- 刘生云;王小霞;王玉焕;
随着不同类型推广型开集的深入研究,分离性公理也在不断发展。虽然关于LF拓扑空间中分离性的研究已经取得不少成果,但从不同层次结构的开集、闭集、远域等概念入手会得到不同的结果。为进一步丰富和完善LF拓扑空间中的分离性理论,利用δ-开集和δ-远域等概念,定义了LF拓扑空间中几种特殊的δT_i-分离性和加强的δT_i-分离性,证明了这几种分离性的一系列性质,如L-好的推广、遗传性、可乘性、δ-弱同胚不变性等,并说明了弱诱导LF拓扑空间的δT_i-分离性与其底空间的δT_i-分离性的关系。
2024年02期 v.24;No.112 5-10页 [查看摘要][在线阅读][下载 6211K] - 张中月;赵侯宇;
利用Schauder不动点定理和Banach压缩映像原理讨论了一类多项式型迭代函数方程的高阶强凸解的存在性、唯一性和稳定性。即一类多项式型迭代函数方程λ_1f(x)+λ_2f~2(x)+?+λ_nf~n(x)=F(x),?x∈R在一定条件下有高阶强凸解,且解是唯一的,该解连续依赖于给定的函数F。
2024年02期 v.24;No.112 11-15页 [查看摘要][在线阅读][下载 7984K] - 夏梦莲;
利用Schauder不动点定理,讨论多项式型迭代函数方程在实数域R上的一致凸解存在性的充分条件。再通过Banach收缩原理,得到该多项式型迭代函数方程一致凸解唯一性、稳定性的充分条件。
2024年02期 v.24;No.112 16-19页 [查看摘要][在线阅读][下载 4197K] - 王南翔;戴浩波;
设正整数n的素数分解为■。若所有的a_i均不相同,那么称n为特殊数。特殊数是近几年提出的新概念,Aktas Kevser和Murty Ram计算了特殊数个数的渐进公式。利用Siegel-Walfisz定理、Abel求和等一系列工具可以解决特殊数在算数级数上的分布,并且在广义黎曼假设的基础上,可以缩小对模q的限制。在此基础上,未来可解决特殊数的Titchmarsh除数函数问题。
2024年02期 v.24;No.112 20-23页 [查看摘要][在线阅读][下载 4899K] - 夏敏;屈昕;徐嘉磊;林志;
研究由多个制造商、网络销售商以及消费者构成的竞争性线上供应链网络,利用变分不等式求解线上供应链网络均衡最优解。着重分析网络销售商提供退货补偿服务对供应链网络各决策者均衡决策和利润的影响。算例分析结果表明,网络销售商提高补贴系数可以降低网销产品的退货率,提高产品的销量,减少产品二次销售的损失;当网络销售商的补贴系数介于[0.1,0.15]时,制造商与网络销售商的利润最大,产品退货率最低。
2024年02期 v.24;No.112 24-28+44页 [查看摘要][在线阅读][下载 5071K] - 孙克雷;吕自强;
针对传统序列推荐算法捕获交互序列中的长期依赖性能力较弱,以及由于数据稀疏性导致推荐结果缺乏个性化的问题,提出了一种价格引导双流自注意力序列推荐模型。通过融合项目价格信息分析用户价格偏好并辅助计算项目相似度,提高推荐结果的个性化程度;将两种信息输入到两个独立的自注意力机制,学习不同位置的重要性、提取其特征,并将输出进行拼接后输入到门控单元学习时间依赖性,提高模型的长期依赖性建模能力。在三个公开数据集上验证了模型的有效性,命中率和归一化折损累积增益最低提升1.11%,最高提升5.34%。
2024年02期 v.24;No.112 29-35页 [查看摘要][在线阅读][下载 5923K] - 黄建勇;周跃进;
带有动量的随机梯度下降(SGDM)优化算法是目前卷积神经网络(CNNs)训练中最常用的算法之一。然而,随着神经网络模型的复杂化,利用SGDM算法去训练神经网络模型所需时间越来越长,因此,改进SGDM算法的收敛性能是十分必要的。在SGDM算法的基础上,提出了一种新算法SGDMNorm。新算法利用历史迭代的梯度范数对梯度进行校正,在一定程度上提高了SGDM算法的收敛速度。从收敛性的角度对该算法进行分析,证明了SGDMNorm算法具有■悔界。通过数值模拟实验和CIFAR-10图片分类应用,表明SGDMNorm算法收敛速度比SGDM算法更快。
2024年02期 v.24;No.112 36-44页 [查看摘要][在线阅读][下载 5463K] - 周华平;李云豪;党安培;
水面漂浮垃圾不断增多引起关注,针对水面漂浮垃圾边缘信息模糊的问题,提出E-MP模块,在MPConv的基础上添加Laplacians,Sobel-dx和Sobel-dy增强小目标水面漂浮垃圾的边缘信息。针对小目标漂浮垃圾仅占据图像少量像素的现象,引入了Biformer注意力模块。Biformer利用前后两个方向的上下文信息,更好地捕捉序列中的依赖关系,同时降低背景信息对检测目标物体带来的一部分影响。在此基础上引入SIoU来构建损失函数,将边界区域作为目标区域来进行加权,可以更好地捕捉目标的边界信息,从而提高检测精度。在Flow-Img子数据集上进行了大量实验,实验结果表明,YOLOv7-edge模型比原来的模型检测精度更高,mAP@0.5和mAP@0.5:0.95分别提高了7个百分点和5个百分点。
2024年02期 v.24;No.112 45-51页 [查看摘要][在线阅读][下载 5161K]