络学习视觉样本的隐空间表达模式,然后利用语义一致性重建约束和合成特征矫正来引导高质量的样本合成,最终在零样本基准数据集上最高可提升约2%的未见类别识别准确率和4%的调和准确率。 以上研究成果可有效提升少样本和零样本场景下的数据学习能力,为深度学习领域摆脱数据标注提供新的思路。

关键词： 疾病检测   光纤生物传感   长周期光纤光栅   光热效应  

摘要： 疾病的及时检测有助于人们及早防治,保持人们的身体健康有助于现代社会的长足健康和谐发展。当前疾病检测往往需要依靠较高难度、需要精细操作和高成本的大型医疗设备,很大程度上延滞了疾病的及时检测。基于长周期光纤光栅（LPFG）的光纤生物传感检测由于其高灵敏度、耐腐蚀、可在线检测、低成本和生物相容性等优势被广泛研究应用于医学检测领域。本文中基于LPFG和分子光热效应,并通过在光纤结构表面涂覆高热光系数和导热系数的聚合物材料及复合材料等,设计制作多种高性能传感检测器件,可用于多种疾病生物标志分子的快速、高灵敏度的检测,有望为生物传感检测提供新型低成本在线平台,为健康监测系统的建设奠定基础。 本论文主要内容如下: 1.研究了一种基于纳米材料光热效应的结构调制型长周期微光纤光栅（SULPMG）传感器用于检测22。传感器由涂覆高热光系数聚合物和修饰光热响应纳米材料-普鲁士蓝纳米粒子的SULPMG制成。所提出的传感器在22浓度为0-8m M的线性检测范围内实现了-2.483nm/m M的高灵敏度,检测限达8.1μM。传感器不需要复杂的生物修饰,且在激光辐照条件下与未进行激光辐照时相比灵敏度明显提高,有效提高了其传感性能。 2.研究了一种基于生物分子光热效应的材料集成型长周期微光纤光栅（LPMG）传感器,利用聚二甲基硅氧烷（PDMS）周期涂覆锥形微光纤（TMF）制造光纤传感结构,利用Cyt c的光热效应,实现大检测范围、高灵敏度和低检测限的细胞色素C（Cyt c）检测。所提出的传感单元在Cyt c浓度为0-1000μM的范围内具有良好的线性度,并且实现了-0.041nm/μM的灵敏度,检测限达0.488μM。 3.设计一种结构复合型LPFG传感器,基于单模-无芯光纤周期拼接制作光纤传感结构,通过涂覆石墨烯/PDMS复合材料,基于Cyt c的光热效应,实现了较小范围内的高灵敏度检测Cyt c。传感器在0-10μM的浓度范围内具有良好的线性度,灵敏度达0.87d B/μM,检测限为11n M。与传统的检测方法相比,此设计的传感器制作简单,传感检测方法易于实现,并且具有高灵敏度,可以实现对Cyt c的快速、高灵敏度传感检测。

关键词： 红外小目标检测   低秩稀疏分解   4-D空时张量   张量全连接网络分解   特征表达  

摘要： 红外小目标检测在国防军事方面具有极高的应用价值。由于目标在红外图像上特征匮乏、成像背景复杂、成像距离远等原因,目前的红外小目标检测方法存在检测率低和虚警率高等问题。本文以张量低秩稀疏分解为基本框架,从红外图像的张量表示出发,利用背景的低秩特征、目标的稀疏特征和空时先验,构建张量低秩稀疏分解的目标函数。主要研究内容包含以下三个部分: (1)研究了张量分解基础理论,包括张量纤维与切片、张量展开、张量乘法运算和经典的张量分解模式。研究了张量低秩稀疏分解理论和求解框架,为后续算法的提出奠定了理论基础。 (2)提出了基于4-D空时张量模型的红外小目标检测方法。针对传统张量模型在表示红外图像数据方面的局限性,提出了4-D空时张量构建方法。为了验证4-D空时张量的有效性,在经典的张量分解方式:Tucker分解、TT分解、TR分解和T-SVD上分别设计了基于4-D空时张量模型的红外小目标检测方法,使用ADMM进行优化求解。分析了一般性评价指标的局限性,引入3D ROC新的评价指标综合评估红外小目标检测方法的性能。最后通过消融实验验证了将红外图像数据的张量表示从三维拓展到四维的有效性。 (3)提出了空时先验约束的FCTN红外小目标检测方法。研究了四维张量的全连接张量网络分解模式,使用张量秩的凸近似全连接张量网络分解核范数作为背景空时张量的低秩约束项,在目标张量约束方面,使用截断差分和多帧加权平均的方式增强目标,进一步提高了时域信息利用率。使用ADMM对算法进行迭代求解。该算法与竞争算法的对比实验中展现了优秀的目标增强能力和背景抑制能力。最后的消融实验证明了在模型中加入空时先验的必要性。 本文围绕着复杂背景下的红外小目标检测,针对传统张量模型在表示红外图像数据方面的缺陷和对时域信息、局部信息和全局信息利用不充分的问题,本文研究了基于4-D空时张量模型的红外小目标检测方法和空时先验约束的FCTN红外小目标检测方法,提高了红外小目标检测方法在复杂红外背景下的目标检测能力和背景抑制能力。

关键词： 光纤光栅   电子电路   新型传感器   传感技术   传统传感器   高集成度   实时性  

摘要： 光纤光栅（FBG,Fiber Bragg Grating）技术作为一种先进的传感技术，已广泛应用于各个领域。与传统传感器相比，光纤光栅具有灵敏度高、实时性强、抗干扰能力强、寿命长、体积小、应用范围广等独特优势。这些特性使得光纤光栅能够满足现代电子电路高集成度的特点以及新型传感器的设计理念和应用要求。

关键词： 干熄焦提升机   FBG传感   健康监测系统   长期监测   状态评估  

摘要： 在实际生产过程中，提升机的主梁强度及可靠性水平会随着使用年限的增长呈逐渐下降的趋势，金属结构薄弱及应力集中的部分疲劳损伤会不断呈现，使结构安全性不断降低。为保障设备的安全和高效运行，提高生产的整体管理水平，有必要建立完备的健康监测系统，实现在线监测分析和智能预警，助力生产人员实时把握结构的受力和变形状态。针对某大型干熄焦提升机建立了基于光纤光栅(fiber bragg grating, FBG)数据采集系统的健康监测系统，并对其关键部位的应力和应变数据进行了长期监测，根据监测结果分析出了结构损伤相对严重的部位。其工程应用表明，FBG技术是实现结构长期健康监测的有效手段。

关键词： 多核学习   子空间聚类   张量表示   低秩表示   鲁棒性  

摘要： 目前,子空间聚类是作为机器学习方式中热门方法之一,其本质是针对高维数据中来自不同低维子空间的数据,利用低维子空间数据本身的特质,将其划分至所属的子空间中。它可有效改善在机器学习处理高维数据中易出现的“维数灾难”问题,并且对数据中的噪声、数据受损和错误都有较强的鲁棒性。基于此,本论文以基于谱聚类的子空间聚类方法为基础,针对高维数据的非线性处理、核数据错误信息分离、核数据的高阶相关性的挖掘和大规模数据处理等内容开展研究。主要研究内容如下: 1)非负矩阵分解框架下的纯净核图张量融合子空间聚类 针对多核子空间聚类的研究中,当前大多数方法存在以下局限性:（1）其模型优化目标在于寻找最优共识核而不是最优亲和图,这导致在优化过程中核噪声始终对目标亲和图的学习产生干扰;（2）在寻找最优亲和图过程中,其仅利用了不同核矩阵间的相关性,忽略了多个核矩阵之间存在的高阶相关性。基于此,本文方法利用非负矩阵分解（Nonnegative Matrix Factorization,NMF）为每一个基核矩阵构造具有标准块对角结构的局部亲和特征图,然后通过优化多个局部亲和特征图之间的不一致性来实现自适应权重分配。最后利用张量来捕获多个局部亲和特征图之间的高阶相关性,为最优目标亲和图的学习提供更多的特征信息,增强模型聚类性能。 2)基于纯净度保持核张量低秩学习的鲁棒子空间聚类 原始数据经过核函数映射到高维特征空间以后,虽然其原本复杂的非线性数据结构变的线性可分,但是原始数据错误依旧存在,仍然会对后续聚类任务产生影响。基于此,本文方法通过多核学习,将所得到的核池构建为一个原始的三阶核张量,并在特征空间中将其受损信息进行分离,利用分离以后的纯净核张量来学习最优亲和度矩阵。且核池的张量学习可以有效挖掘不同核矩阵间的高阶相关性,从而有效提升算法的聚类性能。通过上述操作,能够在特征空间中有效隔绝原始数据错误向后续聚类任务的传递,增强模型鲁棒性。 3)基于纯净核张量学习的大规模子空间聚类 随着数据量的快速增长,大规模数据子空间聚类成为当前研究的热点。基于此,本文进一步设计并实现了一种基于深度编码器的纯净核张量学习的LS2C方法。该方法首先从原始数据中随机选取一个小样本数据集,并使用改进之后的基于纯净度保持核张量低秩学习的鲁棒子空间聚类算法来学习样本数据的亲和度矩阵,同时利用该亲和度矩阵训练深度编码器;然后,将训练好的深度编码器复制到原始大规模数据集上,以快速获得原始大规模数据的投影稀疏编码表示,并利用快速谱聚类方法进行聚类。

关键词： 交通流量预测   图卷积网络   张量分解   时空相关性  

摘要： 近年来,随着经济的快速发展和人民生活水平的提升,我国汽车保有量迅猛增加。然而,这也带来了严重的交通拥堵和和环境污染问题。智能网联汽车的发展是应对该问题的有效解决方案之一,它可以减少交通拥堵,降低车辆排放和交通噪音。智能交通系统(ITS)在智能网联汽车的发展中扮演着重要的角色,为其提供必要的基础设施、服务和数据信息,并受到广泛关注。其中,交通流量预测技术作为ITS的重要组成部分,能够提前反映交通道路状况,帮助智能网联汽车选择最佳路线,为智能网联汽车的自适应巡航控制系统提供关键信息。因此,构建高精度的交通流量预测模型成为当前的研究热点。在交通流量预测中,基于图卷积神经网络的模型因其强大的时空依赖性捕获能力而备受关注。然而,传统的图卷积神经网络在处理图数据时可能受限于图信息的丰富度。针对这一问题,本文提出了一种基于张量分解重构图的时空交通流量预测方法,全面捕捉复杂的时空相关性。具体工作如下: 针对当前缺失交通数据的预处理问题,采用一种基于截断迹范数的低秩张量填补模型,实验结果表明,在缺失率较高情况下,该模型对缺失数据进行预处理比基于矩阵的方法更有效,均方根和平均绝对百分比误差降低了约3%。 针对当前图卷积神经网络中图构建后信息量较小的问题,提出了一种新的基于张量分解的时空图重构模型。该方法首先采用和改进了现有排列融合图的构建方式,将时间图和空间图纳入同一时空融合图中,然后利用张量分解方法充分提取子图间的潜在相关性,并通过分解后获得信息量高度丰富的时空图。实验结果表明,该方法能有效提取路网潜在的时空连接关系,相比其他融合方式模型,平均绝对误差降低了0.6%。 针对当前基于图卷积神经网络未能同步提取全局和局部时空相关性的问题,提出了一种基于同步图卷积网络的交通数据预测模型。该方法引入了张量分解重构排列融合图的方式,构建了基于图卷积神经网络的局部相关性提取模块。同时,为了充分考虑全局相关性,引入了多层膨胀卷积。两个模块并行运行,全面捕捉时空相关性。实验结果表明,该模型的整体预测精度优于仅考虑局部相关性或全局相关性的模型,均方根误差、平均绝对误差和平均绝对百分比误差都有至少5%的显著改进。此外,与两个先进的排列融合图模型相比,所提出的方法在计算速度和预测性能方面相比两个先进模型至少提升了40%,证明了该方法在实际应用中的可行性。