基于非盲去模糊算法的图像复原

在图像复原中,对降质图像失真的点扩散函数求逆是研究难点之一。现根据先验概率将贝叶斯理论的函数关系化,提出遗传算法的种群繁殖模型,通过逐步演化来执行变换、调整和集成。同时,为了获取更高效的效果,构建Jenkins持续集成平台进行集成和测试模型参数。最后,从决策支持系统的角度阐述整个系统的框架。     

3,4-双(3-氯偕二硝基呋咱-4-氧基)呋咱的合成及晶体结构研究

以3,4-双(3-氰基呋咱-4-氧基)呋咱为原料,经氰基加成、重氮化和硝化3步反应合成了标题化合物,产率24.0%,并采用红外光谱、核磁共振和元素分析等方法进行了结构表征。初步探讨了反应温度以及N2O5用量对标题化合物收率的影响,确定了较优反应条件。首次培养了标题化合物单晶,X-射线单晶衍射分析结果表明:其晶体结构属单斜晶系,空间群为P2(1)/c,a=1.534 5(4)nm,b=0.630 34(15)nm,c=1.967 7(5)nm,β=110.297(4)°,V=1.785 1(8)nm3,Z=4,Dc=1.917 g/cm3,μ=0.463 mm-1,F(000)=1 024,R1=0.053 0,wR2=0.161 8。     

3,4-双(四唑-5-基)氧化呋咱的简易合成及晶体结构（英）

以3,4-二氰基氧化呋咱和叠氮化钠为原料,以水做溶剂,在ZnCl₂催化作用下,经环化反应合成了3,4-双(四唑-5-基)氧化呋咱,总收率达91%。采用红外光谱、核磁共振、元素分析、X射线单晶衍射进行了结构表征。结果表明,晶体属于正交晶系,空间群为P2₁2₁2₁,晶体学参数:a=6.1172(14), b=9.657(2), c=14.220(3), V=840.0(3)³, Z=4, D_c=1.76 g·cm^-3,F(000)=448, μ=0.147 mm^-1, S=1.031, R₁=0.008,wR₂=0.2523。3,4-双(四唑-5-基)氧化呋咱分子基本在一个平面,表明分子中存在强烈的共轭效应。同时,分子中氮原子之间存在大量的弱键,能够提高化合物的密度和热稳定性。     

一种不确定数据流子空间聚类算法

提出了基于滑动窗口的不确定数据流子空间聚类算法USSC,它应用采样时加权值的方法来选择初始化聚类中心点,采用滑动窗口SW缓存一段时间的元组作为聚类对象,并提出一种新的离群点处理机制来排除离群点Opo为适应不确定数据流元组不确定特性,该算法使用基于隶属度的非分割聚类方法来确定一个元组只能划分到一个簇中.试验结果表明,USSC算法与同类型的算法相比有较好的聚类效果和较快的聚类速度,而且其自身拥有很强的可伸缩性.     

2-硝亚胺基-5-硝基-六氢化-1,3,5-三嗪的晶体结构

以水为溶剂培养得到了2-硝亚胺基-5-硝基-六氢化-1,3,5-三嗪(NNHT)单晶,用元素分析、红外光谱、核磁共振等对其结构进行了表征,用X-射线单晶衍射仪测定了其晶体结构.结果表明,NNHT的分子式为C3H6N6O4,相对分子质量为190.14,晶体属单斜晶系,空间群为P21/c.晶体学参数为:a=0.939 3(2)nm,b=0.859 0(2)nm,c=0.901 5(2)nm,β=91.173(4)°,V=0.7272(3)nm3,Z=4,Dc=1.737 g·cm-3,μ=0.157 mm-1,F(000)=392,最终偏差因子R1=0.058 3.分析了NNHT和RDX、NQ的结构差别,讨论了其感度和结构之间的关系.     

偕二硝基乙酸乙酯的合成与表征

以丙二酸二乙酯为起始原料,经水解、脱羧氧化硝化得到标题化合物,并利用红外光谱、核磁共振、质谱等鉴定其结构;初步探讨了脱羧氧化硝化反应历程,优化了反应条件;对二硝基乙酸乙酯合成方法进行了重大改进,发现以NaNO2-98%工业硝酸为硝化剂,具有原料易得、操作简便、收率较高(>65%)、粗品纯度较高(>93%)的优点.     

一种在矩阵空间中识别文本蕴涵的动态交互网络

针对文本蕴涵问题提出一种动态交互网络（dynamic interactive network,DIN）进行识别。不同于已有交互模型,DIN将两句词向量投射到二维矩阵空间中进行交互,然后利用输出矩阵为同时处理上下文信息和控制信息流动的GRU编码器生成动态权重。前者通过更高阶形式的信息交互挖掘深层逻辑片段,后者通过改变交互信息与上下文信息的结合模式帮助编码器有效区分两者的重要性差异。模型在SNLI测试集上获得了88.0%的识别准确度,超过已有的最佳模型,且使用的训练参数仅为它的一半。     

一种针对机器阅读理解中答案获取的序列生成模型

针对机器阅读理解任务中的答案问题获取提出一种序列生成模型SGN,首先,SGN在问题矩阵空间获取问题与文章的匹配表示,并参照潜在的问题信息生成当前节点的词向量;然后使用一个选择门结构从文章或者字典中选择当前词汇,并且自发学习和归纳OOV（out-of-vocabulary）单词,解决语义表述不准确的问题;最后使用改进的覆盖机制消除生成序列中的冗余问题,从而提高可读性。实验通过人工数据集SQuAD进行验证,其结果表明,在阅读理解任务上SGN生成的目标序列与基准模型seq2seq相比可读性更加优异,并且与原文语义更贴近。