课程文献中心 更多>>

关键词： 光纤马赫-曾德尔干涉仪   衍射光栅   光纤传感   飞秒直写  

摘要： 光纤传感技术,经过几十年的发展已经应用于人类发展的方方面面,为各项工作展开提供了更加便捷的传感方式,提高了人们的生活水平。在光纤干涉型传感器中MZI(马赫-曾德尔干涉仪)是一个重要的分支。与光纤布拉格光栅不同,文章提出的光纤衍射光栅更多的还原了衍射光栅在空间中的分光能力。利用衍射光和零级光的干涉提出了一种新型的光纤马赫-曾德尔传感器。文章主要研究和实验了衍射光栅在光纤中的制作和其在传感中的应用,从理论和实验两个方面提出并解决了衍射光栅应用于光纤传感领域的多个问题,具体内容如下:1、根据衍射光栅理论总结了衍射光谱的变化规律。通过模拟验证了光栅各个参数对衍射光栅衍射效率的影响。2、利用飞秒激光微加工技术制作了不同的光纤内衍射光栅结构,成功地在光纤内得到了衍射效果极佳的衍射光栅。分析总结了衍射光栅在单模光纤和多模光纤中衍射光栅的不同点和相同点。3、根据马赫-曾德尔干涉仪原理在光纤内制作一对衍射光栅,分析了构成马赫-增德尔干涉的两条光路的大致路径。通过衍射光栅的衍射角,可以设置需要的光程差来制作光纤传感器。测量了一对衍射光栅不同间隔的传输损耗,不同间隔衍射光栅对的传输谱的自由光谱范围不同,其干涉模式也不同。文中分析了此间变化产生的原因。得到的传感器温度灵敏度在20-80℃范围内为8.03pm/℃、应变灵敏度在2000με内为-1.43 pm/με、折射率灵敏度在1.3367-1.3700范围内为363.41nm/RIU。

关键词： 交通数据补全   张量因子分解模型   特征因子矩阵   数据张量  

摘要： 由于天气、通信、传感器等各种原因造成交通数据缺失是收集交通数据时常见的问题,然而,后续的各种理论研究和实验都需要完整可靠的数据,那么对于缺失交通数据补全方法的研究是非常必要的。现有的大多数交通数据补全方法仅考虑到单一的时间或空间特征,但交通数据存在多个时间特征（年、月、日等）,现有的方法并不能完整的反应多时间交通数据的时空特性,本文提出的改进的张量因子分解模型（MTTF）考虑多个时间因素,对于交通数据的时空特征也就是时间周期性和地点相似性提出适合的模型,更加的符合实际交通情况从而提高补全效率。首先将缺失的数据构建成张量的形式从而可以包含更多的时空特征,使用张量的形式构造可以解除常规的只能包含两个特征的矩阵形式的局限性,可以使得数据包含更多的特征,从现有常见的两个特征增加到三个及以上,使得数据形式的构造更加灵活;其次把张量形式的数据分解为多个特征因子矩阵,对特征因子矩阵以及相应的参数和超参数进行贝叶斯假设;最后使用吉布斯采样方法对各参数进行采样,根据所有的参数再将特征因子矩阵还原成数据张量,从而补全缺失的数据。本文针对缺失数据的各种情况进行了仿真实验,实验数据的缺失率从10%到90%,同时对特征因子矩阵的维度从10到30的情况进行实验。使用伯明翰的多个停车场的停车占有率数据,时间从2020年10月至2020年12月。同时将该模型与同类型的模型进行对比,使用均方根误差（RMSE）对各模型实验结果进行评估,实际数据验证结果表明,在各种缺失率变化的情况下和不同的特征因子矩阵维度的情况下,评价指标均方根误差在大多数情况下都优于其他模型,实现了较好的补全效果。该方法可以应用于多种缺失交通数据场景,对于补全包含各种多时间特征的交通数据缺失情况提供了解决方法。

关键词： 无线电地图   张量理论   张量鲁棒主成分分析   张量补全  

摘要： 无线通信技术的快速发展带动了物联网、车联网等各种新技术的兴起,大量智能用频设备的投入使用使得频谱资源短缺问题日趋严重,然而,由于目前频谱资源分配策略发展得不够完善,频谱资源的利用率十分低下。基于无线电地图辅助的无线网络资源管理系统能够实现频谱资源的精细化管理,为提高频谱资源的利用率提供了一种有效的途径。频谱数据具有时间、空间、频率、信号强度等多个维度的特征,而张量是一种高维数组,基于张量表征的无线电地图能够同时从多个维度描述频谱资源的使用状态,在改善频谱资源管理方面具有巨大的优势和潜力。真实的通信环境是复杂多变的,这就导致无线电地图在构建过程中会存在掺杂噪声或数据缺失的情况。针对上述问题,本文围绕基于张量模型下的高阶无线电地图的去噪和补全问题进行了研究。论文的主要内容和创新点如下:一、基于频谱数据和稀疏噪声的特点,本文将去除高阶无线电地图模型中的稀疏噪声问题建模为张量鲁棒主成分分析(Tensor Robust Principal Component Analysis,TRPCA)问题,并提出了一种基于改进的加权核范数最小化的TRPCA算法。通过对张量核范数进行加权以及提取张量奇异值分解(Tensor Singular Value Decomposition,t-SVD)中的核矩阵的低秩成分,避免了传统的TRPCA算法中对较大的奇异值惩罚力度过重的问题,同时解决了 t-SVD中对第三维度上的低秩结构未充分利用的问题。基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)对所提出的TRPCA模型进行了求解,并通过仿真证明了所提的TRPCA算法在去噪性能上的优越性;二、针对高阶无线电地图中的数据缺失问题,本文提出了一种基于张量的截断核范数之和最小化的补全算法,通过张量补全算法实现对无线电地图中的缺失数据的补全。本文将张量补全算法模型建模为最小化各个模n张量的截断核范数之和的形式,改善了现有的张量核范数最小化模型的补全性能,同时避免了因为三阶张量核范数的方向相关性而导致的补全性能下降的问题。最后推导了所提出的补全模型的求解过程,并利用ADMM框架进行迭代优化。仿真结果证明了所提出的补全算法的良好性能。

关键词： 辐射流体力学模型   屏蔽氢近似   碰撞辐射模型   动力学演化  

摘要： 激光脉冲与固体靶材的相互作用及产生的等离子体具有原子过程复杂、时空快速演化等特点,其辐射和动力学演化特性与实验条件,例如入射激光的脉宽、强度、波长,背景气体的种类和压强及靶材的性质和构型息息相关。从理论模拟角度寻求最优的实验条件能够为脉冲激光沉积、短波光源、离子源和元素定量分析等应用领域的进一步发展提供重要的指导和支撑。利用热传导方程、流体动力学方程和辐射输运方程,我们建立的二维轴对称辐射流体动力学模型能够较为全面的模拟激光与靶相互作用、激光与等离子体相互作用以及等离子体的动力学演化等物理过程。模型中考虑了包括电子碰撞激发/退激发、电子碰撞电离、三体复合、辐射复合、光电离和光激发在内的共11种原子过程。该模型中等离子体中的电荷态分布和能级布居采用自主发展的基于屏蔽氢近似的碰撞辐射模型求解。本论文利用该模型深入研究了1064nm和266nm两种波长的激光与放置在1atm背景空气中的固体Al靶相互作用时靶材和等离子体的动力学演化特性,得到了以下主要结果:1.1064nm激光烧蚀期间靶材表面的最高温度大于266nm。短波的266nm激光产生等离子体的时间早于1064nm;2.等离子体对1064nm激光的吸收要远远强于266nm。逆轫致辐射是1064nm激光吸收的主要机制,而光电离则是266nm激光吸收的主要机制;3.1064nm激光产生的等离子体其最大温度高于266nm,并且高温区域位于等离子体前端;4.长波激光与固体靶材相互作用的辐射流体动力学模型中可以用局域热力学平衡近似计算等离子体中的电荷态分布和能级布居。然而对于短波的266nm,则必须采用碰撞辐射模型求解。

关键词： 目标识别   RNNPool   张量链分解   高阶张量  

摘要： 随着人类生活品质的不断改善以及科技水平的持续发展,人们对于日常生活中的常见问题都更倾向于通过科学技术以实现更优化更便利的处理。伴随着这种趋势以及大数据、云计算、物联网等的发展,社会中的数据逐渐形成了融合时间、空间、物理等各个维度信息的多维数据,其多角度的信息表示可以更加精准地反映出人们的生活轨迹,但同时数据量的扩充也使得数据的处理变得更加困难。而张量作为向量以及矩阵在高维度上的延展,可以从多维度上表达数据的多类属性,从而对此类大数据进行合理表示。同时,由于计算能力的迅速提高,人工智能的应用领域也不断扩展,且更加多样化。其中,针对目标识别问题,RNNPool模型的高效性以及稳定性使其在一众机器学习模型中脱颖而出,它能以更低的内存能耗对产品进行更高精确率的特征预测。首先,本文提出了改进模型RNNPool3D以及RNNPool3D＿2模型。RNNPool3D可以有效针对三阶数据进行特征提取,改善了原始RNNPool模型仅能针对数据两个维度上的特征进行处理的问题。而RNNPool3D＿2是针对三阶彩色图片各阶上物理意义不同的问题,所改进的对通道阶进行优化处理的RNNPool3D改进模型。其次,考虑到现有模型运行时间较长、消耗资源较多的问题,本文提出改进模型TT-RNNPool3D。该模型于RNNPool3D＿2模型基础上,通过结合张量分解算法,使得模型可以将高阶数据分解成多个低阶数据以实现并行处理化,大大降低需处理的参数量。此外,TT-RNNPool3D可以在维持RNNPool3D＿2模型精度以及收敛速度几乎不变的情况下,大大降低训练难度,从而节省大量资源。同时,本文还对RNNPool3D＿2以及TT-RNNPool3D模型在通道阶的处理上提出了改进的设想。最后,本文在钢材表面缺陷数据集、运动分类数据集以及KTH-TIPS数据集上对所改进的模型及其不同参数与变体进行了对比实验,并将所得结果在准确率、损失度、消耗时间等七个实验指标上进行了分析与总结。所改进的模型在运动分类数据集上获得了较高的精度,并在KTH-TIPS数据集上相较于原始模型有着最大的提升效果。

关键词： 众包   强化学习   深度学习   社交网络   张量表征  

摘要： 随着新兴互联网商业模式的蓬勃发展,众包通过利用集体智慧已经成为一种解决大规模、复杂问题的高效、分布式范式,其中人员选择和用户激励是众包系统中最受关注的两个问题。但是,传统的人员决策和激励机制存在以下不足之处:第一,没有充分考虑用户间复杂的关联关系;第二,决策过程只注重短期利益;第三,缺乏对复杂任务的良好建模,因此很难满足日益复杂的众包任务需求。鉴于上述情况,结合强化学习考虑长期回报的特性以及张量强大的数据表征能力,设计了基于张量强化学习的社交众包团队推荐及激励机制。针对复杂任务中的人员选择问题,考虑在社交网络中进行众包团队推荐,使用强化学习提供智能化的人员决策方案。为了能够更好保持状态元素之间的关联关系,提高数据利用率,使用张量对复杂任务环境进行建模,提出基于张量Q学习的人员决策算法。为加快张量Q学习的收敛速度,深度挖掘数据潜在信息,将张量分解与张量Q学习相结合,提出基于Canonical Polyadic(CP)分解的张量Q学习人员决策算法。基于两个数据集的实验结果表明,与传统强化学习算法相比,基于CP分解的张量Q学习所需收敛时间减少了6.7%,模型收敛后选出团队的利用率提高了22.1%。为提高选出人员参与任务的积极性,针对用户激励问题,将强化学习中的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)模型从向量空间扩展到张量空间,提出基于张量DDPG模型的用户激励机制。实验结果表明,基于张量DDPG模型的激励机制通过加强对过去经验的学习,能够为用户制定更为合理的平台定价,最终使得平台的效用函数值相较于对比算法提高了21.2%。

关键词： 垂体腺瘤   弥散张量成像   视觉通路   视野   脑白质  

摘要： [目 的]本研究利用两种基于磁共振弥散张量成像（Diffusion Tensor Imaging,DTI）的脑白质微观结构分析方法探索垂体腺瘤患者前视路结构受压后后视路白质纤维束微观结构的改变,探讨DTI技术能否作为一种定量评估垂体腺瘤患者视觉通路损伤的有效评价手段。[方法]2020年10月至2021年12月昆明医科大学第四附属医院（云南省第二人民医院）神经外科收治伴有视觉功能损伤的垂体腺瘤患者25例为研究组,男性14例,女性11例,平均年龄45.48±15.54岁。同期招募了年龄、性别匹配且视力正常者25例为健康对照组,男性16例,女性9例,平均年龄43.68±14.52岁。采用飞利浦3.0 T磁共振扫描仪搭配32通道的头部线圈采集所有被试的DTI数据。应用两种基于DTI的脑白质微观结构分析方法进行研究。方法一:确定性纤维追踪技术。运用功能磁共振数据处理软件库（FMRIB Software Library,FSL）对DTI数据完成预处理后利用Diffusion Toolkit和TrackVis软件进行确定性纤维追踪,获得两组被试双侧视放射白质纤维束的纤维数目、体积、平均长度及各向异性分数（fractional anisotropy,FA）、平均弥散率（mean diffusivity,MD）、轴向弥散率（axial diffusivity,AD）、径向弥散率（radial diffusivity,RD）、表观扩散系数（apparent diffusion coefficient,ADC）值。然后利用 SPSS 22.0 软件,采用独立样本的t检验及曼-惠特尼秩和检验分析两组间双侧视放射白质纤维束的形态学参数及DTI定量参数的差异;采用Pearson相关及Spearman相关分析两组间存在差异的参数与临床指标之间的相关性;P＜0.05认为差异有统计学意义。方法二:基于纤维束的空间统计分析（Tract-Based Spatial Statistics,TBSS）。运用FSL软件对数据进行预处理得到所有被试的FA图,进而将其转换到蒙特利尔神经研究所（Montreal Neurological Institute,MNI）脑图谱的标准空间,基于所有配准到标准空间的FA图构建平均的FA图及白质骨架,然后通过置换检验比较分析两组间白质骨架上存在明显差异的脑区。将两组中有差异的脑区作为感兴趣区（Region of interest,ROI）,提取研究组各被试ROI的平均FA值,利用SPSS 22.0软件,采用Pearson相关及Spearman相关分析ROI的FA值与临床指标之间的相关性;P＜0.05认为差异有统计学意义。[结 果]1、利用确定性纤维追踪技术进行分析的结果:1)研究组左右两侧视放射白质纤维束的体积较对照组减小（P=0.000、0.001,均＜0.05）,与平均缺损（Mean Deviation）、加权视野指数（Visual Field Index,VFI）呈正相关（r=0.700、0.725、0.623、0.592;P=0.005、0.003、0.017、0.026,均＜0.05）;左侧视放射白质纤维束的纤维数目在两组间的分布存在差异（P=0.008＜0.05）,与平均缺损（Mean Deviation）、加权视野指数（Visual Field Index,VFI）呈正相关（r=0.572、0.673;P=0.033、0.008,均＜0.05）;2)研究组左右两侧视放射白质纤维束的FA值较对照组减低（P=0.000、0.000,均＜0.05）,RD、MD、ADC 值较对照组升高（P=0.000、0.000、0.002、0.001、0.002、0.001,均＜0.05）;FA、RD、MD、ADC 值与平均缺损（Mean Deviation）、模式偏差缺损（Patten Standard Deviation,PSD）、加权视野指数（Visual Field Index,VFI）均未见明确相关性（P＞0.05）;3)研究组双侧视放射白质纤维束的形态学参数及DTI定量参数与嗅球-脑球高度（Bulbo-pontineheight,BP-height）均未见明确相关性（P＞0.05）。2、利用基于纤维束的空间统计分析进行分析的结果:1)研究组双侧视放射及下额枕束白质纤维束的FA值较对照组减低（P＜0.05）;2)研究组左侧视放射及下额枕束白质纤维束的FA值与平均缺损（Mean Deviation）、加权视野指数（Visual Field Index,VFI）呈正相关（r=0.537,0.614;P=0.048、0.020,均＜0.05）,与模式偏差缺损（Patten Standard Deviation,PSD）呈负相关（r-0.70

关键词： 张量鲁棒主成分分析   低秩结构   全局特征   收缩函数   重加权算法  

摘要： 对癌症多组学数据的深入研究可以从基因层面为癌症的防治提供理论依据。随着高通量测序技术的发展,大量不同类型的测序数据不断涌现。不同类型的组学数据从不同的角度揭示癌症的发病机制。张量鲁棒主成分分析(Tensor Robust Principal Component Analysis,TRPCA)方法可以对多类型测序数据进行深入分析,从而更全面地探索基因和癌症之间的关联信息。而且,TRPCA方法在生物信息学领域取得了良好的应用效果。但是,现有方法仍存在抗干扰能力不足、忽略数据异质性和结构信息提取不充分等局限性。考虑到上述局限性,对TRPCA进行改进并在癌症多组学数据上验证。对方法改进的工作有如下四个部分:(1)为了解决传统张量分解方法抗干扰能力不足的问题,提出了基于张量积的稀疏正则化张量分解方法(Sparse Regularized TRPCA Based on Tensor Product,t-STRPCA)。该方法采用基于张量积算子的核范数来逼近秩函数,保存张量独特的空间结构信息,更好地挖掘不同类型数据的互补信息。同时,运用L范数来约束稀疏张量,其行稀疏性减少了噪声和异常值等不良因素带来的影响,并且促进了不同类型的数据产生一致性。本文致力于发现新的癌症亚型和更有意义的共差异表达基因,并在癌症基因数据集上验证了t-STRPCA的性能。最后,结合文献对基因进行深入分析,探索新的癌症基因关联。(2)为了利用数据的异质性来提取主要信息,提出了基于张量收缩核范数的张量分解方法(TRPCA Based on Tensor Shrinkage Nuclear Norm,TSN-TRPCA)。该方法基于张量奇异值分解探索低秩空间,确保能够挖掘不同空间的互补信息。另外,张量收缩核范数可以减少对较大奇异值的惩罚,有利于保存主要信息。极小的奇异值可能是噪声或异常值,通过对其增加惩罚来提升模型鲁棒性。为了评估TSN-TRPCA方法的有效性,在癌症多组学数据集上进行样本聚类和基因提取实验,并对结果进行了分析和验证。(3)针对依赖特征集中和结构信息提取不充分的问题,提出了结合全局特征和稀疏结构的张量分解方法(TRPCA Based on Reweighted Algorithm and Adaptive Weighted Tensor Nuclear Norm,ARTRPCA)。利用基于奇异值更新的加权方案来学习低秩空间中的全局特征,减少对特征集中的依赖性。引入重加权算法来计算先验知识,可以提取稀疏结构信息。此外,ARTRPCA还增加了高斯条目的稀疏阈值以减少异常值的影响。通过同时学习全局特征和稀疏结构知识来挖掘数据的信息。在癌症多组学数据上验证了ARTRPCA方法的性能。(4)针对低秩结构提取不完全和忽略数据异质性的问题,提出基于潜在低秩和p收缩广义阈值算法的张量分解方法(TRPCA Based on Potential Low-rank and p-shrinkage Generalized Threshold Algorithm,p-TRPCA)。首先,考虑到数据点信息量的差异性,该方法利用奇异值融合权重来学习不同空间的癌症特征。同时,p-TRPCA能够从低秩张量中分离出核心矩阵,从而在核心矩阵中提取潜在的低秩结构,进一步学习不同空间的癌症特征。为了验证p-TRPCA方法的实际性能,在癌症多组学数据集上进行了实验,并利用Gene Cards对识别的基因进行富集分析。改进的方法都在真实的癌症多组学数据集上进行了验证,实验结果表明不同的优化方案都取得了理想的结果。上述方法在癌症样本划分和关键的致病基因筛选中具有现实意义。

关键词： 张量补全   张量鲁棒主成分分析   K-means聚类   图像恢复   互信息   Schatten-p范数  

摘要： 由于日常生活中产生的图像数据在传输过程中可能会因为机器设备或人为因素发生损坏,对后续的图像分析工作产生影响,因此图像恢复等相关工作对现实生活有重要的研究意义.然而传统的基于矩阵理论的算法已经无法满足高维海量数据的分析需求,并且易破坏高维数据的空间结构特性,也可能会导致过拟合.因此,众多学者提出基于张量的低秩逼近算法并广泛应用于图像补全,视频恢复等问题.此外,对图像进行特征提取,聚类等后续操作也有助于从图像中获取更多信息.因此,本文拟研究张量低秩逼近算法及其应用,研究图像恢复和特征聚类等问题.本文的主要研究内容及创新点如下:1).提出了张量秩函数的一种非凸代替——张量截断Schatten-p范数,并将其应用于张量恢复问题.首先,提出了一种秩函数的非凸代替——张量截断Schatten-p范数.其次,针对两个典型的张量恢复问题,建立了两个基于张量截断Schatten-p范数的最小化模型,即基于张量截断Schatten-p范数的张量补全算法(TSCP-TC)和张量鲁棒主成分分析算法(TSCP-TRPCA),并给出了交替方向乘子法(ADMM)在两种模型上的具体求解方法.最后,在合成数据、真实图像以及医学图像上进行仿真实验,和基于张量核范数以及张量截断核范数的算法进行比较,证明了本文提出算法模型的合理性和有效性.2).提出了一种改进的基于互信息张量的K-means聚类算法(TMI-K-means).首先,通过对特征数据的互信息张量进行CANDECAMP/PARAFAC(CP)分解,并利用得到的最佳秩一近似来确定K值.其次,为了更好地反映图像数据之间的非线性相关性,将归一化互信息作为聚类的度量指标.最后,通过对多种医学数据集的仿真实验和基于欧氏距离、闵可夫斯基距离和曼哈顿距离的K-means算法的比较实验,证明了该算法对医学数据的聚类效果显著,并且可以在有效聚类和节约成本之间达成平衡.

关键词： Differential equations   Partial  

ISBN: (纸本)9787030595577