经过数年艰苦探索与辛勤培养，数理科学学院应用数学与交叉科学研究中心培养的研究生以第一作者身份发表高水平科研论文多篇（以下简称“中心”）。高质量培养推进高质量发展，“中心”科学研究与人才培养相互促进，教学相长，步入了良性发展新阶段。

“中心”制定了严格的人才培养机制，研究生导师牢记立德树人根本任务，率先垂范，形成了浓郁的科研氛围。马克思曾说：“在科学上没有平坦的大道，只有不畏劳苦沿着陡峭山路攀登的人，才有希望达到光辉的顶点”。“中心”就有一群不畏劳苦沿着陡峭山路攀登的人。无论是周末，还是节假日，中心经常灯火通明，那是中心的老师们在带着研究生敲代码、数值模拟、推敲公式。每周一、周五的下午2:00，中心的研究生准时到达中心会议室，准备每周的定期组会汇报，日复一日，年复一年。

星光不问赶路人，时光不负有心人。正是因为中心老师们和研究生们对科学研究的执着，经过近两年的积淀，最终结出丰硕的果实。目前中心在读研究生35人，中心主要围绕科学与工程计算、大数据与人工智能的数学理论方法、复杂系统优化与控制、计算机数学、数学与纺织纤维材料等研究方向。着重解决信息技术、纺织材料、能源与环境、生物医药、经济与金融安全等国家重大战略需求中的关键数学问题。

2021年1月，国际知名期刊《Chaos》在线发表中心复杂系统控制与应用团队刘杰教授指导的研究生裴来凡、李朝晖题为“Texture Classification Based on Image (Natural and Horizontal) Visibility Graph Constructing Methods”文章。该论文通讯作者为中心刘杰教授，第一作者为研究生裴来凡和李朝辉同学。纹理分类在医学图像分析等领域有着广泛的应用。本文提出了一种基于可视图的纹理分类方法。首先，将数据集中的每个Brodatz纹理图像转换为相应的IVG（图像可视图）和IHVG（图像水平可视图）。然后，提取其度分布P(k)，并将其输入到不同的分类器中。主成分分析（PCA）应用于输入向量，以减少特征数量并避免最终过拟合，并采用5-折交叉验证程序。利用人工纹理图像的IVG二次判别分析法（QDA）可获得100%的分类准确率。在自然纹理图像的IHVG上，利用线性支持向量机可以获得94.80%的分类准确率。2021年3月，该论文在湖北省工业与应用数学学会获得优秀论文三等奖。

2021年5月，第33届中国控制与决策会议（CCDC 2021）在昆明召开。中心研究生曹文洁、熊珍珍、原莉、李朝辉投稿的论文被大会接收。在研究生处、导师的共同资助下，三位同学在现场做分会报告。通过本次会议增长了研究生见识，拓宽了研究生视野，开阔了研究生眼界，促进了研究生学习，激发了研究生科研动力。

2021年7月，由中国自动化学会控制理论专业委员会、中国自动化学会、中国系统工程学会主办，上海大学承办，中国科学院数学与系统科学研究院、中国工业与应用数学学会、Asian Control Association、IEEE Control System Society、Institute of Control, Robotics and Systems, Korea、The Society of Instrument and Control Engineers, Japan、上海交通大学、上海市自动化学会协办的第40届中国控制会议（CCC2021）在上海顺利召开。由中心大数据分析及应用团队张本龚教授指导的研究生曹文洁等人题为“Image Classification of Time Series Based onDeep Convolutional Neural Network”的论文被大会接收，并在大会上交流。该文主要工作是利用深度神经网络对心律失常数据集进行数据分类。对于时间序列类型的数据分类是研究心率（ECG）、脑电波（EEG）等疾病的重要任务和关键问题。随着深度学习技术的发展，卷积神经网络(CNN)在图像识别任务中取得了巨大的成功。本文首先采用synthetic minority oversampling technique (SMOTE)技术对数据进行预处理实现数据增强效果，然后通过递归图将时间序列转换为二维纹理图像进行研究。最后使用特定结构的深度卷积神经网络进行图片分类识别。以心律失常数据为例，通过准确率、精确率、召回率、F1-score等指标对分类结果进行检验，验证了该方法处理MIT-BIH心律失常数据集的有效性，验证了将时间序列分类任务转化为图像识别任务这一思路的正确性，对于时间序列格式的疾病分类研究具有重要意义。

2021年10月，国际知名期刊《Frontiers in Genetics》（IF：4.6）在线发表中心大数据分析及应用团队张本龚教授指导的研究生曹文洁题为：“SS-RNN: A strengthened skip algorithm for data classification based on recurrent neural networks”的论文。为了有效地捕获序列数据中的长期依赖关系，文章提出SS-RNN模型，它允许历史信息通过不同的方式再次添加至当前时刻。文章共设计了六种不同的跳跃模式，模拟添加过去信息的可能方式，并在五个与疾病相关具有不同大小和数据类型的数据集上进行测试。通过与原始LSTM、GRU、Bi-LSTM以及最新的方法RNN+GRU, RNN+LSTM, MCNN进行比较，结果表明，该方法可以显著提高序列数据分类的准确性。此外，最好的方法是不连续的添加，且不需要加权和函数映射的方式，它能有效地解决梯度消失和梯度爆炸的问题，模型性能与跳跃阶数在不同的数据集间也存在一定的关联性。SS-RNN通过优化LSTM模型为提高序列数据的分类精度提供了一种新的思路，因此，使用者也可以通过添加SS-RNN模块来优化自己的网络模型，其对于疾病的分类诊断和精准治疗具有重要意义。

 2021年10月，国际知名期刊《Fractals》（IF：3.665）在线接收题为：“Effective gas diffusion coefficient of fractal porous media with rough surfaces by Monte Carlo simulations”的论文，该论文通讯作者为中心郑仟副教授，第一作者为研究生尹作壮同学。气体扩散系数是表征多孔介质输运特性的一个重要参数。本文基于微观毛细管的分形特征，采用蒙特卡罗方法研究了毛细管表面粗糙度对气体扩散的影响，提出了粗糙表面多孔介质有效气体扩散系数的概率模型。该模型表示为多孔介质几何参数的函数，如孔隙度、孔隙分形维数、迂曲度分形维数和相对粗糙度。论文着重探讨了相对粗糙度对有效气体扩散系数的影响，结果表明，粗糙表面多孔介质的有效气体扩散系数随着相对粗糙度的增加而减小。此外，该研究还详细分析了多孔介质其它结构参数对气体扩散的影响。该模拟方法可推广用于粗糙表面分形多孔介质中的气体流动和传热过程的分析。

同时，中心严格贯彻落实把论文写在中国大地上的思想，研究生先后在《计算机应用与软件》、《武汉纺织大学学报》等中文期刊上发表论文多篇。另外，在专利申请、软件著作权的批准方面中心研究生均有所斩获。

人才培养是循序渐进的过程，研究生培养同样如此。已经毕业的研究生，有攻读博士学位，有在京东、长飞等知名企业，也有在企事业单位施展自己的才能。在中心老师的努力下，研究生们的勤奋学习下，勇攀科技高峰，科技成果不断推出。我们深信在学校的领导下，中心师生共同努力下，研究生的培养质量和水平会越来越高。

附：中心研究生成果清单（在读研究生成果）