序列空间

摘要： 在这篇文章中,我们主要研究定义在实线性n-赋范空间下欧拉序列空间在适当n-范数下的完备性,同时得到某些序列空间之间的相互包含关系。

摘要： Ell是用于实现序列空间上运算的数值计算库.它也可以处理任何序列模型,如图像可以理解成二维序列.Ell类直接继承numpy的数组类,和数组不同的是,它要模拟定义在整数上的序列,必须为每个对象存储指标的上下界.根据上下界,程序可以自动调整大小,实现两个任意大小的同维序列的初等运算.复杂的图像处理实验,验证了程序的可靠性和实用性.

摘要： 吴从炘先生是我国Orlicz函数空间、Köthe序列空间等泛函空间理论的主要奠基人、领导人之一,在学术上做出了重要贡献,开创和发展了黑龙江省基础数学博士生的培养教育.吴从炘先生1935年生于上海,抗战胜利后返回故里,1948年考入福建省立福州中学高中部.因数学老师王杰官精心教导,成绩突飞猛进(为感念师恩,2008年吴从炘出资在高中母校设立王杰官奖学金),并于1951年考入东北工学院数学系,次年转至东北人民大学(现吉林大学).

摘要： 为了进一步推动小波理论的应用,近些年来在离散数据环境中开始了对框架小波(也称为framelets)和框架小波包的研究工作.在 ?2(Z)中构造J-级框架小波包的方法已经由鲁大勇和易华给出.然而,如何去使用这类小波包的细节却没有给出.为了进一步丰富由鲁和易提出的J-级框架小波包理论体系,该文给出了快速的分解和重构算法,运用该算法可以建立不同尺度层之间小波框架系数的关系.另外,为了方便该类框架小波包的应用,文中给出了 ?2(Z)中一些实用框架小波包的具体数据.文中最后通过一个数值实验展示了该类框架小波包的完美重构性质.

摘要： 本文讨论了无穷维恒等算子的伪宽度,并计算了其精确渐近阶。

摘要： 讨论了光滑性质(Sk-I)′与(Sk-III))在序列空间lp(Ei)中的提升问题,证明了(Sk-I)′与(Sk-III))性质可以提升到lp(Ei),此外,讨论了光滑性质wL kS、wCL kS在l p(Ei)中的提升问题,并把它们提升到了序列空间lp(Ei).

摘要： 土地可以划分成许多小的区,每一块具有均一的特性,沿着某种战略性的线,相互联系起来.绝大多数基地都有其特征,或某种关键性风貌,总体设计对此应能作出反映.特征鲜明的基地将支配总平面的基本组织,并要求一种简单的、能阐明地形的设计处理.

摘要： 本文讨论了无穷维恒等算子Iprq:Iprr→lq(1≦q≦p﹤∞,r﹥1/q-1/p)的Kolmogorov n-宽度,并计算了其精确渐近阶。

摘要： GIS(Geographic Information System)的理论研究与应用探索虽然起步很早,但直到二十世纪九十年代中期,随着PC的逐渐普及,它才真正从实验室走出来,进入到普通研究者,尤其是人文社科研究者的视野中来。在中国,因为与地理学的"亲缘"关系,历史地理学者比较早地尝试把GIS与传统历史文献结合起来,进行相关研究,~①这是中国HGIS(Historical GIS)的重要源头之一。在

摘要： 本文提出了一种在多目标线性规划(MOLP)的效用集上对线性函数求最优解的TOP-DOWN算法,该算法采用面分解结构(FDF)理论,根据约束条件来刻划面的特性,将对可行域的搜索转化为对符合约束的序列集的搜索,进而在序列空间采用类似分枝一定界的算法从上到下进行求解.该算法经实际计算证明可行.

摘要： 本发明提供一种基于行为流空间状态传递Petri网的发动机空间序列建模方法，该方法至少包括以下步骤：步骤一，通过分析发动机的组件及环境对象缸体内混合气体之间相互联接关系的类型对发动机产品建立行为流空间语义网络；步骤二，建立对发动机进行空间状态传递Petri网；分别建立进气行为流、压缩行为流、燃烧行为流和排气行为流空间状态传递Petri网；步骤三，使用空间状态传递Petri网，对发动机设计实例进行行为流状态分析，从而验证设计的可行性。

摘要： 本发明公开了基于m序列的空间信道特性预测方法、系统及可存储介质，属于水声信道通信技术领域，包括：设置阵列参数以及发射信号参数；根据设置的阵列参数以及发射信号参数截取采样信号；对截取的采样信号进行延时求和波束形成；将延时求和波束形成的数据进行捕获，得到捕获结果；根据捕获结果生成延时角度分布图，对信号延时与入射角度进行预测；根据信号延时与入射角度预测结果对路径信号进行多普勒分析，完成空间信道特性预测。本发明解决了传统波达方向预测、延时和多普勒问题，从而提高了空间信道特性的预测性能。

摘要： 本发明涉及一种ISAR图像序列等效雷达视线拟合的空间目标姿态估计方法，在空间目标姿态变化与ISAR观测模型的基础上，首先，利用数字图像处理技术提取空间目标的整体轮廓；然后，通过智能优化算法搜索与实际ISAR图像最相似的理论投影图像序列，从而确定各帧ISAR图像对应的等效雷达视线参数；最后，融合序列图像信息，根据ISAR观测实际雷达视线与等效雷达视线间的转换关系，通过最小二乘曲线拟合，确定目标初始姿态和旋转参数。本发明利用目标整体轮廓特征，实现图像匹配搜索，克服了目标散射点特征不稳定的问题，通过等效雷达视线描述ISAR成像几何投影关系，首先求解单帧成像投影参数，然后融合序列图像信息，保证了算法的精度。

摘要： 一种基于单目序列图像的空间目标形状与运动自主估计方法，包括如下步骤：建立双目视觉测量的基本方程、空间目标点的三维重建方程、基于序列图像的目标运动状态测量方程；设定相机系到前一帧主轴系的转换矩阵等于单位阵，匹配相邻帧图像，得到目标惯性主轴坐标系在相邻帧成像时刻之间的变换矩阵；利用空间目标点的三维重建方程，获得目标特征点在左相机坐标系的位置向量集合和目标特征点在右相机坐标系的位置向量集合；然后统一前后相邻帧的尺度；重新确定目标特征点在左相机坐标系和右相机坐标系的位置向量集合；计算得到相邻帧之间的姿态四元数、自旋角速度和自旋轴方向；通过对目标选择一周的序列图像匹配与计算，即可获得目标的形状估计。

摘要： 本发明公开了一种基于注意力机制的空间序列极化SAR图像分类方法，包括构建分类模型，分类模型包括依次连接的输入层、深度网络模型、注意力层、扁平层、分类器和输出层，深度网络模型由多个空间强化长短期记忆网络层组成；训练分类模型，获得训练好的分类模型；提取待分类极化合成孔径雷达图像中每个像素的极化特征向量；以待分类极化合成孔径雷达图像的每个像素为中心选取像素块，根据像素块中每个像素对应的极化特征向量建立时序特征向量；将时序特征向量输入训练好的分类模型，得到分类结果。本发明根据PolSAR图像像素之间的邻域关系，采用LSTM模型中交叉连接的方法来加强像素空间信息之间的关系。此外，为了提高分类准确率，引入了注意力机制方法，从高层特征中选择更有效的分类特征，加强关键点像素对分类结果的影响，提高了分类准确率。

摘要： 基于流形上序列子空间聚类的出行模式检测方法属于智能交通领域，目的是要检测出一条完整轨迹中的交通模式变化。根据GPS轨迹数据的经纬度和时间戳来提取每个轨迹点的特征，用相邻轨迹点的特征向量来算得轨迹点的对称正定表示矩阵，然后将各轨迹点的表示矩阵按时间戳顺序放置得到轨迹的表示矩阵集合；其次，与传统的低秩表示模型不同，采用了对称正定流形的对数‑欧几里得度量下的低秩表示模型，并在低秩表示模型中加入强制序列数据相邻列相似的项来保证相邻轨迹点相似；最后，将目标函数分解为几个子问题，并用拉格朗日乘数法来进行求解。本发明具有较高的检测准确性。

摘要： 本发明公开了一种低信噪比ISAR图像序列匹配搜索的空间目标姿态反演方法，包括以下步骤：步骤1：对ISAR回波数据进行预处理和成像，得到ISAR图像序列；步骤2：以每一个候选姿态参数作为一个粒子、以每个粒子沿所述ISAR图像序列的投影区域能量累积值PAEA作为优化函数值初始化算法；步骤3：利用粒子群优化算法对待优化目标模型的姿态进行优化调整，以更新全局最优个体；步骤4：重复上述步骤3，直至达到最大迭代次数，并输出全局最优个体对应的姿态作为空间目标姿态的估计结果。本发明提供的方法直接利用ISAR图像的能量分布特征，避免低信噪比下目标轮廓提取不准确造成姿态估计结果误差过大的问题。

摘要： 本发明公开了一种基于相空间和光流图像的多变量时间序列分类方法，其包括步骤：1)将多变量时间序列转化成相空间轨迹矩阵图和光流图像；2)通过双流时空网络对多变量时间序列进行分类，所述的双流时空网络包括第一个3D网络、第二个3D网络、将两个3D网络的输出特征进行融合的Conatenate层、与Conatenate层连接的Flatten层和与Flatten层链接的全连接层，双流时空网络的激活函数为softmax。将相空间轨迹矩阵图输入第一个3D网络，光流图像输入第二个3D网络。本发明基于相空间和光流图像的多变量时间序列分类方法，通过与其他先进方法进行对比，实验结果表明本发明方法取得了与其他先进方法更好的精度，说明本发明方法对多变量时间序列分类问题是有价值的方案。

摘要： 本发明公开的一种基于并行架构的最优飞越序列获取方法，属于轨道设计与优化领域。本发明实现方法如下：构建并行集束搜索算法，将兰伯特问题求解并行化；在任务时间窗口的起始时刻确定航天器此时的状态，进行并行集束搜索得到目标访问的子序列；然后将子序列保存至数据库中，提取数据库中每个子序列末端的状态及时刻，从此状态出发再次进行并行集束搜索；将上述过程反复迭代，生成子序列数据库；对子序列进行拼接，生成一条完整的目标访问飞越序列轨迹；通过调整目标间转移时间以及优化飞越速度进一步降低飞越序列的总速度增量。本发明能够显著提高飞越序列规划效率，有效保证大规模目标问题序列生成的最优性，获取高精度低能耗的航天器飞越序列。

摘要： 本发明公开了一种多维时间‑注意力‑空间的工业时间序列预测方法，应用于工业时间序列预测技术领域，包括：将工业原始数据预处理得到的多维时间序列数据输入至高斯嵌入层，增强数据维度，随后分别输入至双向长短期记忆人工神经网络时间层和特征权重注意力层，分别得到双向长短期记忆人工神经网络的双向隐藏状态和带权重的注意力特征图；将双向隐藏状态与带权重的注意力特征图共同输入至特征融合层中进行特征融合，随后输入至空间层，得到基于时间和空间特征整合的最终预测结果。本发明能够有效描述数据的相关性和表现数据的特征、捕捉过去和未来的信息、自动根据特征的重要程度为其分配不同的权重以及整合空间和时间特征提高寿命预测准确度。