回归M分位数过程的渐近性质

考虑线性模型的Ｍ分位数过程．在某些一般的条件下，证明了该过程收敛到高斯过程．     

一个一般化的优化模型

研究了一个较为一般的平稳优化模型，证明了其最佳控制的存在性，并在各种条件下给出了最佳控制的结构形式．     

非线性规划的对称对偶性

提出了一个非线性规划的对称对偶模型 ,它统一了非线性规划中两类对称模型。在不变凸条件下证明了该对称对偶模型具有弱对偶性、强对偶性和逆对偶性     

一类高阶多维核共振条件下多点边值问题的可解性

研究了一类n阶非线性微分方程多点边值问题在m维核共振条件下解的存在性问题．主要利用Mawhin的重合度理论,在一定的条件下证明了该问题至少一个非平凡解的存在性．     

一个半导体简化能量输运模型稳态解的唯一性

在一维有界区域上研究一个半导体简化能量输运稳态模型,在某些条件下利用一些不等式技巧证明了该模型解的唯一性。     

拟周期强迫Morse振子的长范围混沌

该文定性研究了拟周期强迫Morse振子的动力学性质，该模型是描述分子在外部拟周期电磁作用下分裂的一个经典模型．通过引进著名的McGeHee变换，并应用拟周期扰动的广义Melnikov方法，证明了该系统存在Smale马蹄意义下的混沌．所得的结果为以前的数值结果提供了一个解析证实．     

复杂网络上具出生和死亡的一类分数阶SIR模型的全局渐近稳定性

研究了复杂网络上具出生和死亡的一类分数阶SIR模型地方病平衡解的全局渐近稳定性。在某些额外的条件下,这个问题已被讨论。通过构造一个Lyapunov函数,在没有任何额外的条件下,证明了该模型地方病平衡解的全局渐近稳定性。这个结果改进了已有文献中的一个结果。     

一类捕食者-食饵模型的周期解与稳定性

研究了一类含扩散与时滞捕食者—食饵模型,利用上下解及比较原理,证明了在一定条件下该模型的零平衡态及半平凡周期解的全局稳定性,并获得了这个系统具有一对周期拟解的充分条件,且对任意的非负初值函数,这对周期拟解构成的区间是此系统的一个吸引子．     

一个具有时滞和阶段结构的捕食-被捕食模型

研究一个具有时滞和阶段结构的捕食-被捕食模型.运用函数极限方法证明了相应文献中的结论在更弱的条件下也成立,从而得到了保证该生态系统持续生存与绝灭的充分性条件.     

块对称加速超松弛迭代法及其收敛性

给出了解线性代数方程组Ａｘ＝ｂ的一个新的迭代算法模型——块对称加速超松弛迭代法（ＢＳＡＯＲ迭代法），并在系数矩阵Ａ为块Ｈ－矩阵的条件下，证明了该模型的收敛性．在该模型中，对参数取特殊值可得到块对称Ｇａｕｓｓ－Ｓｅｉｄｅｌ迭代法和块对称ＳＯＲ迭代法等常用的块对称迭代算法，并且还可产生许多新的块对称迭代法．即事实上建立了块对称迭代法的一般性收敛理论．     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。     

一种基于Hopfield神经网络的Adhoc网络QoS路由选择算法

当前研究Adhoc网络的QoS保证主要集中于QoS路由选择。人工神经网络已成为求解大规模优化问题的一种有效方法，已经证明合适的神经网络能实时地得到问题的精确解。主要考虑在Adhoc网络中满足时延条件下的最小耗费问题，建立了一种新的Hopfield神经网络模型，给出能量函数各参数之间的关系，并证明了通过适当选取参数，网络的可行解将是渐近稳定的。计算实例表明了新网络模型的有效性。     

求解一类线性变分不等式的一个射影神经网络

考虑了一类线性变分不等式问题，提出了求解它的一个射影神经网络模型，构造恰当的能量函数，给出了确保新模型稳定和有限时间收敛的3个充分条件，并在适当的条件下，证明了该模型的指数稳定性。新模型结构简单，易于硬件实现，可用来求解非单调的问题。数值试验表明该网络不仅有效而且可行。     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

基于复变自适应神经网络的电网相位估计方法

针对非理想电网电压下,不平衡电压、频率偏移引起的电网相位难以检测的问题,提出了一种在复变域下使用的基于自适应神经网络的电网相位估计方法.首先,对非理想电网电压进行建模,在得到神经网络模型的基础上,将复变最小均方算法的权值更新方法应用到神经网络权值更新过程中,利用神经网络权值实现对相位的估计.为了跟踪电网频率,设计了电网频率跟踪环节,并对收敛性进行了分析.仿真和实验的结果表明所提出的方法能够快速准确地对非理想电压下的电网相位进行估计.     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

一种新的灰神经网络及其在海洋平台振动控制中应用

针对灰色理论预测精度比较低和神经网络结构很难确定等问题,首次提出一种基于新的效果测度的灰局势决策理论,并据其构造神经网络的拓扑结构,确定神经网络的各层神经元个数及神经元的输入输出运算.将灰神经网络作为自适应预测逆控制器用于导管架式海洋平台的振动主动控制中,数值仿真结果表明,构造的灰神经网络泛化能力强,提出的控制方法可有效地控制导管架式海洋平台顶部在随机外荷载作用下产生的位移响应.     

一种求解背包问题的新的神经网络模型

背包问题是一类经典的组合优化问题,在网络资源分配中有着广泛的运用。人工神经网络已成为求解大规模优化问题的一种有效方法,已经证明了合适的神经网络能实时地得到问题的精确解。研究了背包问题的神经网络解法,给出了一种求解背包问题的新的神经网络模型,并证明了该网络模型收敛到背包问题的最优解。算例说明了模型有效性和准确性。