<正>《郑州大学学报(理学版)》(原刊名《郑州大学学报(自然科学版)》)是郑州大学主办的自然科学综合性学术刊物(双月刊,国内外公开发行),中文核心期刊,主要刊登信息与计算机科学、数学、物理学、化学、生物工程科学、材料科学、电气工程科学等自然科学的基础研究及应用研究方面的学术论文。
基于密度泛函理论和声子玻尔兹曼输运理论，深入研究了单层双面材料SnSSe的热输运特性及热电特性。研究结果表明，300 K时单层SnSSe的热导率为23.6 W/(m·K),且随温度升高而降低；单层SnSSe为间接带隙半导体，其电子能带隙为1.59 eV,700 K时单层SnSSe在p型掺杂下的最优ZT值为1.66;改变应变能够影响单层SnSSe的带隙，进而调控单层SnSSe的热电性能。本研究可为基于单层双面材料SnSSe的热电器件设计提供理论参考。
针对智能交通系统中行程时间估计的不确定性量化的难题，提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation, GLUTTE)。首先，通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次，采用多粒度分位数回归方法，综合考虑全局和局部特征，提供准确的置信区间估计。实验结果表明，所提方法能够有效量化不确定性，同时保证准确性并提供可靠的置信区间，从而提升结果的可用性和可信度。
针对压缩语音量化索引调制隐写分析中传统贝叶斯网络方法在低嵌入率下检测准确率不高的问题，提出了一种基于贝叶斯网络群的隐写分析方法。首先，构建用于描述语音码元自身、帧内和帧间相关性的贝叶斯网络群，通过整体样本学习构建条件概率表；其次，以每个子网络的推理结果构造个体样本的特征向量，并利用这些特征训练支持向量机(support vector machine, SVM)模型；最后，实现对未知样本的隐写分类。实验结果表明，在10 s中英文语音数据集上，以20%嵌入率进行多种隐写方法实验，所提方法的检测准确率较传统贝叶斯网络方法和深度学习方法分别提升了至少18.01个百分点和2.32个百分点。同时，检测1 s语音的平均时长为2.72 ms,满足了实时检测要求。
三支决策是解决复杂决策问题的一种有效方法，但现有的三支决策模型大多基于单个决策标准，可能无法高效地处理决策问题。因此，为解决这一问题，提出了一种基于集成学习的三支决策模型。首先，在决策过程中采用不同的决策标准来获得不同的三支决策结果。之后受悲观多粒度粗糙集思想的启发，利用集合之间的基本操作求解三个决策区域的共识集合。其次，根据对象的相似度，利用k-means算法将不一致集合划分为三个互不相交的子集。最后，分别将这些子集加入各自的共识集合中获得最终的三支决策结果。根据不同数据集上的实验结果可知，所提出的模型与其他传统三支决策模型相比，分类精度和综合评价指标更高，并且有更小的边界区域占比。
输电线舞动会对电力系统造成危害，目前主要通过检测间隔棒的摆动来判定舞动幅度。但对于没有间隔棒的输电线，尚无实用的检测方式。为此，提出了一种简便、有效、新颖的输电线舞动检测方法。首先，根据灰度随时间变化的统计信息进行背景建模。其次，提出随机灰度涨落场以描述由相机内外部因素引起的随机灰度涨落现象，并结合3σ准则消除对背景差分的影响，实现输电线区域的准确分割。最后，对输电线的运动进行映射得到累积灰度模型，并计算其短时间内在不同位置的运动幅度，通过与输电线自身线宽对比设置阈值判定舞动。利用杆塔摄像头采集的现场数据验证算法，达到了95.5%的检测准确率、5.7%的误报率和2.0%的漏报率，具有较强的鲁棒性和适用性。
针对基于约束的因果关系发现方法中的马尔科夫等价类问题及函数因果模型对噪声的非高斯性假设问题，使用Cai-伪残差的三个定理，提出了Cai-伪残差因果定向算法。首先，假设变量之间关系线性且不限制噪声类型，在此条件下，对于贝叶斯网络的三种结构，Cai-伪残差与变量间的独立性表现出不同的结果。其次，利用基于约束的方法构建马尔科夫等价类之后，通过不同结果进一步发现并区分三种结构，对马尔科夫等价类中部分未定向的边进一步定向。最后，在不同因果网络构成的线性高斯数据集和线性非高斯数据集上分别进行了实验，结果表明，所提算法不仅显著减少了马尔科夫等价类中无向边的数量，同时也有效地提高了因果关系定向的准确性。
为了解决高维数据集中冗余信息影响三支高斯混合模型聚类效果的问题，将粒球邻域粗糙集的理论融入三支高斯混合聚类模型中，提出一种基于粒球邻域粗糙集的三支高斯混合聚类模型。首先，使用k-means聚类生成满足纯度要求的粒球集，再在粒球生成正域不变约束下进行属性约简，提取关键属性。其次，使用三支高斯混合模型对约简后的数据进行聚类，将对象划分到类簇的核心域或边界域。在7个UCI公共数据集上的对比实验结果表明，所提模型不仅继承了三支高斯混合聚类模型优越的聚类性能，具有更高的准确率、轮廓系数和更低的戴维森堡丁指数，其对类簇边界部分的刻画也更加准确。此外，由于所提模型对高维空间进行了属性约简处理，使得其具有更小的时间复杂度。
随着能源大数据平台用户数量与类型的不断增多，其面临的内部安全威胁也愈加突出。用户异常行为检测是抵御内部安全威胁的一种有效手段。当前主流的检测方法没有考虑同一平台内不同类型用户的行为差异以及访问行为的长短周期特征，检测性能较低。为此，利用不同类别用户的行为特点，提出长短期孤立森林模型和多时间窗口并列门循环神经网络，分别构建用户长、短周期内的访问行为特征，最后融合两种模型的结果构建一个基于用户类别的异常行为检测框架。结合某省能源大数据平台系统对所提框架进行了验证，实验结果表明，所提框架能够有效刻画平台用户的访问规律，并具有较高的异常行为识别准确率与异常处理效率。