Как обозначаются юани: Знак юаня женьминьби — Минфин

Китайская валюта, курс к рублю, конвертер валют китайский юань, обмен китайской валюты

Официальной денежной единицей Китайской народной республики называется «Юань». По стандартам ISO китайская валюта обозначается CNY с кодом 4217. Разменная монета Китая называется «цзяо» и «фынь». Таким образом, в 1 юане содержится 10 цзяо и 100 фынь.

Народный банк Китая, являющийся государственным эмиссионным, расчетным и кредитным центром КНР, выпускает бумажные купюры, номиналом 1, 5, 10, 20, 50 и 100 юаней. Также в обращении монеты, достоинством 1 юань, 1 и 5 цзяо и 1, 2 и 5 фынь. С 1991 монеты выпускают из никелированной стали. Монеты прошлых лет чеканили из сплава никеля с медью.

Курс китайской валюты к рублю

Курс китайской валюты к рублю, установленный Центробанком России на 30 апреля 2016 г. таков: 1 CHY= 9.92 RUB. Следить за курсом юаня к рублю необходимо всем, кто прогнозирует основные тренды в экономике Поднебесной и всей планеты.

Китай считается одним из главных производителей «всего и вся», и вместе с тем представляет собой крупнейший рынок на земле. Руководство КНР проводит жесткую монетарную политику, не позволяя менять курс национальной валюты без веских оснований таких, как спад экономики. Поэтому даже незначительная динамика юаня служит индикатором для мирового трейдинга.

Конвертер валют китайский юань

Согласно расчетам, которые в режиме реального времени осуществляет конвертер валют, китайский юань стоит:

1 CHY    =   9.92 RUB    

             =   0,15 USD

             =   0,14 EUR

             =   0,11 GBP

             Конвертер курса валют – функциональный и удобный инструмент, позволяющий выполнить моментальный расчет и конвертацию любой суммы из одной валюты в другую. Автоматический перерасчет осуществляется по установленному Центробанком РФ курсу.

Расчет запрашиваемой суммы в нужной валюте по предшествующему курсу позволяет сравнить полученные данные с актуальными и проанализровать целесообразность валютно-обменной операции на текущую дату.

Обмен китайской валюты

Сейчас уже многие банки выполняют валютно-обменные операции в паре юань/рубль. Курс китайской монеты заметно укрепил свои позиции за последние годы и юань стал вполне торгуемой валютой на международном валютном рынке, поэтому обмен китайской валюты не представляет проблем.

Курс юаня устанавливает ежедневно Центробанк. Online таблоиды российских и китайских банков в России, например, Торгово-промышленный банк Китая, позволяют вычислить выгодный курс. Но есть ограничения, устанавливаемые банками: некоторые учреждения не хотят продавать небольшие суммы, желая торговать «по-крупному».

юань или жэньминьби? Почему китайская валюта имеет два названия

Фото: delaismelo.ru

Национальная валюта — система денежных единиц, выпускаемая центральным банком страны и используемая для расчетов внутри нее. Каждое государство использует свою валюту. Рубль в России, доллар в Америке, фунт стерлинга в Великобритании и юань в Китае.

Первые упоминания о китайской валюте были сделаны 4500 лет назад. Во время правления династии Цин (1644—1912) юанем называли круглые золотые монеты, в переводе с китайского 圆 yuán дословно означает круглый.

Серебряные монеты в Китае появились в результате торговли с европейцами. Такие деньги чеканили в основном в испанской империи, купцы расплачивались ими с торговцами в Китае.

Такая серебряная монета имела номинал в «восемь кусков» (real de a ocho) или восемь реалов, известных как песо (испанский колониальный доллар Spanish Colonial Mexican dollar) в Испании и Англии (1492—1898, конкиста, конквиста).

Европейские торговцы начали прибывать в Китай в начале 16 века, где скупали шелк и фарфор. Их китайские партнеры предпочитали брать в качестве оплаты большие серебряные монеты. Постепенно Китай стал местом сосредоточения большей части серебра, поступающей из шахт испанской Америки.

Фото: www.bbc.com

Среди китайских торговцев в течение долгого времени использовался реал, позже его стали называть «орлиный доллар» (Eagle Dollar), который производили уже в независимой Мексике.

С 1835 по 1933 год деньги в Китае называлась 两 liǎng «лян» или «таэль» (денежная единица, содержащая 10 мао или 100 кандаринам (фыням, феням)). В состав ляня входило около 37, 3 г чистого серебра. Первая китайская денежная единица в форме монеты была отчеканена в провинции Гуандун в 1890 году.

Наряду с серебряным лянем в Китае широкое распространение имели и серебряные монеты других иностранных государств.

США чеканили свои серебряные монеты, так же как Великобритания, но проницательные китайские торговцы требовали более высокого качества монет из США, так как содержание серебра в них было ниже чем в европейских.

В 1935 году было принято решение провести денежную реформу, серебряные юани были изъяты из обращения и заменены на бумажные со своим названием «фаби».

Когда в 1948 году учредили Национальный Банк Китая (People`s Bank of China), был запущен процесс унификации китайской валюты. В ноябре 1948 года её назвали «банкнотой Народного Банка Китая» (中国人民银行钞票), с января 1949 года «Новой валютой» (新币), затем «Народной банкнотой» (人民券) и только с июня 1949 года ввели название «Народные деньги Китая» жэньминьби (人民币) .

Фото: delaismelo.ru

В международной системе жэньминьби имеет аббревиатуру CNY. Название валюты по традиции обозначают иероглифом 元 или Ұ, но часто используют и знак ¥, который порой вызывает путаницу, так как этим же символом обозначают японскую иену.

Юань состоит из 10 цзяо 角(jiǎo), а цзяо из 10 фэней 分(fēn). Бумажные купюры CNY выпускаются достоинством в 1, 5, 10, 20, 50 и 100 юаней. 1 юань также чеканят в виде монеты.

С 1948 года было напечатано 5 серий новых бумажных купюр. Последняя партия была выпущена в 1999 году. Купюры четвертой серии еще принимаются к оплате на территории Китая, но постепенно выводятся из обращения. Бумажные деньги пятой серии имеют несколько отличий от предыдущих серий. Аверс у купюр одинаковый, вне зависимости от номинала, на нем изображен портрет Мао Цзэдуна. Картинки на реверсе купюр с разным номиналом отличается. На купюре в 1 юань напечатан пейзаж озера Сиху, в 5 юань гора Тайшань, в 10 юань Пейзаж долины «Три ущелья», в 20 юаней изображен Гуйлинь, 50 юаней дворец в Лхасе и в 100 юань дом народных собраний. Для купюр разработано 11 различных уровней защиты, от визуальных до скрытых.

Фото: delaismelo.ru

На западе часто слово «жэньминьби»(renminbi) используют вместо слова «юань», говоря, что между «жэньминьби» и «юанями» нет разницы и это взаимозаменяемые понятия. Но это не совсем так, потому что различия между ними очень тонкое. «Юань» является счетной единицей для «жэньминьби».

«Никто не против, если вы говорите о стоимости фунта, но говоря о стоимости юаня, вы вызовете неодобрение», — пишет о западной позиции в этом вопросе Пол Кругман (Paul Krugman), лауреат Нобелевский премии по экономике, пишущий для New York Times.

Юань — это счетная единица для жэньминьби. Какой-то товар может стоить 10 юаней, и не совсем правильно будет говорить, что он стоит 10 жэньминьби. Аналогию можно провести с фунтом стерлингов и £ фунтом. Что-то может стоить 1 фунт или 10 фунтов, но неверно сказать, что оно стоит 10 стерлингов. Также нельзя говорить о количестве жэньминьби или количестве стерлингов по отношению к доллару.

«Иногда я думаю, что вопрос употребления жэньминьби или юаня является зловещим заговором китайцев, разработанным специально для сдерживания людей от обсуждения китайской валютной политики», —  шутит Кругман.

Китайцы редко говорят жэньминьби или юань. Чаще используется слово «куай» (块kuài), что буквально означает «кусок». «Куай» является разговорным, как «quid» в Великобритании и «buck» в США, однако оно используется в современном китайском от Пекина до Тайваня.

Тоже самое происходит с более мелкой единицей цзяо (角 jiǎo), которую большинство китайцев называют «мао» (毛 máo).

Ошибочно подозревать связь между «мао» и фамилией бывшего китайского государственного и политического лидера Мао Цзэдуна (毛泽东 máo zédōng 1893―1976). Хотя иероглиф «мао» совпадает с фамилией Великого кормчего, слово использовалось задолго до его прихода к власти.

Подготовила Ольга Селиверстова

Обозначение китайского юаня на форекс: что важно знать?

Китай — страна с наиболее активно развивающейся экономикой, поэтому интерес к ее валюте растет с каждым днем. Тем не менее, китайский юань не входит в число популярных валют на форекс, и пары с ним называют «экзотическими». Почему же так вышло?

Дело в том, что в Китае контроль за курсообразованием довольно жесткий, в связи с чем торговля валютными парами с юанем представляет определенную сложность. Но для начала давайте поговорим немного о самом юане и о том, как устроена финансовая система Китая.

Интересно, что в самой Поднебесной у национальной валюты несколько иное название — «юань женьменьби», или «народные деньги». Но так как это название слишком длинное, то на международном рынке китайскую валюту называют привычным нам словом юань.

Контролирует валютный курс в Китае аналог центробанка, Народный банк Китая. Это означает, что торговля юанем всегда будет зависеть от той монетарной политики, которой придерживается НБК. Как видите, это сильно отличается от принципов ценообразования на рынке форекс, где валютные котировки в основном меняются в зависимости от спроса и предложения.

Китайский центробанк ежедневно публикует соотношение котировок юаня к другим основным мировым валютам. Рыночный курс юаня может отличаться от заданного центробанком всего лишь на 2% в ту или другую сторону. И если по каким-то причинам курс китайской валюты выйдет за рамки этого ценового коридора, то НБК приложит все усилия, чтобы снова вернуть курс национальной валюты в намеченное русло. Именно поэтому трейдинг парами с юанем и не настолько распространен среди форекс трейдеров.

Еще один интересный момент, связанный с юанем, это его обозначение в торговом терминале. Обозначение китайского юаня на форекс несколько отличается от того, как называется юань, торгующийся внутри самого Китая. Сложно, не правда ли? Но всему есть логическое объяснение. Так, котировки юаня к доллару на сайте китайского ЦБ обозначаются как USD/CNY, а на рынке форекс в торговой платформе пара записывается как USD/CNH. Разница заключается в том, что Банк Китая официально регулирует только курс USD/CNY (юаня, который обращается только в пределах страны), тогда как USD/CNH — это курс юаня, который обращается за пределами Китая, например, в Гонконге. Котировки двух этих пар не особо отличаются, примерно на 10-15 пипсов.

Если вы хотите торговать юанем на форекс, то искать пару доллар/юань нужно в дополнительных символах во вкладке «обзор рынка». При этом рыночная история доступна только с 2010 года, так как раньше юань вообще был недоступен для рыночных спекуляций.

Рекомендуем также ознакомиться с такими статьями

Комментарии пользователей МОФТ

Оставлять отзывы могут только зарегистрированные пользователи.

Пока нет записей.

Зарегистрироваться сейчас

Валюта CNY — юань Женьминьби. Конвертер юаня Женьминьби по курсу НБУ

Вы едете в незнакомую страну и вам нужно знать курс юаня Женьминьби к доллару США? В таблице указаны основные номиналы купюр долларов и эквивалент в юанях Женьминьби. Ознакомьтесь с историей денег и как выглядят банкноты юаня Женьминьби. Вы можете купить юани Женьминьби в Украине или поменять деньги в аэропорту или банке. Чтобы узнать сколько юаней Женьминьби в определенной сумме долларов, евро или гривен – воспользуйтесь конвертером валют.

Китайский Юа́нь CNY (156), Юань Женьминьби (кит. трад. 圓, упр. 元, пиньинь: Yuán) — современная денежная единица Китайской Народной Республики, в которой измеряется стоимость жэньминьби (кит. упр. 人民币, пиньинь: Rénmínbì, буквально: «народные деньги», сокращённо RMB).

Один юань делится на 10 цзяо (角), которые, в свою очередь, делятся на 10 фэней (分). Например, сумма в 3,14 юаня произносится как 3 юаня 1 цзяо 4 фэня (三元一角四分). Слова цзяо и фэнь также обозначают десятичные приставки 10−1 и 10−2 соответственно. В обращении находятся монеты номиналом 1, 2, 5 фэней, 1 и 5 цзяо, 1 юань.

Монеты 1, 2, 5 фэней, 1 и 5 цзяо, 1 юань.

Банкноты 1, 5, 10, 20, 50, 100 юаней.

Пересчет валют*

Xочешь знать сколько юаней Женьминьби в долларах США?
Конвертер валют поможет перевести USD или любую другую валюту в CNY.
Введи сумму в долларах США, нажми кнопку «Рассчитать» и узнай курс юаней Женьминьби к доллару.

1  доллар	—	6.43	юаней
2  доллара	—	12.86	юаней
5  долларов	—	32.15	юаней
10  USD	—	64.30	CNY
50  USD	—	321.52	CNY
100  USD	—	643.04	CNY
1000  USD	—	6 430.37	CNY
1  евро	—	7.46	юаней
2  евро	—	14.92	юаней
5  евро	—	37.31	юаней
10  EUR	—	74.62	CNY
50  EUR	—	373.11	CNY
100  EUR	—	746.21	CNY
1000  EUR	—	7 462.12	CNY

Банкноты

Где обменять в Украине

Информер Справочник купюр Finance.UA

У Вас есть возможность разместить информер
«Купюры и монеты старн мира»
на своем сайте. Для этого скопируйте html-код
и вставте в соответствующее место
на своем сайте.

Справочник купюр Finance.UA

Юань или жэньминьби? Мини-ликбез по юаню — Валюты — 23 ноября 2014

Сегодня в блогах сам собой организовался день юаня. Вставлю и я свои пять копеек в эту интересную тему, тем более, что юань в последнее время набирает вес и все чаще упоминается в мировых новостях.

Расскажу немного про эту валюту. Например, знаете ли вы, что такое жэньминби?

В западной прессе часто встречается наименование «жэньминьби» в применении к китайской валюте. Чем же эта загадочная штука отличается от юаня и отличается ли вообще?

Так вот, в китайском языке юань — это базовая единица любой валюты. То есть, если делать кальку на русский язык, то, например, доллар США китайцы называют «американский рубль», и то, что обозначается в этой фразе «рублем» — и есть юань. А вот жэньминьби — это официальное название китайской валюты (и переводится как «народные деньги»).

Разница между юанем и жэньминьби тонкая, но она существует. К примеру, мы не можем сказать, что шоколадка стоит десять жэньминьби — она все-таки стоит 10 юаней. Иными словами, юань — это штука жэньминьби.

В западной прессе в рассказах про котировки, в экономической аналитике и в новостях понятия «юань» и «жэнминьби» практически смешиваются, но как раз в этом случае, когда рассказывают про поведение валюты в общем, разницы действительно практически нет. Между тем, в российской прессе китайскую валюту чаще всего называют юанем — так принято. А вот в общероссийском классификаторе валют, на минуточку, она носит гордое двойное название — юань жэньминьби.

Современные китайские деньги родились в 1949 году, когда был основан Народный Банк Китая, который и выпустил банкноты и монеты жэньминьби, дал им официальное название и изъял из обращения все остальные формы денежных единиц, которые в изобилии гуляли по разным провинциям Китая.

4 интересных факта о юане/жэньминьби

• На всех современных банкнотах юаня изображен Мао Цзэдун

• Монеты юаня, выпускавшиеся в разные годы, привлекали больше фантазии: среди них были и изображения панд, и животных китайского гороскопа, и сюжетов национального эпоса и даже монеты в виде веера

• В официальной латинской нотации китайская валюта пишется почему-то как renminbi

• И название японской иены, и корейской воны происходит от того же древнего корня, что и слово «юань». Просто сравните их — и вы обязательно найдете аналогии

Китайская валюта юани, RMB что за валюта, какие деньги в Китае, курс ренминби

Какая валюта в Китае

Официальная валюта Китая – китайский юань, что в переводе означает «закругленный». Сами китайцы использую слово «юань» вместо слова «деньги» или «валюта». Китайская валюта имеет еще одно название – Ренминби. В банке допускается любой из указанных терминов.

Если посетить магазин или ресторан, то на ценнике будет указано одно из 6 обозначений: есть 2 стандартные, выше указанные, и 4 на китайском языке.

Гости страны должны учитывать, что Макао, Гонконг и Тайвань редко принимают к оплате китайские юани. Каждая из территорий имеет свою валюту, которая называется патака, гонконгский и тайванский доллар соответственно.

Обозначение юаня: знак и код

Международное общество обозначает валюту знаком CNY. Синонимическим обозначением является аббревиатура RMB. Обозначается китайская валюта значком ¥ 

Как выглядит юань

Современные китайцы пользуются банкнотами, которые напечатаны позже 1999 года (5 серия). На аверсе купюры можно увидеть портрет Мао Цзэдуна, на реверсе – пейзаж.

Купюры

В стране используются следующие купюры:

• 1 юань. Изображены озеро Сиху и орхидеи, имеет оливковый оттенок. Размер – 13 на 6,3 см.
• 5 юаней. Изображены гора Тайшань и нарциссы, фиолетовый оттенок. Размер купюры – 13,5 на 6,3 см.
• 10 юаней. Изображены пороги Янцзы и роза, голубой оттенок. Размер – 14 на 7 см.
• 20 юаней. Нарисованы округи города Гуйлинь и лотос, коричневый оттенок. Размер – 14,5 на 7 см.
• 50 юаней. Дворец Потала и хризантемы, зеленая банкнота. Размер – 15 на 7 см.
• 100 юаней. Нарисован народный пекинский дворец съездов и японская слива, купюра красного оттенка. Размер – 15,5 на 7,7см.

Монеты

На современных китайских монетах обязательно указан год выпуска и номинал, указывается и банковское название.

Есть разные материалы для чеканки монет:

• Фэни (1 монета, 2, 5) – алюминиевые.
• Юани – никелированная сталь.
• 1 цзяо – алюминий или никелевое покрытие.
• 5 цзяо – никель или латунь.

Как отличить настоящие юани от подделки

Если банкнота крупная, то проведя пальцем в области волос Мао Цзэдуна, ощущается рельефность купюры.

Четкостью и строгостью очертаний отличаются и границы водяных знаков.

Если наклонить купюру, под углом будет заметен голубой ореол вокруг основного рисунка. Если посветить на банкноту брелоком с ультрафиолетом, на них будут видны тонкие нити.

Самая ходовая купюра

Сотни – купюры, которыми китайцы расплачиваются чаще всего. В банкомате в 90% случаев деньги также выдадут именно этими банкнотами.

Самая же 100 юаневая банкнота не считается большими деньгами. Любой китаец, выйдя на прогулку с желанием перекусить, побаловать себе чем-то хотя бы минимально приятным, обязательно расстанется с сотней. И не зря, ведь в Китае соблазны на каждом шагу.

Отношение к деньгам в Китае

Жители Китая умудряются жить только на 5 часть зарплаты в месяц, и все для того, чтобы остальную сумму отложить в копилку. Для некоторых это может показаться нереальными вещами, но они доказывают обратное.

Поскольку китайцы отличаются материалистичным виденьем, то они больше верят в силу денег, чем в божества. Из-за этого к ним у них особое отношение – бережное. Хоть и не исключения китайцы, которые накопленную сумму могут потратить на свои «радости» или развлечения.

Человек, у которого много денег, обязательно будет отличаться по поведению и внешнему виду, его можно будет легко отличить в толпе.

Курс юаня

До 1974 года юань был тесно привязан к курсу гонконгского доллара и фунту стерлингов. После этой даты отмечается привязка исключительно к американскому доллару. Больше 10 лет держался один и тот же курс юаня по отношению к доллару, который составлял 8,29 к 1.

Летом 2005 года в Китае резко отказались от привязки к долларовой купюре – произошла ревальвация. Юань за несколько дней после этого события подскочил более, чем на 2%. Немного укрепился в период с 2008 до 2010 года и зафиксировался на отметке в 6,8 юаня за доллар. В начале 2016 года зафиксирован новый курс – 6,57 юаней за 1 дол.

Какую валюту брать с собой

В Китае, за исключением некоторых особых административных районов, расплачиваться можно только юанями. Поэтому если планируете самостоятельное путешествие, стоит запастись небольшим количеством местной валюты, чтобы иметь возможность оплатить такси из аэропорта или купить билет на метро. Из иностранной валюты лучше брать с собой евро или доллары. Их можно без проблем обменять уже в стране на национальную валюту.

Покупать китайскую валюту еще в России не выгодно по нескольким причинам:

• Её не так просто найти даже в Москве. Исключением могут стать только территории России, которые граничат с Китаем.
• Курс будет намного заниженным, чем в самом Китае.

Некоторые туристы берут с собой в дорогу российские рубли. Но это будет одно из самых неразумных решений. Российские рубли принимают не во всех обменниках, поэтому придется побегать.

Учитывать, что в метро, такси и некоторых магазиах разрешают расплачиваться только национальной валютой.

Историческая справка

Многие историки уверяют, что первые деньги в мире появились именно в этой стране. До юаней использовались китайские ляни, слитки из серебра. Лян и сегодня применяется в Китае, но уже как единица массы.

На любую валюту из серебра с 1935 года был положен запрет, новую валюту также не выпускали. До 1941 году такая ситуация спровоцировала инфляцию. Из-за этого пришлось вводить новые банкноты номиналом от 500 до 10000 юаней. Через время произошла гиперинфляция, что привело к тому, что 1 новый юань обходился в 3 млн. старых денежных знаков. Полная замена старых денег была окончена только в 1952 году.

Очередная волна девальвации была зарегистрирована в 1994 году.

Состоянием на 2015 год курс юаня снижен почти на 2% (по данным курса Центрального банка).

Китай в последние 2 десятка лет находится в первой тройке по мировому ВВП.

МВФ в 2016 году зафиксировал китайскую валюту как резервную денежную единицу. Решение было обнародовано в ноябре 2015 года. На данный момент основными валютами МВФ считаются доллар, фунты стерлинги, евро, швейцарский франк, японская иена.

Китайский юань — история становления до наших дней (Часть 1)

Всё больший интерес вызывает в мире китайский юань. А у кого-то — страх. Юань назначен МВФ пятой в числе резервных валют с долей 10,9 % (третьей после долей доллара, евро) и, по прогнозам аналитиков, имеет все шансы стать главным конкурентом доллару. Реальная доля юаня в международной банковской системе составляет 1,5 % (середина 2016 года), но она неуклонно растёт.

Включение юаня в международный резерв приведёт к более активной скупке валюты мировыми центробанками и большей активности инвесторов, вкладывающих средства в фондовый рынок Китая. По мнению Standard Chartered, решение МВФ может «утяжелить» фондовый рынок КНР на 1 триллион долларов, а по мнению Morgan Stanley — на 2 триллиона и более.

Вот уже и россиян всё более интересует валютная пара юань-рубль, а Банк России в том же ноябре 2015 года включает китайский юань в резервные валюты. Европу и США ещё сильнее, чем прежде, волнует пара — юань-доллар: западные торговцы по-прежнему не могут справиться с интервенцией дешёвых китайских товаров на свои рынки.

Путь к успеху был очень-очень долгим, а в наши дни, возможно, начинается самый главный его этап — к мировому лидерству.

Символика китайского юаня

На самом деле китайскую валюту называют жэньминьби — «народные деньги», а юань — это единица, в которой жэньминьби измеряется. Ниже мы расскажем, как появились оба названия.

 Юань обозначают несколькими символами. Официальное международное (банковское) обозначение — CNY.  Но в свете современных международных тенденций популярным становится обозначение Ұ — по первой букве слова «юань».

Обычное же обозначение юаня —元 — «развилина, развилка»; сложное национальное обозначение —圓 или 圆.

Юань — предыстория

История денег в Китае — древнейшая и составляет около 4 500 лет. Однако единую форму (первую в ряду единых) они приобретают в III веке до нашей эры: по воле Цинь Ши Хуанга деньги на всей территории страны становятся медными монетами — круглыми, но с квадратным отверстием внутри, чтобы собирать их в связку на шнурок.

Примерно через 1 000 лет в Китае придумывают векселя (в современном понимании) «фэйцянь» — денежные документы, которые облегчают купцам проведение сделок на внушительные суммы. Их называют «летающие деньги». Удобство платёжных документов оказалось таким впечатляющим, что в государстве в 1024 году приступают к выпуску бумажных денег. В XI – XIV веке бумажные деньги активно используют: Китай политически централизуется и стремительно развивает товарное производство. Но последующий упадок экономики приводит к выводу бумажной денежной массы с рынка.

Далее эволюция денег идёт от создания единой, не подкреплённой серебром/золотом валюты к инфляции (XIII – XIV века) и внедрению в XV веке серебра, использованного в виде слитков массой в 1 лян (лианг, таэл) — около 37,5 (31?) грамма. Более крупные слитки — юань-бао (ямбы) — весили 50 – 53 ляна, дин-цзы — 4 – 10 лян. В ходу были и мелкие медные монеты цяни (кэши).

Первой использовать серебро как платёжное средство стала провинция Гуандун (Кантон).  С расширением географии и течением времени появилось более 180 разновидностей ляна с разным содержанием металла, а большее хождение получили казначейский лян массой 37,7 грамма, шанхайский лян массой 33, 74 грамма и таможенный — 37,7 грамма.

В нынешнем эквиваленте 1 лян составляет 4 130 юаней (для начала эпохи Тан), 660 юаней — для середины династии Мин.

Только в 1889 году в Китае появляется юань — им заменили серебряные слитки и прочие деньги, ходившие в разных регионах страны, как более удобным, современным, унифицированным средством расчёта. Юань, названный так по своей форме и содержанию («круглый», «драгоценная ракушка»), приравняли номинально к мексиканскому песо, имевшего, наряду с долларами Испании, широкое хождение в регионах Китая и по всему юго-востоку Азии из-за испанского присутствия. Юань разделили на 1 000 вэнь, 100 фэней и 10 цзяо. От ляна он составил долю в 0,72 %.

Первые серебряные юани в 5 фэней, 1,2 и 5 цзяо, 1 юань отчеканены на старой императорской гуандунской фабрике. В 90-х годах XIX века открываются новые монетные дворы, на которых уже чеканят не только серебряные, но медные деньги в 1, 2, 5 и 10 вэнь.

Деньги после революции: от юаней императорских к юаням народным

В 1911 году Уханьским восстанием начинается Синьхайская революция, в результате которой маньчжурская династия Цин свергнута, а в Китай провозглашают республикой. Каждая провинция заявляет о независимости от Цин и выпускает собственные деньги.   Перед Временным правительством Республики стоит задача срочного введения новой — «военной» — валюты.

В 1914 году Указом о национальной валюте вводится серебряный юань-доллар. Его чеканят на дореволюционном оборудовании и практически по тем же «лекалам» до 30-х годов ХХ века. Но на международном рынке в это время возрастают цены на серебро, что приводит к массовому оттоку серебра из Китая и явственной перспективе краха для национальной валюты.

Ситуация усугубляется тем, что за период после революции разными банками, в том числе — зарубежными, напечатано, произведено чрезвычайное количество валюты. В ходу — тибетские санги, маньчжурские гоби, японские военные иены, синьцзянские юани.

С 1935 года республиканское правительство вводит экстренное реформирование валютной системы, во время которого запрещают обращение серебряных ляна и юаня, печатание и чеканку местных валют, а населению — владение серебром. Денежную эмиссию теперь могут производить исключительно четыре банка: Банк Китая, Банк коммуникаций, Центральный и Крестьянский.

По окончании Второй мировой войны производство денег разрешено уже большему количеству банков, а серебряный валютный стандарт ликвидирован полностью. Эти и прочие факторы вызывают гиперинфляцию: когда на начало реформ за доллар дают 3,36 юаня, то после Второй мировой — 3 350 юаней. Ради уменьшения денежной массы банки издают банкноты номиналом от 500 до 10 000 юаней. 1949 год стал «рекордным» — напечатана банкнота 5 миллионов.

С 1947 года коммунистическое правительство начинает подготовку к созданию китайского Народного банка. В 1948-м банк открывается. Ходовые деньги населения в нём обменивают на жэньминьби — 人民币. Так в действительности и теперь называют национальную китайскую валюту. Именно этот момент можно считать рождением современного юаня, как принято называть жэньминьби за границами Китая.

Новый юань, или китайский юань, с момента появления оказался привязан к американскому доллару. До 70-х годов ХХ века курс юань-доллар составлял 2,46 к 1.

Краткое руководство по китайской валюте

Путешественники в Китае часто не понимают, как обращаться к китайским деньгам. По-английски некоторые люди называют это китайским «долларом». В китайском языке обычно используются три общих имени и два символа.

Официальное название китайской валюты — Ренминби, что дословно переводится как Народная валюта и сокращается до RMB. Наиболее распространенное международное использование — юань, сокращенно CNY. Вы можете написать 1000 юаней или 1000 юаней.

Официальный символ китайского юаня — ¥. Однако в большинстве магазинов и ресторанов Китая этот символ представлен китайским иероглифом 元, который произносится как «юань». Путешествуя по Китаю, вы также услышите, как люди говорят «куай», произносимое как «квай», что на местном языке означает юань.

Чтобы еще больше запутать вас, есть два названия одной десятой китайского юаня. Это можно назвать одним «мао» или одним «цзяо». Оба относятся к одному и тому же: 1/10 юаня.

Китайский юань или юань используется только на материковой части Китая. Валюта Гонконга — гонконгский доллар, а валюта Макао — патака.

Банкноты и монеты, обычно используемые в Китае

В настоящее время в обращении находятся банкноты достоинством в один, пять, 10, 20, 50 и 100 юаней. Также широко используются монеты в один юань.

Из-за инфляции банкноты или монеты стоимостью менее одного юаня, включая один цзяо и пять цзяо, редко используются в Китае.Во многих местах просто округляют до ближайшего целого числа. Если кто-то настаивает на том, чтобы вы заплатили небольшую сдачу, вы можете просто дать ему один юань и попросить вместо этого оставить сдачу себе. Узнайте больше об управлении платежами во время путешествий по Китаю здесь.

100 юаней (произносится как йи бай юань или йи бай куай )

50 юаней (произносится как ву ши юань или ву ши куай )

20 юаней (произносится: эр ши юань или эр ши куай )

10 юаней (произносится: ши юань или ши куай )

5 юаней (произносится как ву юань или ву куай )

1 юань (произносится: йи юань или й куай )

1 юань (произносится: йи юань или й куай )

Обменный курс китайской валюты

Китайская валюта не является свободно конвертируемой, что означает, что на обменный курс юаня иногда влияет правительство, и его трудно предсказать.По сути, китайское правительство не любит больших колебаний обменного курса юаня и время от времени вмешивается, чтобы избежать этого. Здесь вы можете найти в реальном времени официальный обменный курс юаня, который также будет использоваться при обмене юаней во время путешествия по Китаю.

Для людей, которые планируют поездку в Китай в будущем, однако, если вы считаете, что в будущем будет возможна тенденция к повышению или снижению обменного курса между вашей домашней валютой и юанем, тогда бронируйте тур с The China Guide. заранее — хороший способ минимизировать потери при обмене.

Как туристическое агентство, базирующееся в Пекине, наши расценки указаны в юанях. Если вы думаете, что ваша домашняя валюта (например, доллар США или евро) будет сильнее по отношению к юаню в будущем, тогда вы можете заплатить нам всего 10% от стоимости тура во время бронирования, чтобы зафиксировать цену и заплатить. остальное по выгодному обменному курсу, когда ваш тур приближается. С другой стороны, если вы считаете, что ваша валюта будет слабее по отношению к юаню в будущем, вы можете заплатить нам до 100% стоимости тура заранее, чтобы заблокировать обменный курс.Если вы не знаете, как меняется обменный курс юаня, вы можете заплатить 50% от стоимости тура во время бронирования, а остальную часть — по мере приближения тура. Таким образом, вы фактически будете платить по среднему обменному курсу. Ознакомьтесь с нашей десяткой лучших туров для тех, кто впервые приехал в Китай.

—

The China Guide — это туристическое агентство в Пекине, которое предлагает индивидуальные туры, образовательные студенческие туры и поощрительные поездки по Китаю. У нас более десяти лет опыта в разработке туров для десятков тысяч путешественников из США, Канады, Австралии, Великобритании, Германии, Франции, Испании и других стран.Мы обещаем, что во всех наших турах нет скрытых платежей, торговых остановок, туристических ресторанов, только незабываемые впечатления! Узнайте о нас больше или свяжитесь с нами, чтобы начать планировать идеальное путешествие по Китаю.

Что такое юань (RMB)? — Определение и история

Юань

Начало

Юань был создан в конце 1948 года Народным банком Китая.Юань был создан как средство объединения Китая, поскольку в Китае использовалось несколько типов валют. Создав официальную валюту, это позволило Коммунистической партии лучше контролировать весь материк.

Единицы

Так же, как американская валюта имеет разные единицы, такие как доллар, десять центов, никель и т. Д., Юань тоже. Единицами юаня являются юань, цзяо или мао, а затем фен. Есть 10 цзяо за 1 юань и 100 фэн за 1 юань, что-то вроде десятицентовика и пенни в валюте США.Существует разница между названием «юань» и названием «доллар США». В США мы также используем термин доллар для обозначения долларовой единицы. В валюте юаня нет единицы юаня, поэтому вы никогда не скажете, что что-то стоит вам 10 юаней. Вместо этого вы всегда говорите единицу стоимости. Итак, 10 юаней или 5 цзяо или мао. На местном языке мао употребляется чаще, чем цзяо.

Изменения

Курс юаня претерпел некоторые изменения с момента своего появления в 1948 году. После того, как Коммунистическая партия захватила материковый Китай, им пришлось выработать решение, позволяющее контролировать инфляцию, которая подрывала экономику Китая.Итак, в 1955 году был выпущен новый юань. Этот новый юань равнялся 10 000 старых юаней. Это помогло стабилизировать экономику и продвинуть Китай вперед.

В 2015 году китайский юань стал частью специальных прав заимствования Международного валютного фонда (МВФ), которые являются международным резервным активом, дополняющим официальные резервы стран-членов. Юань сегодня входит в пятерку наиболее часто используемых валют в мире и используется более широко, чем канадский доллар.

Итоги урока

Давайте рассмотрим. юаней — официальное название валюты Китая. Это юань, цзяо и фэнь. Есть 10 цзяо за 1 юань и 100 фэн за 1 юань. Юань был создан в 1948 году Народным банком Китая. Это официальная валюта Китая. В 1955 году для борьбы с инфляцией был создан новый юань, равный 10 000 юаней старого образца. В 2015 году юань стал частью специальных прав заимствования МВФ.Сегодня это одна из 5 самых популярных валют мира.

Резкие изменения в аэрозолях Харбина в течение 2018–2020 гг .: роль политики открытого горения и образования вторичных аэрозолей

Акаги, С.К., Крейвен, Дж. С., Тейлор, Дж. У., МакМикинг, Г. Р., Йокельсон, Р. Дж., Берлинг, И. Р., Урбанский, С. П. , Уолд, К.Э., Сайнфелд, Дж. Х., Коу, Х., Альварадо, М. Дж., И Вайз, Д. Р.: Эволюция газовых примесей и частиц, испускаемых чапаральным пожаром в Калифорнии, Atmos. Chem. Phys., 12, 1397–1421, https://doi.org/10.5194/acp-12-1397-2012, 2012.

Цао, Ф., Чжан, С.С., Кавамура, К., и Чжан, Ю.Л .: Неорганические маркеры, углеродсодержащие компоненты и стабильный изотоп углерода от сжигания биомассы аэрозоли в Северо-Восточном Китае, Науки. Total Environ., 572, 1244–1251, 2016.

Cheng, Y., Zheng, G.J., Wei, C., Mu, Q., Zheng, B., Wang, Z. B., Gao, М., Чжан, К., Хе, К. Б., Кармайкл, Г., Пешл, У., и Су, Х .: Химический состав реактивного азота в аэрозольной воде как источник сульфатов во время дымка в Китае, Науки.Adv., 2, e1601530, https://doi.org/10.1126/sciadv.1601530, 2016.

Cheng, Y., Yu, Q.Q., Liu, J. M., Du, Z. Y., Liang, L. L., Geng, G. N., Чжэн, Б., Ма, В. Л., Ци, Х., Чжан, К., и Хэ, К. Б .: Сильная биомасса вклад сжигания в атмосферный аэрозоль во время отопительного сезона в мегаполисе в Северо-Восточном Китае: эффективность запретов на сельскохозяйственные пожары ?, Sci. Total Environ., 754, 142144, https://doi.org/10.1016/j.scitotenv.2020.142144, 2021a.

Cheng, Y., Yu, Q.Q., Liu, J.M., Zhu, S.К., Чжан, М. Ю., Чжан, Х. Л., Чжэн Б. и Хэ К. Б. Несоответствие модели и наблюдения в аэрозоле характеристики во время полугодовой кампании в Северо-Восточном Китае: роль сжигания биомассы, Environ. Pollut., 269, 116167, https://doi.org/10.1016/j.envpol.2020.116167, 2021b.

Кольер, С., Чжоу, С., Онаш, Т. Б., Яффе, Д. А., Клейнман, Л., Седлачек, А. Дж., Бриггс, Н. Л., Хи, Дж., Фортнер, Э., Шиллинг, Дж. Э., Уорсноп, Д., Йокельсон, Р. Дж., Парворт, К., Ге, X. Л., Сюй, Дж. З., Баттерфилд, З., Чанд, Д., Дубей, М. К., Пекур, М. С., Спрингстон, С., и Чжан, К .: Региональные влияние выбросов аэрозолей от лесных пожаров, вызванных горением эффективность: выводы из кампании BBOP, Environ. Sci. Technol., 50, 8613–8622, 2016.

Департамент экологии и окружающей среды провинции Хэйлунцзян: промежуточный период. Положения провинции Хэйлунцзян о вознаграждении и наказании за соломинку Burning Management, доступно по адресу: http://www.gov.cn/xinwen/2018-09/15/content_5322298.htm (последний доступ: 9 октября 2021 г.), 2018.

Фунтукис, К. и Ненес, А .: ISORROPIA II: вычислительно эффективная модель термодинамического равновесия для K ⁺ –Ca ²⁺ –Mg ²⁺ –Nh5 + — Na ⁺ –SO42 -– NO3 -– Cl ^— –H ₂ O аэрозоли, Атмосфер. Chem. Phys., 7, 4639–4659, https://doi.org/10.5194/acp-7-4639-2007, 2007.

Guo, HY, Liu, J., Froyd, KD, Roberts, JM, Veres, PR, Хейс, П.Л., Хименес, Дж. Л., Ненес, А., и Вебер, Р.Дж .: pH мелких частиц и разделение фаз газ-частицы неорганических веществ в Пасадене, Калифорния, во время кампании CalNex 2010, Atmos. Chem. Phys., 17, 5703–5719, https://doi.org/10.5194/acp-17-5703-2017, 2017а.

Го, Х. Ю., Вебер, Р. Дж., И Ненес, А.: Высокий уровень аммиака не повышает pH мелких частиц, достаточный для получения сульфата с преобладанием оксида азота производство, Науки. Реп., 7, 12109, https://doi.org/10.1038/s41598-017-11704-0, 2017b.

Ху, В. В., Ху, М., Ху, В., Хименес, Дж. Л., Юань, Б., Чен, В. Т., Ван, М., Ву, Ю.С., Чен, К., Ван, З. Б., Пэн, Дж. Ф., Цзэн, Л. М., и Шао, М.: Химический состав, источники и процесс старения субмикронных аэрозолей в Пекин: контраст лета и зимы, J. Geophys. Res.-Atmos., 121, 1955–1977, 2016.

Хуанг, X., Дин, А. Дж., Гао, Дж., Чжэн, Б., Чжоу, Д. Р., Ци, X. М., Тан, Р., Ван, Дж. П., Рен, К. Х., Не, В., Чи, Х. Г., Сюй, З., Чен, Л. Д., Ли, Ю. Ю., Че, Ф., Панг, Н., Ван, Х. К., Тонг, Д., Цинь, В., Ченг, В., Лю, В. Дж., Фу, К. Ю., Лю, Б. X., Чай, Ф. Х., Дэвис, С. Дж., Чжан, К., и Хе, К. B .: Усиленное сокращение первичных выбросов за счет компенсации вторичного загрязнения во время карантина COVID-19 в Китае, Nat. Sci. Ред., 8, nwaa137, https://doi.org/10.1093/nsr/nwaa137, 2021.

Куанг, Ю., Хэ, Ю., Сюй, В. Ю., Юань, Б., Чжан, Г., Ма, З. К., Ву, К. Х., Ван, К. М., Ван, С. Х., Чжан, С. Ю., Тао, Дж. К., Ма, Н., Су, Х., Ченг, Ю. Ф., Шао М. и Сан Ю. Л .: Фотохимические реакции в водной фазе. вызывают быстрое дневное образование оксигенированного органического аэрозоля на Севере Китайская равнина, окружающая среда.Sci. Technol., 54, 3849–3860, 2020.

Ле, Т. Х., Ван, Ю., Лю, Л., Янг, Дж. Н., Юнг, Ю. Л., Ли, Г. Х. и Сайнфельд, Дж. Х .: Неожиданное загрязнение воздуха с заметным сокращением выбросов. во время вспышки COVID-19 в Китае, Science, 369, 702–706, 2020.

Li, H., Cheng, J., Zhang, Q., Zheng, B., Zhang, Y., Zheng, G. , и Хе, К .: Быстрое изменение состава зимнего аэрозоля в Пекине с 2014 по 2017 год: реакция на действия по очистке воздуха, Атмос. Chem. Phys., 19, 11485–11499, https: // doi.org / 10.5194 / acp-19-11485-2019, 2019a.

Ли, Ю. К., Лю, Дж., Хань, Х., Чжао, Т. Л., Чжан, X., Чжуан, Б. Л., Ван, Т. Дж., Чен, Х. М., Ву, Ю. и Ли, М. М .: Коллективные воздействия биомассы жгучая и синоптическая погода на поверхности PM _2,5 и CO на северо-востоке Китай, Атмос. Environ., 213, 64–80, 2019b.

Лю Дж., Ван, П. Ф., Чжан, Х. Л., Ду, З. Ю., Чжэн, Б., Ю, К. К., Чжэн, Г. Дж., Ма, Ю. Л., Чжэн, М., Ченг, Ю., Чжан, К., и Хэ, К. Б.: Интеграция полевых наблюдений и моделирования качества воздуха для характеристики Аэрозоль Пекина в разные сезоны, Chemosphere, 242, 125195, https: // doi.org / 10.1016 / j.chemosphere.2019.125195, 2020.

Лю, Дж., Александер, Л., Фаст, Дж. Д., Линденмайер, Р., и Шиллинг, Дж. Э .: Характеристики аэрозолей на Южных Великих равнинах во время HI- Масштабная кампания, Атмос. Chem. Phys., 21, 5101–5116, https://doi.org/10.5194/acp-21-5101-2021, 2021а.

Лю П., Е, К., Сюэ, К., Чжан, К., Му, Ю., и Сун, X .: Механизмы образования нитратов и сульфатов в атмосфере в периоды зимней дымки в Пекине: газ -фазовая, гетерогенная и водно-фазовая химия, Опт.Chem. Phys., 20, 4153–4165, https://doi.org/10.5194/acp-20-4153-2020, 2020.

Лю Т. Ю., Чан А. В. Х. и Аббатт Дж. П. Д. Многофазное окисление диоксид серы в аэрозольных частицах: последствия для образования сульфатов в загрязненная среда, Environ. Sci. Technol., 8, 4227–4242, 2021б.

Lv, Z. F., Wang, X. T., Deng, F. Y., Ying, Q., Archibald, A. T., Jones, R. Л., Дин, Ю., Ченг, Ю., Фу, М. Л., Лю, Ю., Ман, Х. Ю., Сюэ, З. Г., Хе, К. Б., Хао, Дж. М. и Лю, Х.: Отношения источник-рецептор, выявленные остановил движение и усилил туман в Пекине во время изоляции от COVID-19, Environ. Sci. Technol., 54, 15660–15670, 2020.

Мэй, А.А., МакМикинг, Г.Р., Ли, Т., Тейлор, Дж. У., Крейвен, Дж. С., Берлинг И., Салливан А. П., Акаги С., Коллетт Дж. Л., Флинн М., Коу Х., Урбански, С. П., Сайнфельд, Дж. Х., Йокельсон, Р. Дж., И Крейденвейс, С. М .: Выбросы аэрозолей от предписанных пожаров в США: синтез лабораторные и авиационные измерения, Дж.Geophys. Res.-Atmos., 119, 11826–11849, 2014.

McClure, CD, Lim, CY, Hagan, DH, Kroll, JH, and Cappa, CD: частицы, полученные при сжигании биомассы из самых разных видов топлива. Часть 1. Свойства первичных частиц, Атмос. Chem. Phys., 20, 1531–1547, https://doi.org/10.5194/acp-20-1531-2020, 2020.

McMeeking, GR, Kreidenweis, SM, Baker, S., Carrico, CM, Chow, Дж. К., Коллетт, Дж. Л., Хао, В. М., Холден, А. С., Кирхштеттер, Т. В., Мальм, В. К., Моосмюллер, Х., Салливан, А. П., и Уолд, К. Э .: Эмиссия следов газы и аэрозоли при открытом сжигании биомассы в лаборатории, J. Geophys. Res., 114, D19210, https://doi.org/10.1029/2009JD011836, 2009.

Национальное статистическое бюро Китая: Статистический ежегодник Китая 2020, доступно по адресу: http://www.stats.gov.cn/tjsj/ndsj/2020/indexeh.htm (последний доступ: 9 октября 2021 г.), 2020 г.

Pokhrel, RP, Wagner, NL, Langridge, JM, Lack , DA, Jayarathne, T., Stone, EA, Stockwell, C.Е., Йокельсон, Р. Дж., И Мерфи, С. М .: Параметризация альбедо однократного рассеяния (SSA) и показателя Ангстрема поглощения (AAE) с EC / OC для выбросов аэрозолей от сжигания биомассы, Atmos. Chem. Phys., 16, 9549–9561, https://doi.org/10.5194/acp-16-9549-2016, 2016.

Shi, Z., Vu, T., Kotthaus, S., Harrison, RM, Гриммонд, С., Юэ, С., Чжу, Т., Ли, Дж., Хан, Ю., Демузере, М., Данмор, Р. Э., Рен, Л., Лю, Д., Ван, Ю., Уайлд , О., Аллан, Дж., Актон, У.Дж., Барлоу, Дж., Барратт, Б., Беддоуз, Д., Блосс, У. Дж., Кальцолай, Г., Каррутерс, Д., Карслав, округ Колумбия, Чан, К., Хатзидиаку, Л., Чен, Ю., Крилли, Л., Коу, Х., Дай, Т., Доэрти , Р., Дуан, Ф., Фу, П., Ге, Б., Ге, М., Гуан, Д., Гамильтон, Дж. Ф., Хе, К., Хил, М., Херд, Д., Хьюит, CN, Холлауэй, М., Ху, М., Цзи, Д., Цзян, X., Джонс, Р., Калберер, М., Келли, Ф.Дж., Крамер, Л., Лэнгфорд, Б., Лин, К. , Льюис, А.С., Ли, Дж., Ли, У., Лю, Х., Лю, Дж., Ло, М., Лу, К., Лукарелли, Ф., Манн, Г., Макфигганс, Г., Миллер, М.Р., Миллс, Г., Монк, П., Nemitz, E., O’Connor, F., Ouyang, B., Palmer, PI, Percival, C., Popoola, O., Reeves, C., Rickard, AR, Shao, L., Shi, G. , Спраклен, Д., Стивенсон, Д., Сан, Ю., Сан, З., Тао, С., Тонг, С., Ван, К., Ван, В., Ван, X., Ван, X. , Wang, Z., Wei, L., Whalley, L., Wu, X., Wu, Z., Xie, P., Yang, F., Zhang, Q., Zhang, Y., Zhang, Y. , и Чжэн, М .: Введение в специальный выпуск «Углубленное изучение источников и процессов загрязнения воздуха в Пекине и его окрестностях (APHH-Beijing)», Atmos.Chem. Phys., 19, 7519–7546, https://doi.org/10.5194/acp-19-7519-2019, 2019.

Шривастава, М., Каппа, К. Д., Фан, Дж. У., Гольдштейн, А. Х., Гюнтер, А. Б., Хименес, Дж. Л., Куанг, К., Ласкин, А., Мартин, С. Т., Нг, Н. Л., Петая, Т., Пирс, Дж. Р., Раш, П. Дж., Ролдин, П., Сайнфельд, Дж. Х., Шиллинг, Дж., Смит, Дж. Н., Торнтон, Дж. А., Волкамер, Р., Ван, Дж., Уорсноп, Д. Р., Завери, Р.А., Зеленюк, А., и Чжан, К .: Последние достижения в понимании вторичный органический аэрозоль: последствия для глобального воздействия на климат, Rev.Геофиз., 55, 509–559, 2017.

Сонг, С., Гао, М., Сюй, В., Шао, Дж., Ши, Г., Ван, С., Ван, Ю., Сунь, Ю. и МакЭлрой , МБ: pH мелких частиц для зимней дымки в Пекине по данным различных моделей термодинамического равновесия, Атмос. Chem. Phys., 18, 7423–7438, https://doi.org/10.5194/acp-18-7423-2018, 2018.

Су, Х., Ченг, Ю. Ф., Пёшль, У .: Новые многофазные химические процессы, влияющие на атмосферные аэрозоли, качество воздуха и климат в антропоцене, соотв. Chem.Res., 53, 2034–2043, 2020.

Сунь, Ю. Л., Цзян, К., Ван, З. Ф., Фу, П. К., Ли, Дж., Ян, Т., и Инь, Я .: Исследование источников и процессов развития сильной дымки. загрязнение Пекина в январе 2013 г., J. Geophys. Res.-Atmos., 119, 4380–4398, 2014.

Сунь, Ю. Л., Ван, З. Ф., Фу, П. К., Цзян, К., Ян, Т., Ли, Дж., И Ге, X. Л .: Влияние относительной влажности на состав и эволюцию аэрозоля. процессы зимой в Пекине, Китае, Атмос. Окружающая среда, 77, 927–934, 2013.

Sun, YL, Xu, W., Zhang, Q., Jiang, Q., Canonaco, F., Prévôt, ASH, Fu, P., Li, J., Jayne, J., Worsnop, DR, и Ван З .: Исходное распределение органического аэрозоля на основе двухлетних измерений с высокой точностью во времени с помощью монитора химического состава аэрозолей в Пекине, Китай, Atmos. Chem. Phys., 18, 8469–8489, https://doi.org/10.5194/acp-18-8469-2018, 2018.

Ван, Г. Х., Чжан, Р. Ю., Гомес, М. Э., Янг, Л. Х., Замора, М. Л., Ху, М., Лин, Ю., Пэн, Дж. Ф., Го, С., Мэн, Дж.Дж., Ли, Дж. Дж., Ченг, К. Л., Ху, Т. Ф., Рен, Ю. К., Ван, Ю. С., Гао, Дж., Цао, Дж. Дж., Ан, З. С., Чжоу, В. Дж., Ли, Г. Х., Ван, Дж. Й., Тиан, П. Ф., Марреро-Ортис, В., Секрест, Дж., Ду, З. Ф., Чжэн, Дж., Шан, Д. Дж., Цзэн, Л. М., Шао, М., Ван, В. Г., Хуанг, Ю., Ван, Ю., Чжу, Ю. Дж., Ли, Ю. X., Ху, Дж. Х., Пан, Б. В., Цай, Л., Ченг, Ю. Т., Цзи, Ю. М., Чжан, Ф., Розенфельд, Д., Лисс, П. С., Дуче, Р. А., Колб, К. Э. и Молина М. Дж .: Устойчивое образование сульфатов от Лондонского тумана до Китайская дымка, P.Natl. Акад. Sci. USA, 113, 13630–13635, 2016.

Wang, J. F., Li, J. Y., Ye, J. H., Zhao, J., Wu, Y. Z., Hu, J. L., Liu, D. Т., Не, Д. Ю., Шен, Ф. З., Хуанг, X. П., Хуанг, Д. Д., Цзи, Д. С., Сунь, X., Сюй, В.К., Го, Дж. П., Сун, С. Дж., Цинь, Ю. М., Лю, П. Ф., Тернер, Дж. Р., Ли, Х. К., Хван, С., Ляо, Х., Мартин, С. Т., Чжан, К., Чен, М. Д., Сунь, Y. L., Ge, X. L., и Джейкоб, Д. Дж .: Быстрое образование сульфата в результате окисления SO ₂ от NO ₂ и HONO наблюдались в пекинской дымке, Nat.Commun., 11, 2844, https://doi.org/10.1038/s41467-020-16683-x, 2020a.

Ван, Дж. Ф., Е, Дж. Х., Чжан, К., Чжао, Дж., Ву, Ю. З., Ли, Дж. Й., Лю, Д. Т., Ли, В. Дж., Чжан, Ю. Г., Ву, К., Се, К. Х., Цинь, Ю. М., Лей, Ю. Л., Хуан, X.P., Го, Дж. П., Лю, П. Ф., Фу, П. К., Ли, Ю. Дж., Ли, Х. С., Чой, Х., Чжан, Дж., Ляо, Х., Чен, М. Д., Сунь, Ю. Л., Ге, Х. Л., Мартин, С. Т. и Джейкоб Д. Дж .: Водное производство вторичного органического аэрозоля. от выбросов ископаемого топлива в зимнюю пекинскую дымку, P.Natl. Акад. Sci. США, 118, e2022179118, https://doi.org/10.1073/pnas.2022179118, 2021a.

Ван П. Ф., Чен К. Ю., Чжу С. К., Ван П. и Чжан Х. Л .: Суровый воздух. событий загрязнения, которых нельзя избежать за счет снижения антропогенной деятельности во время Вспышка COVID-19, Ресурс. Консерв. Recy., 158, 104814, https://doi.org/10.1016/j.resconrec.2020.104814, 2020b.

Ван, В. Г., Лю, М. Ю., Ван, Т. Т., Сун, Ю., Чжоу, Л., Цао, Дж. Дж., Ху, Дж. Н., Тан, Г. Г., Чен, З., Ли, З. Дж., Сюй, З. Ю., Пэн, К., Лянь, К. Ф., Чен, Ю., Пань, Ю. П., Чжан, Ю. Х., Сунь, Ю. Л., Ли, В. Дж., Чжу, Т., Тиан, Х. З., Ге, М. Ф .: В образовании сульфатов преобладают катализируемые марганцем окисление SO ₂ на аэрозольных поверхностях во время событий помутнения, Нат. Commun., 12, 1993, https://doi.org/10.1038/s41467-021-22091-6, 2021b.

Ван, Ю., Ху, М., Сюй, Н., Цинь, Ю., Ву, З., Цзэн, Л., Хуан, X., и Хе, Л.: Химический состав и поглощение света углеродистыми аэрозоли, выделяемые при сжигании пожнивных остатков: влияние на полноту сгорания, Атмос.Chem. Phys., 20, 13721–13734, https://doi.org/10.5194/acp-20-13721-2020, 2020c.

Ван, Ю. X., Чжан, К. К., Цзян, Дж. К., Чжоу, В., Ван, Б. Ю., Хэ, К. Б., Дуань, Ф. К., Чжан, К., Филип, С., и Се, Ю. Ю.: усиленный сульфат образование во время эпизода сильной зимней дымки в Китае в январе 2013 г. отсутствует. из текущих моделей, J. Geophys. Res.-Atmos., 119, 10425–10440, 2014.

Сюй, В.К., Сунь, Ю.Л., Ван, К.К., Чжао, Дж., Ван, Дж. Ф., Ге, X. Л., Се, К. Х., Чжоу, В., Ду, В., Ли, Дж., Фу, П. К., Ван, З. Ф., Уорсноп, Д. Р., и Коу, Х .: Изменения в химическом составе аэрозолей с 2014 по 2016 гг. Зимой в Пекин: выводы из масс-спектрометрии аэрозолей высокого разрешения, J. Geophys. Res. Атмос., 124, 1132–1147, 2019.

Ян Т., Гбагиди А., Ян, П. З., Чжан, В. Д., Чжу, Л. Л., Яо, Х. Ф., Ван, З. Ф. и Чен Х .: Модель, объясняющая источники и механизмы формирования сильное загрязнение дымкой над северо-восточным кластером мегаполисов в Китае, Атмос. Окружающая среда, 230, 692–700, 2017.

Е, К., Лю, П. Ф., Ма, З. Б., Сюэ, К. Ю., Чжан, К. Л., Чжан, Ю. Ю., Лю, Дж. Ф., Лю, К. Т., Сунь, X., и Му, Ю. Дж .: Высокий H ₂ O ₂ концентрации, наблюдаемые в периоды тумана зимой в Пекине: важность окисления H ₂ O ₂ в образовании сульфатов, Environ. Sci. Technol. Lett., 5, 757–763, 2018.

Чжан, Дж., Лю, Л., Сюй, Л., Лин, К., Чжао, Х., Ван, З., Го, С., Ху, М., Лю, Д., Ши, З. ., Хуанг Д. и Ли В.: Изучение зимней региональной дымки на северо-востоке Китая: роль сжигания угля и биомассы, Атмос. Chem. Phys., 20, 5355–5372, https://doi.org/10.5194/acp-20-5355-2020, 2020.

Zhang, Q., Zheng, YX, Tong, D., Shao, M., Ван, SX, Чжан, YH, Сюй, X. D., Wang, J. N., He, H., Liu, W. Q., Ding, Y. H., Lei, Y., Li, J. H., Ван, З. Ф., Чжан, X. Y., Ван, Ю. С., Ченг, Дж., Лю, Ю., Ши, К. Р., Янь, Л., Гэн, Г. Н., Хун, К. П., Ли, М., Лю, Ф., Чжэн, Б., Цао, Дж. Дж., Дин, А. Дж., Гао, Дж., Фу, Q.Y., Хо, Дж. Т., Лю, Б. X., Лю, З. Р., Ян, Ф. М., Хэ, К. Б., и Хао, Дж. М .: Драйверы улучшенного качества воздуха PM _2,5 в Китай с 2013 по 2017 гг., P. Natl. Акад. Sci. США, 116, 24463–24469, 2019.

Чжан, Р., Сунь, X. С., Ши, А. Дж., Хуанг, Ю. Х., Янь, Дж., Не, Т., Янь, X., и Ли, X .: Образование вторичных неорганических аэрозолей во время эпизодов дымки в городской участок в Пекине, Китай, Атмос. Environ., 177, 275–282, 2018.

Чжэн, Б., Тонг, Д., Ли, М., Лю, Ф., Hong, C., Geng, G., Li, H., Li, X., Peng, L., Qi, J., Yan, L., Zhang, Y., Zhao, H., Zheng, Y. , Хэ, К., и Чжан, К .: Тенденции в антропогенных выбросах Китая с 2010 г. как следствие действий по очистке воздуха, Атмос. Chem. Phys., 18, 14095–14111, https://doi.org/10.5194/acp-18-14095-2018, 2018.

Zheng, B., Zhang, Q., Zhang, Y., He, KB, Ван К., Чжэн Г.Дж., Дуан Ф.К., Ма, Ю.Л. и Кимото, Т.: Гетерогенная химия: механизм, отсутствующий в существующих моделях, для объяснения образования вторичных неорганических аэрозолей во время эпизода дымки в январе 2013 г. в Северном Китае, Атмосфера.Chem. Phys., 15, 2031–2049, https://doi.org/10.5194/acp-15-2031-2015, 2015.

Zheng, GJ, Duan, FK, Su, H., Ma, YL, Cheng, Ю., Чжэн, Б., Чжан, К., Хуанг, Т., Кимото, Т., Чанг, Д., Пёшль, У., Ченг, Ю. Ф., и Хэ, КБ: Изучение суровой зимней дымки в Пекине: влияние синоптической погоды, регионального переноса и гетерогенных реакций, Атмос. Chem. Phys., 15, 2969–2983, https://doi.org/10.5194/acp-15-2969-2015, 2015.

Чжэн, Г. Дж., Су, Х., Ван, С. В., Андреэ, М. О., Пёшль, У., и Ченг, Ю. Ф .: Теория многофазных буферов объясняет контрасты в атмосферных условиях. кислотность аэрозоля, Science, 369, 1374–1377, 2020.

Использование приобретенной уязвимости цисплатин-резистентных опухолей с помощью наномедицины, подавляющей репарацию ДНК (HYDRI), усиливающую гипоксию. генотипический и фенотипический ландшафт исходных солидных опухолей. Таким образом, PDO используются в качестве клинически значимых моделей in vitro для имитации патологии конкретного пациента и для оценки эффективности химиопрепаратов для каждого пациента.Таким образом, статус внутриклеточной гипоксии также был охарактеризован с помощью PDO. Используемые PDO были получены из образца опухоли толстой кишки одного пациента (обозначенного как PDO_0) и ткани метастатической опухоли печени первичного рака толстой кишки двух пациентов (обозначенных как PDO_1 и PDO_2), которые получали клиническую химиотерапию цисплатином. После инкубации PDO с Lipo-Pt в фиксированных концентрациях в течение 2 дней жизнеспособность была определена количественно с помощью анализа CCK-8 для оценки лекарственной устойчивости PDO. Результаты ингибирования пролиферации представлены на рис.5A предположил, что PDO_0 показал чувствительные ответы на лекарственное средство платины, PDO_2 продемонстрировал умеренную устойчивость, а PDO_1 продемонстрировал сильную устойчивость к лекарственному средству платины. Затем определяли уровень внутриклеточной гипоксии PDO по экспрессии HIF-1α с помощью иммунофлуоресцентного анализа. Как показано на фиг. 5B, была обнаружена самая высокая экспрессия HIF-1α на PDO_1 и умеренная экспрессия HIF-1α на PDO_2, в то время как наблюдались очень незначительные сигналы HIF-1α на PDO_0. Эти доказательства, полученные из анализа PDO, подразумевают положительную корреляцию между степенью гипоксии и степенью устойчивости к лекарствам, что подтверждает актуальность наблюдений при сравнении родительских опухолевых клеточных линий с их цисплатин-резистентными производными.Для оценки терапевтических эффектов GOx / [email protected] установленные PDO инкубировали с различными липосомными NM при различных концентрациях Pt-эквивалента (2, 5 и 10 мкМ) в течение 48 часов. Были проанализированы выживаемость PDO через 2 дня инкубации и частота рецидивов через 10 дней после первичной обработки. Результаты для PDO_1, который имеет наиболее устойчивый ответ на цисплатин, показаны на фиг. 5 (от C до F). Морфологические изменения наблюдали под микроскопом, и изменения размера PDO_1 были рассчитаны для оценки способности липосомных НМ к ингибированию пролиферации (рис.5, В и Г). Кроме того, анализ CCK-8 использовали для количественной оценки жизнеспособности PDO_1 (фиг. 5, E и F). Результаты показали, что обработка как GOx / [защита по электронной почте], так и GOx / [защита по электронной почте] значительно ингибировала пролиферацию PDO_1 по сравнению с контролем с физиологическим раствором (фиг. 5E). Хотя GOx / [защита электронной почты] была немного (и незначительно) более эффективной, чем GOx / [защита электронной почты] в отношении ингибирования распространения, частота рецидивов PDO_1 через 10 дней после лечения была значительно снижена с помощью GOx / [защита электронной почты] (рис.5F). Это указывает на то, что GOx / [email protected] может иметь высокую эффективность с хорошим прогнозом против цисплатин-резистентных опухолей. Чтобы исследовать механизм, лежащий в основе терапевтического эффекта, мы использовали иммунофлуоресценцию для анализа уровней экспрессии HIF-1α и XPF в PDO_1 после различных обработок (рис. 5G). По сравнению с необработанной группой, срезы PDO_1, подвергнутые обработке GOx / [защита электронной почты] или GOx / [защита электронной почты], показали усиленную зеленую флуоресценцию и снижение красных сигналов, что указывает на повышенную экспрессию HIF-1α и снижение уровня XPF. .Эти изменения в HIF-α и XPF в PDO, обработанных GOx / [защищено по электронной почте], подтвердили усиленную гипоксию и последующую активацию TPZ, которая повышает эффективность комплекса платины (IV). Терапевтическая эффективность липосомальных НМ также оценивалась на PDO_0 и PDO_2. НМ, испытанные на PDO_2, который имеет умеренную устойчивость к цисплатину, действовали аналогично терапии, испытанной на PDO_1 (рис. S8, B-E). Как показано на рис. S8A, все липосомальные НМ реализуют значительное ингибирование пролиферации PDO_0.PDO_0 был почти полностью убит GOx / [защита электронной почты] даже при концентрации Pt 2 мкМ. Стоит отметить, что лучшая убивающая сила HYDRI NM на PDO_0, чем на PDO_1 или PDO_2, объясняется присущей PDO_0 чувствительностью к цисплатину. Параллельно с стремлением к эффективному уничтожению устойчивых к лекарственным средствам рака не только достигается лучшая эффективность ингибирования на чувствительных к лекарствам клетках, чем на клетках, устойчивых к лекарствам. Следовательно, разумно, что свежеприготовленные HYDRI NM приводили к более высокой эффективности уничтожения цисплатин-чувствительных клеток (PDO_0), чем цисплатин-устойчивых клеток (PDO_1).

МОДЕЛЬ РАЗЛИЧНЫХ КОЭФФИЦИЕНТОВ ДЛЯ МОДЕЛИРОВАНИЯ ТЕНЗОРОВ ДИФФУЗИИ ПО ТРАКТАМ БЕЛОГО МАТЕРИАЛА на JSTOR

Абстрактный

Визуализация тензора диффузии дает важную информацию о структуре ткани и ориентации волоконных трактов в белом веществе мозга in vivo. Это приводит к тензорам диффузии, которые представляют собой симметричные положительно определенные (SPD) матрицы размером 3 × 3, вдоль пучков волокон. В этой статье разрабатывается структура функционального анализа данных для моделирования тензоров диффузии вдоль волоконных трактов как функциональных данных в римановом многообразии с набором представляющих интерес ковариат, таких как возраст и пол.Мы предлагаем статистическую модель с различными функциями коэффициентов, чтобы охарактеризовать динамическую связь между функциональными матричнозначными ответами SPD и ковариатами. Мы вычисляем взвешенные оценки методом наименьших квадратов переменных функций коэффициентов для лог-евклидовой метрики в пространстве матриц SPD. Мы также разрабатываем глобальную статистику тестов для проверки конкретных гипотез об этих функциях коэффициентов и построения их одновременных доверительных интервалов. Смоделированные данные в дальнейшем используются для исследования характеристик конечной выборки оцененных функций переменных коэффициентов.Мы применяем нашу модель для изучения потенциальных гендерных различий и находим статистически значимый аспект развития тензоров диффузии вдоль правого внутреннего капсульного тракта в клиническом исследовании развития нервной системы.

Информация о журнале

Статистические исследования охватывают огромный диапазон от непосредственного сотрудничества в предметной области до чистой математической теории. «Анналы прикладной статистики» (AOAS) нацелены на статьи, относящиеся к прикладной половине этого диапазона.Наша цель — предоставить своевременный и единый форум для всех областей прикладной статистики. AOAS публикуется ежеквартально в печатном и электронном виде Институтом математической статистики.

Информация об издателе

Целью Института математической статистики (IMS) является содействие развитие и распространение теории и приложений статистики и вероятность. Институт сформирован на встрече заинтересованных лиц. 12 сентября 1935 года в Анн-Арборе, штат Мичиган, вследствие чувства что теория статистики будет продвинута с образованием организации тех, кто особенно интересуется математическими аспектами предмета.Летопись статистики и Анналы вероятности (которые заменяют «Анналы математической статистики»), Статистические Наука и Анналы прикладной вероятности — это научные журналы института. Они и Бюллетень IMS включают официальные журналы института. Институт имеет индивидуальное и организационное членство. Сборы оплачиваются ежегодно и включают подписку на информационный бюллетень организации, Бюллетень IMS. Участники также получают приоритетные цены на все другие публикации IMS.

Завершение изображения во встроенном пространстве с использованием многоступенчатой ​​декомпозиции тензорного кольца

Front Artif Intell. 2021; 4: 687176.

Фарназ Седигин

¹ Медицинский научно-исследовательский центр обработки изображений и сигналов, Школа передовых технологий в медицине, Исфаханский университет медицинских наук, Исфахан, Иран

² Департамент вычислительной техники и обработки данных , Сколковский институт науки и технологий (СКОЛТЕХ), Москва, Россия

Анджей Цихоцкий

² Кафедра вычислительной техники и обработки данных, Сколковский институт науки и технологий (СКОЛТЕХ), Москва, Россия

³ Институт системных исследований Польской академии наук, Варшава, Польша

¹ Медицинский исследовательский центр обработки изображений и сигналов, Школа передовых технологий в медицине, Исфаханский университет медицинских наук, Исфахан, Иран

² Интенсивные вычисления и обработка данных Научно-технический отдел, Сколковский институт науки и технологий chnology (SKOLTECH), Москва, Россия

³ Институт системных исследований Польской академии наук, Варшава, Польша

2021 29 марта; Принята в печать 29 июня 2021 года.

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (CC BY). Использование, распространение или воспроизведение на других форумах разрешено при условии указания автора (авторов) и правообладателя (ов) и ссылки на оригинальную публикацию в этом журнале в соответствии с принятой академической практикой. Запрещается использование, распространение или воспроизведение без соблюдения этих условий.

Заявление о доступности данных

Исходные материалы, представленные в исследовании, включены в статью / дополнительные материалы, дальнейшие запросы можно направить соответствующему автору.

Реферат

Завершение тензорного кода — важная проблема при обработке больших данных. Обычно данные, полученные с разных аспектов мультимодального явления или с разных датчиков, являются неполными из-за разных причин, таких как шум, низкая частота дискретизации или ошибка человека. В этой ситуации восстановление недостающих или неопределенных элементов неполного набора данных является важным шагом для эффективной обработки данных. В этой статье был предложен новый подход к завершению с использованием разложения по тензорному кольцу (TR) во вложенном пространстве.В предлагаемом подходе тензор неполных данных сначала преобразуется в тензор более высокого порядка с использованием метода блочной ханкелизации. Затем тензор более высокого порядка завершается с использованием TR-разложения с инкрементной и многоэтапной стратегией ранга. Результаты моделирования показывают эффективность предложенного подхода по сравнению с современными алгоритмами заканчивания, особенно для очень высоких коэффициентов пропусков и зашумленных случаев.

Ключевые слова: декомпозиция по тензорному кольцу , завершение изображения, многоступенчатая стратегия, тензоризация, ганкелизация

1 Введение

Совместный анализ наборов данных, записанных различными датчиками, является эффективным подходом для исследования физического явления.Для этого предложения полученные наборы данных могут быть записаны в различные матрицы и проанализированы совместно (Озеров и Февот, 2009).

Из-за увеличения объема записанных данных, а также количества записанных сигналов, матрицы становятся менее эффективными для анализа и представления наборов данных. Для преодоления этого ограничения полученные наборы данных представлены в тензорных форматах. Тензоры — это массивы более высокого порядка, используемые в различных приложениях обработки сигналов, таких как слепое разделение источников (BSS) (Cichocki et al., 2009; Bousse et al., 2016), изображение в раскраске / завершении (Liu et al., 2012; Yokota et al., 2016; Wang et al., 2017), анализ временных рядов (Kouchaki et al., 2014; Sedighin et al., al., 2020) и машинного обучения (Rabanser et al., 2017; Sidiropoulos et al., 2017).

Полученные наборы данных могут быть неполными или неопределенными из-за различных причин, таких как шум, выбросы, сбой оборудования или человеческая ошибка (Liu et al., 2012; Yokota et al., 2016; Wang et al., 2017). Даже иногда разрешение записанных данных оказывается недостаточным из-за аппаратных ограничений.В этих ситуациях тензорное завершение может быть очень полезным для эффективного анализа данных.

Завершение тензора — это подход для восстановления недостающих или неопределенных элементов тензора данных с использованием его доступных элементов (Liu et al., 2012; Yokota et al., 2016; Wang et al., 2017). На первый взгляд проблема кажется некорректной и сложной, но на самом деле ее можно решить, используя некоторые предположения для исходного тензора данных (Gandy et al., 2011; Liu et al., 2012; Bengua et al. , 2017).

В целом подходы с тензорным завершением можно разделить на две группы: подходы на основе низкого ранга (Liu et al., 2012; Bengua et al., 2017) и подходы на основе тензорной декомпозиции (Yokota et al., 2016, Yokota et al., 2018). Однако в некоторых методах заканчивания, таких как (Yuan et al., 2018b), оба подхода были объединены.

В подходах к завершению на основе низкого ранга предполагается, что исходный тензор имеет низкий ранг. Согласно этому предположению, завершение должно найти недостающие элементы тензора таким образом, чтобы завершенный тензор имел приближение низкого ранга (Signoretto et al., 2010; Gandy et al., 2011; Лю и др., 2012; Bengua et al., 2017; Юань и др., 2018b). В отличие от матриц, нет однозначного определения тензорного ранга. Одним из основных определений тензорного ранга является ранг канонической полиадической декомпозиции (CPD), который представляет собой количество тензоров первого ранга после CP-разложения исходного тензора. Оценить CPD-ранг тензора сложно, поэтому были предложены другие альтернативные определения, такие как взвешенное суммирование рангов различных разверток тензора данных (Liu et al., 2012). Такие алгоритмы, как Simple Low Rank Tensor Completion (SiLRTC) или High precision Low Rank Tensor Completion (HaLRTC) (Liu et al., 2012; Bengua et al., 2017), могут рассматриваться как примеры алгоритмов завершения на основе минимизации ранга.

В подходах на основе тензорной декомпозиции неполный тензор раскладывается на несколько факторных матриц более низкого порядка или меньшего размера и / или базовые тензоры. Эти скрытые факторы обычно сохраняют структурную информацию исходного тензора. Следовательно, завершенный тензор может быть восстановлен с использованием оцененных скрытых факторов.Существующие разные подходы к тензорной декомпозиции приводят к различным подходам завершения на основе декомпозиции. В (Yokota et al., 2016) был предложен подход к завершению, основанный на CPD. В (Yokota et al., 2018) разложение Такера использовалось для тензорного пополнения.

Помимо упомянутых подходов на основе тензорной декомпозиции, недавно появились новые методы завершения, основанные на Tensor Train (TT) (Grasedyck et al., 2015; Ko et al., 2018; Yuan et al., 2019) и Tensor Ring (TR). (Ван и др., 2017; Юань и др., 2018а; Yuan et al., 2018b) также были предложены декомпозиции. Разложение TT — это подход для разложения тензора на серию взаимосвязанных основных тензоров третьего порядка (Оселедец, 2011), как (см.).

X¯≃≪G¯ (1), G¯ (2),…, G¯ (N) ≫,

(1)

где X¯∈ ℝI1 × I2 × ⋯ × IN — это N Тензор -го порядка, подлежащий разложению, и G¯ (n) ∈ ℝRn − 1 × In × Rn — это n -й тензор ядра. Вектор [R0, R1,…, RN] является вектором ранга TT и R0 = RN = 1 (Оселедец, 2011).(I1,…, iN) -й элемент X¯, т.е. xi1,…, iN, можно оценить как

xi1,…, iN≃Gi1 (1) Gi2 (2) ⋅⋅⋅GiN (N) ,

(2)

где Gin (n) — это i _n -й боковой срез тензора n -го ядра.

Общая структура для разложений TT и TR. Для разложения TT ​​R0 = RN = 1.

В разложении TR, аналогично разложению TT, тензор разбивается на цепочку взаимосвязанных основных тензоров третьего порядка с обозначениями, подобными (Ур.1), при этом R0 = RN≥ 1 (Zhao et al., 2016). Элементы тензора со структурой TR можно вычислить как

xi1,…, iN≃tr (Gi1 (1) Gi2 (2) ⋅⋅⋅GiN (N)),

(3)

где «tr» обозначает оператор трассировки.

Недавно был разработан многообещающий подход, названный ханкелизацией, для улучшения качества подходов к тензорному завершению (Yokota et al., 2018; Sedighin et al., 2020). Ранее ганкелизация использовалась в качестве начального шага для алгоритма анализа временных рядов, называемого анализом сингулярного спектра (SSA) (Голяндина и др., 2013; Рахмани и др., 2016; Hassani et al., 2017; Калантари и др., 2018). Вообще говоря, ганкелизация — это подход к переносу набора данных более низкого порядка в набор данных более высокого порядка с использованием структуры матрицы Ганкеля. В этом подходе исходные данные преобразуются в тензор, срезы которого имеют ганкелевую или блочную ганкелевую структуру. Напомним, что в матрице со структурой Ганкеля все элементы в каждой косой диагонали одинаковы. Ханкелизация дает возможность использовать локальные корреляции элементов.Из-за структуры Ганкеля ожидается, что результирующий тензор более высокого порядка, обеспечиваемый ганкелизацией, будет иметь низкий ранг. Этот низкий ранг в дополнение к стратегии приращения ранга для модели Такера использовался для завершения тензора в (Yokota et al., 2018). В (Asante-Mensah et al., 2020) разложение TR использовалось для завершения ганкелизованных изображений. Также в (Sedighin et al., 2020) был предложен новый подход для завершения временных рядов, основанный на двухэтапной ханкелизации. В этом подходе односторонние данные, т.е.е., временной ряд, сначала переформатируется в матрицу Ганкеля, а затем результирующая матрица Ганкеля преобразуется в тензор 6-го порядка с использованием блочного (патч) ханкелизации. В подходе блочной ханкелизации, в отличие от классических методов ханкелизации, ганкелизируются блоки элементов, а не отдельные элементы (Sedighin et al., 2020).

В этой статье мы в основном сосредотачиваемся на завершении изображения. Используя подход блочной ханкелизации (Sedighin et al., 2020), исходный неполный тензор (изображение) сначала преобразуется в 7-мерный тензор более высокого порядка.Затем для завершения изображения было применено TR-разложение. Применение TR-разложения для завершения ганкелизованных изображений или, лучше сказать, во встроенном пространстве, было исследовано в нескольких статьях, таких как (Asante-Mensah et al., 2020) и (Sedighin et al., 2021). Как и во многих подходах к завершению TT и TR, определение надлежащих рангов для завершения является важным вопросом, поэтому в этой статье для определения рангов TR используется стратегия приращения рангов, разработанная нами в (Sedighin et al., 2021).Кроме того, разработана многоступенчатая стратегия для дальнейшего улучшения качества реконструированных изображений. Многоступенчатая стратегия была ранее предложена нами в (Sedighin et al., 2020) для завершения временных рядов. Насколько нам известно, это первый случай использования многоступенчатой ​​стратегии для завершения изображения вместе с адаптивной декомпозицией TR. В этом основное отличие предлагаемого подхода от моделирования, представленного в (Sedighin et al., 2021). Вклад этой статьи можно резюмировать как.

• • Применение блочной ханкелизации к каждому фронтальному срезу неполного изображения, что приводит к тензору 7-го порядка. Блок (патч) ханкелизации был применен к каждому срезу цветного изображения отдельно, в результате чего были получены три тензора 6-го порядка. Затем эти тензоры 6-го порядка были объединены друг с другом для создания тензора 7-го порядка.

• • Применение TR-разложения с автоматической стратегией приращения ранга, предложенной в (Sedighin et al., 2021).

• • Разработка многоступенчатой ​​стратегии для улучшения качества окончательного восстановленного изображения.

Обширные результаты моделирования подтвердили качество предложенного алгоритма завершения изображения, особенно для случаев с высоким коэффициентом пропусков и зашумленными случаями.

Остальная часть этого документа организована следующим образом: Обозначения и предварительные сведения представлены в Разделе 2, различные алгоритмы завершения TT ​​и TR кратко рассмотрены в Разделе 3. Раздел 4 посвящен ганкелизации блоков, а предлагаемый алгоритм представлен в Разделе 5.Наконец, результаты и обсуждение представлены в Разделе 6 и Разделе 7 соответственно.

2 Обозначения и предварительные сведения

Обозначения, используемые в этой статье, заимствованы из (Cichocki et al., 2016). Предполагается, что векторы, матрицы и тензоры содержат вещественные элементы. Тензор N -го порядка обозначается жирной подчеркнутой заглавной буквой как X¯∈ ℝI1 × I2 × ⋯ × IN, где In — количество элементов в n -й моде. Матрица I1 × I2 обозначается жирной заглавной буквой как X∈ ℝI1 × I2, а векторы обозначаются жирными строчными буквами как x∈ ℝI1.(I1, i2,…, iN) -й элемент тензора X¯ обозначается через xi1, i2,…, iN.

Матризация или развертывание тензора преобразует этот тензор в матрицу с теми же элементами. Матризация по моде n тензора определяется как X (n) ∈ ℝIn × I1⋅⋅⋅In − 1In + 1⋅⋅⋅IN, в котором X (n) (in, i1 ⋯ in − 1in + 1 ⋯ iN¯ ) = xi1, i2,…, iN. Mode- {n} каноническая матрица тензора также определяется как X ∈ ℝI1I2… In × In + 1… IN, в котором X (i1⋅⋅⋅in¯, in + 1⋅⋅⋅iN¯ ) = xi1, i2,…, iN. Кроме того, X [n] ∈ ℝIn × In + 1 ⋯ INI1 ⋯ In − 1 является разверткой тензора таким образом, что X [n] (in, in + 1⋅⋅⋅iNi1⋅⋅⋅in − 1¯) = xi1, i2,…, iN.

Адамара (покомпонентное) произведение двух тензоров обозначается ⊛. Mode- n произведение тензора A¯ и матрицы B обозначается A¯ × nB. vec (X) и rank (X) — векторизация и ранг матрицы соответственно.

3 алгоритма завершения на основе тензорного поезда и тензорного кольца

Декомпозиция тензорного поезда использовалась во многих алгоритмах завершения. В (Yuan et al., 2019) были предложены два алгоритма завершения, взвешенная оптимизация TT ​​(TT-WOPT) и стохастический градиентный спуск TT (TT-SGD).(θ) = ≪G¯ (1),…, G¯ (N) ≫,

(5)

и θ = (G¯ (1),…, G¯ (N))

Алгоритм заканчивания на основе TT с использованием идентификации системы был предложен в (Ko et al., 2018). В этом подходе индексы наблюдаемых элементов являются входами системы, а наблюдаемые значения — выходами. Подходы на основе метода альтернативных наименьших квадратов (ALS) и подбора альтернативных направлений (ADF) также были предложены в (Grasedyck et al., 2015).

Минимизация ранга TT использовалась во многих алгоритмах завершения тензора.Действительно, эти алгоритмы в основном классифицируются как подходы, основанные на минимизации ранга, однако, поскольку они используют ранг TT, который тесно связан с разложением TT, мы кратко рассмотрели их в этом разделе.

В этих алгоритмах функция стоимости определяется как (Bengua et al., 2017)

∑n = 1N − 1αnrank (X ),

(6)

, где αn — вес n ‐ й срок. Вышеупомянутая функция стоимости представляет собой взвешенное суммирование рангов канонических разверток входного тензора, называемое рангом TT.Алгоритмы, такие как SiLRTC-TT и TMac-TT, были разработаны на основе минимизации ранга TT и параллельной матричной факторизации (Bengua et al., 2017). Кроме того, минимизация ранга TT в дополнение к предположению разреженности матриц по моде n неполного тензора была предложена в (Yang et al., 2018).

Разложение TR также использовалось во многих алгоритмах завершения. TR-WOPT был предложен в (Yuan et al., 2018a) и основан на минимизации функции стоимости, аналогичной (Ур.4), где X¯ (θ) имеет TR-структуру. В (Wang et al., 2017) также был разработан подход под названием TR-ALS (Alternating Least Squares) для тензорного завершения.

Алгоритм TR-LRF (TR Low Rank Factors) был предложен в (Yuan et al., 2018b). Этот алгоритм основан на комбинации подходов к минимизации ранга и TR-декомпозиции, в которых минимизация ранга применялась к различным матрицам основных тензоров, возникающих в результате TR-декомпозиции неполного тензора.

Более того, в (Yu et al., 2018) был представлен алгоритм завершения, называемый MTRD, основанный на более сбалансированной матрификации тензора со структурой TR. Новая матрификация была определена как X ∈ ℝIaIa + 1⋅⋅⋅In × In + 1In + 2⋅⋅⋅Ia − 1, где

X (iaia + 1⋅⋅⋅ in¯, in + 1in + 2⋅⋅⋅ia − 1¯) = xi1, i2,…, iN,

(7)

и a определяется как

a = {n − d + 1 d ≤nn − d + 1 + N в противном случае.

(8)

В (Yu et al., 2019) был предложен другой подход к завершению, называемый TRNNM (TR Nuclear Norm Minimization), основанный на минимизации ядерной нормы X .Другие подходы к завершению, основанные на сбалансированной матрификации тензоров со структурой TR, также были предложены в (Huang et al., 2020a, b).

4 Блочная ханкелизация

Как упоминалось ранее, ханкелизация — это эффективный подход в обработке сигналов для использования локальных корреляций пикселей или элементов. Во многих алгоритмах завершения или прогнозирования временных рядов ганкелизация использовалась для преобразования сигнала более низкого порядка в матрицу или тензор более высокого порядка (Shi et al., 2020). Иллюстрация для Hankelizing временного ряда показана на.

Иллюстрация ганкелизации одномерного сигнала.

В (Yokota et al., 2018) ханкелизация выполняется путем умножения специальной матрицы, называемой матрицей дублирования, на каждый из режимов исходного тензора, за которым следует шаг тензоризации.

Блок (патч) Ханкелизация с использованием блоков элементов (вместо отдельных элементов) была предложена в (Sedighin et al., 2020). Ханкелизация блоков также выполняется путем умножения матриц, называемых матрицами дублирования блоков (показанных на), на различные режимы исходного тензора (Седигин и др., 2020). Каждая матрица дублирования блоков имеет размер SH, k∈ℝPTk (Ik / P − Tk + 1) × Ik, где SH, k — матрица дублирования блоков, которая умножается на k -ю моду исходного тензора, P — это размер блока, Tk — это размер окна k, и Ik — размер k, -го режима исходного тензора, который должен делиться на P .

Иллюстрация матрицы дублирования блоков. Тензор более низкого порядка преобразуется в тензор более высокого порядка путем умножения этой матрицы на ее различные моды с последующим этапом сворачивания.

Результирующая матрица после умножения матрицы H∈ ℝI1 × I2 на матрицы блочного дублирования SH, 1∈ ℝPT1 (I1 / P − T1 + 1) × I1 и SH, 2T∈ ℝI2 × PT2 (I2 / P − T2 + 1 ) равно Hb = SH, 1HSH, 2T∈ℝPT1 (I1 / P − T1 + 1) × PT2 (I2 / P − T2 + 1). Затем матрица Hb сворачивается (тензорно) в тензор 6-го порядка размера P × P × T1 × D1 × T2 × D2, где P × P — размер блока, T1 и T2 — размеры окна для первого и вторые моды соответственно D1 = I1 / P − T1 + 1 и D2 = I2 / P − T2 + 1. Блочная ханкелизация проиллюстрирована в. Обратите внимание, что на этом рисунке каждый цветной блок представляет собой матрицу P × P [подробнее см. (Sedighin et al., 2020)].

Иллюстрация блока Ханкелизация. На первом этапе исходная матрица умножается на две матрицы дублирования блоков, а на втором этапе результирующая матрица сворачивается в тензор P × P × T1 × D1 × T2 × D2 6-го порядка, где каждый цветной блок является матрицей размера P × P.

5 Предлагаемый алгоритм

Как упоминалось ранее, основная идея этой статьи состоит в применении TR-разложения к ганкелизованному неполному изображению. Во многих алгоритмах завершения TR функция стоимости, используемая для завершения, может быть записана как

J (θ) = || Ω¯⊛ (X¯ − X ^ ¯ (θ)) || F2,

(9)

где Ω¯ — тензор маски, элементы которого равны 1 для наблюдаемых и 0 для недостающих элементов входного тензора, X¯ — неполный входной тензор, X ^ ¯ — завершенный тензор с TR-представлением и θ = (G¯ (1), G¯ (2),…, G¯ (N)).(θ) была оценена, а затем вычислено обновленное H¯˜.

Как упоминалось во введении, определение рангов для разложений TT и TR является сложной задачей. В таких статьях, как (Wang et al., 2017; Yuan et al., 2018b), ранги TR определяются заранее и в качестве входных данных для алгоритма. Эти подходы с фиксированным рангом обычно не позволяют восстановить изображения с высокими коэффициентами пропусков. Кроме того, трудно определить правильные входные ранги. В таких статьях, как (Yokota et al., 2018; Sedighin et al., 2020) входные ранги не определяются заранее, а постепенно увеличиваются в ходе итераций. Эксперименты показывают, что эти подходы с адаптивным ранжированием более успешны в завершении изображения, когда коэффициент пропущенных изображений велик. В этой статье для управления рангами TR, то есть размером основных тензоров, был использован метод приращения рангов, подробно представленный в (Sedighin et al., 2021). В (Sedighin et al., 2021) оценивается чувствительность ошибки оценки к каждому из основных тензоров и увеличивается размер основных тензоров, чувствительность которых превышает пороговое значение.(θ)) || F2 || Ω¯H⊛ (H¯) || F2 (или изменение нормированной ошибки аппроксимации между двумя последовательными итерациями) становится меньше заранее определенного уровня ошибки ϵ.

В этой статье мы использовали многоступенчатую стратегию для дальнейшего улучшения качества конечных результатов. В этом основное отличие данной статьи от моделирования, представленного в (Sedighin et al., 2021), которое было результатом одноэтапного алгоритма. Основная идея и структура многоступенчатой ​​стратегии проиллюстрированы на.В этом подходе неполное изображение блокируется ганкелизатором с размером блока P1 × P1 и дополняется алгоритмом. Затем выход алгоритма снова обрабатывается как новый вход алгоритма с размером блока P2 × P2, где P2

Концептуальная модель многоступенчатой ​​стратегии во встроенном пространстве.

Псевдокод предложенного алгоритма приведен в.

Алгоритм 1

Псевдокод предложенного алгоритма

INPUT: Неполное изображение X¯, тензор маски Ω¯, вектор размеров блоков p = [P1, P2,…, PL], где L — количество этапов, t = [T1, T2], ранг векторы r1,…, rN, уровень ошибки ϵ, максимальное значение ранга Rmax, внутренний номер итерации Iint, шаг увеличения ранга (inc) и порог для выбора основных тензоров для увеличения ранга на каждой итерации (tol).. 1: Инициализировать недостающие элементы X¯ нулем. 2: для l = 1: L до 3: Блок Ханкелизируйте входное неполное изображение (X¯) и тензор маски (Ω¯) по размеру блока Pl × Pl и размеру окна t = [T1, T2], что приводит к H¯ и Ω¯H. 4: Положим H¯˜ = H¯ 5: в то время как max (rl) до 6: для j = 1: Iint до 7: Вычислить TR-разложение H¯˜, i.. 16: конец для

6 Результаты

В этом разделе эффективность предложенного многоступенчатого подхода была исследована и сравнена с современными алгоритмами. Предлагаемый алгоритм сравнивался с алгоритмом HaLRTC (Liu et al., 2012), который представляет собой алгоритм завершения на основе минимизации ранга, а также с MDT (Yokota et al. || F || T¯ || F), где T¯ — исходное изображение, были записаны под каждой цифрой в скобках.Для предлагаемого подхода была использована двухэтапная стратегия. Размер блока первого этапа был установлен на P1 = 8, а для второго этапа был установлен на P2 = 4. Размер окна обоих этапов составлял t = [2,2]. Шаг приращения ранга для коэффициентов пропущенных 90% и 95% составлял 1 для обоих этапов. Для коэффициента пропусков 99% на первом этапе ранги увеличивались на 1 в каждых 4 итерациях, а на втором этапе шаг повышения ранга составлял 1 на каждой итерации. Размер реконструированных изображений составляет 128 × 128 × 3 и 256 × 256 × 3.Для подхода MDT размер окна был установлен на [8, 8, 1] для изображений 128 × 128 × 3 и [16, 16, 1] для изображений 256 × 256 × 3. Начальный вектор ранга для TR-LRF был установлен на [5,5,5], а для TT-WOPT был установлен на [15,15,3]. В TR-ALS начальный рейтинг для коэффициента пропущенных ошибок 90% был установлен на [3,3,3], а для коэффициента пропуска 95% был установлен на [25,25,25] (). Как показывают результаты, для высоких коэффициентов пропусков предлагаемый подход обеспечивает более высокую производительность по сравнению с подходами с фиксированным рангом, такими как TT-WOPT, TR-ALS и TR-LRF.Эта более высокая производительность более важна для 99% коэффициента пропуска, когда TR-ALS полностью не работает. Действительно, алгоритм TR-ALS не мог обеспечить какой-либо вывод для изображений с коэффициентом пропуска 99%. Это показывает важность адаптивного выбора ранга для завершения изображения. Более высокая производительность алгоритма также очевидна по сравнению с алгоритмом на основе завершения с низким рангом, таким как HaLRTC. Результаты показывают, что производительность HaLRTC резко ухудшается при увеличении недостающего отношения.Предложенный алгоритм также имеет немного более высокую производительность по сравнению с подходом MDT, который представляет собой подход на основе тензорной декомпозиции со стратегией приращения рангов. Время работы нашего алгоритма больше, чем у других рассмотренных подходов. Это связано с многоступенчатой ​​структурой нашего алгоритма. Кроме того, наш алгоритм на каждом этапе имеет внутренние итерации для вычисления TR-разложения входных и внешних итераций для повышения рангов. Эти два вида итераций повторяются на каждом этапе.Более того, в нашем подходе изображения 3-го порядка преобразуются в тензоры 7-го порядка. Анализ этого тензора более высокого порядка также увеличивает время работы алгоритма. Вместе они увеличивают время выполнения нашего подхода, однако это более длительное время выполнения приводит к лучшей производительности нашего подхода.

ТАБЛИЦА 1

Начальные параметры для каждого алгоритма первого моделирования.

Недостающее отношение	90%	95%	99%
Размер изображения	128 × 128 × 3	128 × 128 × 3	256 × 256 × 3
	P1 = 8, P2 = 4, t = [2,2]	P1 = 8, P2 = 4, t = [2,2]	P1 = 8, P2 = 4, т = [2,2]
Предлагается	Rmax≤23	Rmax≤23	Rmax≤23
Алгоритм	Начальный ранг = [1,1,1,1,1,1,1]	Начальный ранг = [1,1,1,1,1,1,1]	Начальный ранг = [1,1,1,1,1,1,1]
MDT	Размер окна = [8,8,1]	Размер окна = [8,8,1]	Размер окна = [ 16,16,1]
TRLRF	Вектор ранга = [5,5,5]	Вектор ранга = [5,5,5]	Вектор ранга = [5,5,5]
TR-ALS	Вектор ранга = [3,3,3]	Вектор ранга = [25,25,25]	—
TT-WOPT	Вектор ранга = [15,15,3]	Вектор рангов = [15,15,3]	Вектор рангов = [15,15,3]

ТАБЛИЦА 2

Сравнение производительности алгоритмов восстановления изображений с коэффициентом пропущенных 90% .В скобках написаны PSNR, SSIM и нормализованная ошибка аппроксимации, соответствующие каждому изображению.

Пропущенное изображение	HaLRTC	TT-WOPT	TR-ALS	TR-LRF	MDT	Предложено
[3,2,0,01,0,94]	[16,2,0,3,0,21]	[15,1,0,2,0,23]	[8.3,0,1,0,52]	[15,0,38,0,37]	[21,5,0,73,0,11]	[ 22,3,0,77,0,1 ]
[7,0,027,0,94]	[14,4,0,44,0,4]	[13,9,0,3,0,42]	[6,4,0,4,0,98]	[15,4,0,4,0,35]	[ 21,8,0,8,0,17]	[ 22,4,0,8,0,16 ]
[6,0.02,0.94]	[15,3,0,44,0,3]	[15,2,0,4,0,3]	[10,2,0,3,0,57]	[17,1,0,5,0,26]	[21,2,0,73,0,16]	[ 22,3,0,76,0,14 ]

ТАБЛИЦА 3

Сравнение производительности алгоритмов восстановления изображений с коэффициентом пропуска 95%. В скобках написаны PSNR, SSIM и нормализованная ошибка аппроксимации, соответствующие каждому изображению.

Пропущенное изображение	HaLRTC	TT-WOPT	TR-ALS	TR-LRF	MDT	Предложено
[5.4,0,01,0,97]	[10,8,0,5,0,5]	[14,6,0,6,0,3]	[4,5,0,06,1]	[14,8,0,64,0,3]	[20,96,0,89,0,16 ]	[ 21,22,0,89,0,15 ]
[6,7,0,01,0,97]	[10,8,0,2,0,6]	[14,1,0,3,0,4]	[5,9,0,03,1]	[14,7,0,36,0,4]	[ 19,8,0,73,0,21]	[ 20,0.73,0.21 ]
[6,2,0,01,0,97]	[10,0,3,0,6]	[12,2,0,45,0,5]	[4,0,03,1,2]	[13,1,0,5,0,4]	[ 19,0,85,0,22]	[ 19,52,0,86,0,21 ]

ТАБЛИЦА 4

Сравнение производительности алгоритмов восстановления изображений с коэффициентом пропуска 99%.В скобках написаны PSNR, SSIM и нормализованная ошибка аппроксимации, соответствующие каждому изображению.

Пропущенное изображение	HaLRTC	TT-WOPT	TR-ALS	TR-LRF	MDT	Предложено
[5,44,0,002,0,99]	[9,25,0,1,0,64]	[13,3,0,2,0,4]	Отказ	[13.45,0,1,0,39]	[18,04,0,54,0,23]	[ 18,34,0,55,0,22 ]
[6,48,0,002,0,99]	[9,9,0,2,0,67]	[13,5,0,3,0,44]	Отказ	[14,75,0,3,0,4]	[18,41,0,67,0,25]	[ 18,62,0,68,0,24 ]
[5.96,0,002,0,99]	[8,8,0,23,0,71]	[11,9,0,46,0,5]	Отказ	[11,84,0,23,0,5]	[17,3,0,81,0,27]	[ 18,15 , 0.83,0.24 ]

В следующем моделировании алгоритмы были сравнены для завершения структурно отсутствующих изображений. Изображения с отсутствующими элементами блоков и срезов были дополнены алгоритмами, и результаты представлены в формате. Размер изображения при этом моделировании составлял 128 × 128 × 3, а параметры алгоритмов были аналогичны параметрам для коэффициента пропущенных изображений 90%.Полные изображения вместе с PSNR, SSIM и нормализованными ошибками аппроксимации показывают превосходство предлагаемого подхода по сравнению с другими методами завершения.

ТАБЛИЦА 5

Сравнение производительности алгоритмов восстановления изображений с структурными недостающими элементами. В скобках написаны PSNR, SSIM и нормализованная ошибка аппроксимации, соответствующие каждому изображению.

Пропущенное изображение	HaLRTC	TT-WOPT	TR-ALS	TR-LRF	MDT	Предложено
[15.3,0,84,0,3]	[25,3,0,9,0,1]	[19,0,9,0,2]	[24,5,0,9,0,1]	[25,33,0,9,0,1]	[25,8,0,94,0,09 ]	[ 28,31,0,95,0,07 ]
[9,5,0,5,0,6]	[10,5,0,6,0,5]	[18,2,0,84,0,2]	Сбой	[17,6,0,7,0,2]	[21,96,0,93,0,14]	[ 24.28,0.95,0.11 ]

В следующем моделировании была исследована эффективность многоступенчатой ​​стратегии. С этой целью одноэтапные алгоритмы с P = 8 и P = 4 сравнивались с двухэтапным алгоритмом с P1 = 8 и P2 = 4 для завершения изображения с коэффициентом пропусков 99%. Размер окна был установлен на t = [2,2], а начальный вектор ранга для второго этапа был установлен на [10,10,…, 10]. Результаты проиллюстрированы в. Как показывают результаты, качество восстановленного изображения, полученного с помощью двухэтапного алгоритма, выше, чем у изображений, полученных с помощью одноэтапных алгоритмов.Это связано с тем, что первый этап алгоритма может обеспечить хорошую инициализацию для второго этапа, что может привести к лучшей производительности завершения по сравнению с одноэтапными алгоритмами.

ТАБЛИЦА 6

Исследование эффективности многоступенчатой ​​стратегии. Одноэтапные алгоритмы с P = 8 и P = 4 сравнивались с многоступенчатым алгоритмом с P1 = 8 и P2 = 4. В скобках указаны PSNR, SSIM и нормализованная ошибка аппроксимации, соответствующие каждому рисунку.

Пропущенное изображение	Одноэтапный алгоритм (P = 8)	Одноэтапный алгоритм (P = 4)	Двухэтапный алгоритм (P1 = 8, P2 = 4)
[5,96,0,002,0,99]	[17,81,0,82,0,25]	[17,66,0,81,0,27]	[ 18,15,0,83,0,24 ]

Наконец, для исследования влияние шума на производительность предложенного алгоритма, несколько неполных зашумленных изображений были дополнены предложенным подходом и подходом MDT.Размер изображений в этом моделировании составлял 128 × 128 × 3. Коэффициент отсутствия изображений составлял 90%, а остальные пиксели были загрязнены шумом с нормальным распределением и стандартным отклонением σ . Эти два метода сравнивались для разных σ ’s. Параметры двух алгоритмов были аналогичны для коэффициента пропущенных ошибок 90%. Ранги второго этапа предложенного алгоритма были установлены равными 10 для σ = 0,1 и 3-6 для остальных σ ’s. Для подхода MDT уровни шума были выбраны как 10-2, 4 × 10-2, 10-1, 1.6 × 10–1, 2,5 × 10–1 и 3,6 × 10–1 для σ = 0,1,0,2,0,3,0,4,0,5 и 0,6 соответственно. Для каждого σ каждый алгоритм завершил семь неполных зашумленных изображений, и полученные значения PSNR были усреднены, и было вычислено стандартное отклонение. Обратите внимание, что в шумных случаях строка 12 перемещается после строки 13, и выход строки 13 будет выходом каждого этапа (то есть до замены наблюдаемых элементов). Результаты представлены в. Как показывают результаты, качество обоих подходов снижается при увеличении σ .Однако даже в этих шумных случаях качество предлагаемого подхода выше, чем у MDT.

ТАБЛИЦА 7

Исследование влияния шума на производительность предложенного алгоритма и алгоритма MDT. На изображениях коэффициент пропусков составляет 90%, а σ — стандартное отклонение шума. Представленные результаты представляют собой усредненный PSNR по семи неполным зашумленным изображениям и их стандартные отклонения. Понятно, что даже в шумных случаях предлагаемый подход превосходит MDT.

18,02 ± 0,74

σ	0.1	0,2	0,3	0,4	0,5	0,6
Предлагаемый алгоритм	21,16 ± 0,61	19,80 ± 0,53	18,55 ± 0,61		16,54 ± 0,69
MDT	20,78 ± 0,84	19,39 ± 0,53	18,1 ± 0,67	17,69 ± 0,74	17,31 ± 0,95	16 ± 0,62

9 Обсуждение новое подход для завершения изображения во встроенном пространстве с помощью блочной ханкелизации и использования TR-декомпозиции был предложен и тщательно протестирован.В этом подходе неполное изображение было преобразовано в тензор 7-го порядка более высокого порядка с использованием блока Hankelizaion, а затем было применено TR-разложение со стратегией приращения ранга и сглаживанием для завершения. Более того, многоступенчатая стратегия, которая ранее применялась нами для завершения временных рядов, была использована для повышения качества окончательного завершенного изображения. Результаты моделирования и сравнения с современными алгоритмами показали преимущество предложенного алгоритма.

Заявление о доступности данных

Исходные материалы, представленные в исследовании, включены в статью / дополнительные материалы, дальнейшие запросы можно направить соответствующему автору.

Вклад авторов

Все перечисленные авторы внесли существенный, прямой и интеллектуальный вклад в работу и одобрили ее для публикации.

Финансирование

Работа поддержана Министерством образования и науки Российской Федерации (грант 14.756.31.0001).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно относятся к их аффилированным организациям или заявлению издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

Ссылки

• Асанте-Менса М. Г., Ахмади-Асл С., Цихоцки А. (2020). Матричное и тензорное завершение с использованием декомпозиции тензорного кольца с разреженным представлением. Машинное обучение. Sci. Технология 2 (3). 10.1088 / 2632-2153 / abcb4f [CrossRef] [Google Scholar]
• Бенгуа Дж. А., Фиен Х. Н., Туан Х. Д., До М. Н. (2017). Эффективное завершение тензора для восстановления цветного изображения и видео: поезд тензора низкого ранга. IEEE Trans. Процесс изображения. 26, 2466–2479. 10.1109 / tip.2017.2672439 [PubMed] [CrossRef] [Google Scholar]
• Bousse M., Дебалс О., Де Латхаувер Л. (2016). Тензорный метод для крупномасштабного слепого разделения источников с использованием сегментации. IEEE Trans. Сигнальный процесс. 65, 346–358. 10.1109 / TSP.2016.2617858 [CrossRef] [Google Scholar]
• Цихоцки А., Ли Н., Оселедец И. В., Фан А.-Х., Чжао К., Мандич Д. (2016). Тензорные сети низкого ранга для задач уменьшения размерности и крупномасштабной оптимизации: перспективы и проблемы. Часть 1. arXiv: 1609.00893. [Google Scholar]
• Цихоцкий А., Здунек Р., Фан А. Х., Амари С. И. (2009). Неотрицательные матричные и тензорные факторизации: приложения для исследовательского многостороннего анализа данных и слепого разделения источников. Джон Вили и сыновья. [Google Scholar]
• Ганди С., Рехт Б., Ямада И. (2011). Завершение тензора и восстановление тензора низкого n-ранга с помощью выпуклой оптимизации. Обратная Пробл. 27, 025010. 10.1088 / 0266-5611 / 27/2/025010 [CrossRef] [Google Scholar]
• Голяндина Н., Коробейников А., Шлемов А., Усевич К. (2013). Многомерное и двумерное расширение сингулярного спектрального анализа с помощью пакета Rssa, 5050.arXiv: 1309. [Google Scholar]
• Grasedyck L., Kluge M., Krämer S. (2015). Варианты альтернативного тензорного пополнения наименьших квадратов в формате тензорного поезда. SIAM J. Sci. Comput. 37, A2424 – A2450. 10.1137 / 130942401 [CrossRef] [Google Scholar]
• Хассани Х., Калантари М., Ярмохаммади М. (2017). Улучшенный результат прогнозирования SSA на основе алгоритма отфильтрованного периодического прогнозирования. Comptes Rendus Mathematique 355, 1026–1036. 10.1016 / j.crma.2017.09.004 [CrossRef] [Google Scholar]
• Хуанг Х., Лю Ю., Лю Дж., Чжу С. (2020a). Доказуемое завершение тензорного кольца. Sig. Процесс. 171, 107486. [Google Scholar]
• Хуанг Х., Лю Ю., Лонг З., Чжу К. (2020b). Надежное завершение тензорного кольца низкого ранга. IEEE Trans. Comput. Визуализация 6, 1117–1126. [Google Scholar]
• Калантари М., Ярмохаммади М., Хассани Х., Сильва Э. С. (2018). Расчет временных рядов с помощью анализа сингулярного спектра на основе норм L1. Fluct. Noise Lett. 17, 1850017. 10.1142 / s0219477518500177 [CrossRef] [Google Scholar]
• Ко К.Ю., Батселиер К., Ю. В., Вонг Н. (2018). Быстрое и точное завершение тензорных цепей с помощью тензорных поездов: подход к системной идентификации. arXiv: 1804.06128. [Google Scholar]
• Кучаки С., Саней С., Арбон Э. Л., Дейк Д. Дж. (2015). Тензорный анализ сингулярного спектра для автоматической оценки ЭЭГ сна. IEEE Trans. Neural Syst. Rehabil. Англ. 23, 1–9. 10.1109 / TNSRE.2014.2329557 [PubMed] [CrossRef] [Google Scholar]
• Лю Дж., Мусялски П., Вонка П., Йе Дж. (2012). Завершение тензора для оценки недостающих значений в визуальных данных.IEEE Trans. Pattern Anal. Мах. Intell. 35, 208–220. 10.1109 / tpami.2012.7 [PubMed] [CrossRef] [Google Scholar]
• Оселедец И. В. (2011). Разложение на тензорный поезд. SIAM J. Sci. Comput. 33, 2295–2317. 10.1137 / 0286 [CrossRef] [Google Scholar]
• Озеров А., Февот К. (2009). Многоканальная неотрицательная матричная факторизация в сверточных смесях для разделения источников звука. IEEE Trans. аудио, речь, яз. Процесс. 18, 550–563. 10.1109 / tasl.2009.2031510 [CrossRef] [Google Scholar]
• Рабансер С., Щур О., Гюннеманн С. (2017). Введение в тензорные декомпозиции и их приложения в машинном обучении. arXiv: 1711.10781. [Google Scholar]
• Рахмани Д., Херави С., Хассани Х., Годси М. (2016). Прогнозирование временных рядов со структурными разрывами с анализом сингулярного спектра с использованием общей формы рекуррентной формулы. arXiv: 1605.02188. [Google Scholar]
• Седигин Ф., Цихоцкий А., Фан Х. А. (2021 г.). Адаптивный выбор ранга для декомпозиции тензорного кольца. IEEE J. Selected Top.Сигнальный процесс. 15 (3), 454–463. 10.1109 / jstsp.2021.3051503 [CrossRef] [Google Scholar]
• Седигин Ф., Цихоцкий А., Йокота Т., Ши К. (2020). Завершение матрицы и тензора во встроенном пространстве с многосторонней задержкой с использованием Tensor Train, с приложением для реконструкции сигналов. Сигнал IEEE. Процесс. Lett. 27, 810–814. 10.1109 / lsp.2020.29

  [CrossRef] [Google Scholar]

• Shi Q., ​​Yin J., Cai J., Cichocki A., Yokota T., Chen L., et al. (2020). Блок-тензор Ханкеля ARIMA для прогнозирования множественных краткосрочных временных рядов.Материалы конференции AAAI по искусственному интеллекту 34, 5758–5766. 10.1609 / aaai.v34i04.6032 [CrossRef] [Google Scholar]
• Сидиропулос Н. Д., Де Латхаувер Л., Фу Х., Хуанг К., Папалексакис Э. Э., Фалаутсос К. (2017). Тензорная декомпозиция для обработки сигналов и машинного обучения. IEEE Trans. Сигнал. Процесс. 65, 3551–3582. 10.1109 / tsp.2017.26
  [CrossRef] [Google Scholar]
• Синьоретто М., Де Латхаувер Л., Суйкенс Дж. А. (2010). Ядерные нормы для тензоров и их использование для выпуклых полилинейных оценок.Реп. 10-186 Лёвен, Бельгия: ESAT-SISTA, KU Leuven. [Google Scholar]
• Ван В., Аггарвал В., Аэрон С. (2017). Эффективное завершение тензорного кольца низкого ранга. В 2017 г. Международная конференция IEEE по компьютерному зрению (ICCV), Италия, 22–29 октября 2017 г., 5698–5706. [Google Scholar]
• Ян Дж., Чжу Ю., Ли К., Ян Дж., Хоу К. (2018). Завершение тензорных элементов из структурно отсутствующих записей за счет низкого TT-ранга и разреженности волокон. IEEE J. Sel. Верхний. Сигнал. Процесс. 12, 1420–1434. 10.1109 / jstsp.2018.2873990 [CrossRef] [Google Scholar]
• Йокота Т., Эрем Б., Гулер С., Уорфилд С. К., Хонтани Х. (2018). Восстановление отсутствующих срезов для тензоров с использованием модели низкого ранга во встроенном пространстве. В материалах конференции IEEE по компьютерному зрению и распознаванию образов, Юта, 18–22 июня 2018 г., 8251–8259. [Google Scholar]
• Йокота Т., Чжао К., Цихоцки А. (2016). Плавная декомпозиция PARAFAC для завершения тензорного кода. IEEE Trans. Сигнал. Процесс. 64, 5423–5436. 10.1109 / tsp.2016.2586759 [CrossRef] [Google Scholar]
• Ю. Дж., Ли К., Чжао К., Чжоу Г. (2019). Минимизация ядерных норм с тензорным кольцом и их применение для визуализации: завершение данных. В 2019 г. Международная конференция IEEE по акустике, обработке речи и сигналов (ICASSP), Брайтон, Великобритания, 12–27 мая 2019 г., 3142–3146. [Google Scholar]
• Ю Дж., Чжоу Г., Чжао К., Се К. (2018). Эффективный метод тензорного завершения, основанный на разложении многолинейного тензорного кольца. В 2018 г. на ежегодном саммите и конференции Азиатско-Тихоокеанской ассоциации обработки сигналов и информации (APSIPA ASC), Гонолулу, Гавайи, 12–15 ноября 2018 г., 1344–1349.[Google Scholar]
• Юань Л., Цао Дж., Чжао X., Ву К., Чжао К. (2018a). Завершение тензора более высокой размерности с помощью декомпозиции тензорного кольца низкого ранга. В 2018 г. на ежегодном саммите и конференции Азиатско-Тихоокеанской ассоциации обработки сигналов и информации (APSIPA ASC), Гонолулу, Гавайи, 12–15 ноября 2018 г., 1071–1076. [Google Scholar]
• Юань Л., Ли К., Мандич Д., Цао Дж., Чжао К. (2018b). Декомпозиция тензорного кольца с минимизацией ранга в скрытом пространстве: эффективный подход к тензорному завершению.В материалах конференции AAAI по искусственному интеллекту, 9151–9158. [Google Scholar]
• Юань Л., Чжао К., Гуй Л., Цао Дж. (2019). Завершение высокоуровневого тензора с помощью градиентной оптимизации в формате Tensor Train. Сигнал. Обработка: Image Commun. 73, 53–61. 10.1016 / j.image.2018.11.012 [CrossRef] [Google Scholar]
• Чжао К., Чжоу Г., Се С., Чжан Л., Цихоцкий А. (2016). Разложение тензорного кольца. arXiv: 1606.05535. [Google Scholar]

Всестороннее улучшение характеристик полупрозрачных перовскитных солнечных элементов методом под давлением

В последнее время вырос спрос на полупрозрачные перовскитные солнечные элементы (SPSC), которые служат полупрозрачными окнами для городских зданий и автомобилей.Однако получение высококачественных ультратонких перовскитных пленок является сложной задачей, что значительно ограничивает разработку SPSC. В этой статье мы сообщаем о всестороннем улучшении характеристик ультратонких перовскитных пленок и SPSC, полученных с использованием метода термопрессовой рекристаллизации (TPR). Средний размер зерна перовскитных пленок увеличился с ∼340 нм до ∼1,64 мкм после обработки TPR, наряду с резким уменьшением среднеквадратичной шероховатости поверхности с ∼14,9 нм до ∼1.04 нм. SPSC, изготовленные методом TPR, показали значительное улучшение универсальных характеристик, таких как напряжение холостого хода, ток короткого замыкания, коэффициент заполнения, эффективность преобразования мощности, коэффициент пропускания и стабильность. Средняя эффективность преобразования мощности продемонстрировала значительное увеличение до 32,8% после обработки TPR, что указывает на потенциал для разработки высокопроизводительных полупрозрачных фотоэлектрических окон.

У вас есть доступ к этой статье

Подождите, пока мы загрузим ваш контент.