基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

高维多项式理想的实根计算

研究高维多项式理想实根的计算。对于给定的高维多项式理想,首先通过一个典范同态映射将其转化为扩张多项式环中的零维理想。基于零维实根是实极大理想的交集的结论,该扩张理想的实根可以在新的多项式环中计算。最后,通过理想的收缩,把实根收缩回原多项式环,便可得到高维多项式理想的实根。     

基于Kronecker型替换的黑盒多项式稀疏插值

本文基于新的Kronecker型替换,给出两个由黑盒表示的稀疏多项式的新确定性插值算法.令f∈R[x1,……,xn]是一个稀疏黑盒多项式,其次数上界为D.当R是C或者是有限域时,相对于已有算法,新算法具有更好的计算复杂度或者关于D的复杂度更低.特别地,对于一般黑盒模型,D是复杂度中的主要因素,而在所有的确定性算法中,本文的第二个算法的复杂度关于D是最低的.     

板中热弹波传播: 一种改进的勒让德多项式方法

近年来, 超声导波因其衰减小, 传播距离远和信号覆盖范围广, 成为无损检测领域快速发展的方向之一. 然而, 基于超声导波的高温在线检测和激光超声技术却发展缓慢, 其关键在于热弹耦合波动方程求解难度大、传播与衰减特性研究困难. 作为一种有效的求解方法, 勒让德正交多项式方法已广泛应用于导波传播问题, 但该方法在求解热弹导波传播时存在两个不足, 限制其进一步的发展和应用. 这两个缺陷是: (1)求解过程中大量积分的存在, 致使计算效率低下; (2)仅能处理等热边界条件的热弹导波传播. 针对两项不足之处, 提出一种改进的勒让德正交多项式方法, 以求解分数阶热弹板中的导波传播. 推导求解方法中积分的解析表达式, 以提高计算效率; 引入温度梯度展开式, 发展适合勒让德多项式级数的绝热边界条件处理方法. 与已有文献结果对比表明改进方法的正确性; 与已有方法的计算时间对比说明改进方法的高效性. 最后将改进的方法用于求解分数阶热弹板中的导波传播, 研究分数阶次对频散、衰减曲线和应力、位移、温度分布等的影响.      

赤道不是轨道弧的n次多项式向量场的Poincaré紧化场之拓扑结构

本文证明了赤道不是轨道弧的n次多项式向量场的Poincare紧化场之拓扑结构包含赤道是轨道弧的n-1次多项式向量场的Poincare紧化场之拓扑结构;当n=2时,这种包含关系是相等的,且其Poincare紧化场有五种不同的拓扑结构;当n=2k+1(k=1,2…)时,这种包含关系是真子集。     

Hermite-Fejér和Lagrange插值逼近的Steckin-Marchaud不等式

引近了一种新的K-泛函,由此建立了积分型Hermite-Feéjr和Lagrange插值逼近的Steckin-M archaud不等式.     

Ⅱ型三角剖分上二次双周期样条

本文用B-网方法确定了△_(nm)~((2))剖分上二次双周期样条函数空间的维数,给出了插值条件的几种提法,证明了解的存在唯一性.     

棱镜自重变形对波面影响的研究

采用有限元方法分析了单棱镜在重力作用下三个典型位置的表面变形，对棱镜表面Φ425mm通光孔径轴向变形量进行Zernike多项式拟合，画出了相应的波差图，并确定设计方案.进一步选择Φ360 mm口径光束对双棱镜在几种典型相对位置下进行光线采样、追迹，计算得到不同情况下由于双棱镜自重变形引起的总波差.     

Hermite插值多项式的差商表示及其应用

差商展开是个非常重要的解析工具.有迹象表明其内在的思想和技巧似乎被人们所忽视或淡忘.论文的目的是对H erm ite插值多项式的重节点差商表示予以系统的表述,并利用重节点差商的展开技巧证明一些在应用上相当重要的结果.     

亚纯函数及其微分多项式的唯一性

设f是非常数亚纯函数,g是f的线性微分多项式．a和b是f的两个不同的小函数．本文证明如果f和g几乎CM分担a和b,则f≡g;此外,若f是非常数整函数,且f和f^(k)(k≥1)IM分担a和b,b-a≠Pe^λz,测f≡g．