序列空间的序列可分性

关于Banach序列空间lp[E],讨论的主要问题之一就是E的几何性质能否提升到lp[E]中去,在文中,刻划了lp[E]的序列可分性,证明了lp[E]是可分的当且仅当E是可分的以及lp[E]是GAK-空间.     

一类图的序列性及其序列标号

图G的标号是指G的节点集到一个整数集的映射g，且由g(u),g(v)诱导出边uv的标号，本文定义了圈与某图的联结运算，并从奇圈的序列标号出发，提供了由圈经过这种运算导出一类新图的序列标号。其中Suresh Singh G(1998)的一个结果为这里的一个结果之特殊情形。     

正定矩阵序列与其多项式序列

本文得出了正定矩阵序列收敛的等价定理，并给出其P-型和Q-型矩阵多项式序列的性质。     

mRNA序列与蛋白序列对比

生物序列的对比是计算生物学中的一个基本问题．目前已有许多算法对DNA序列或蛋白序列之间进行对比,多是对同种生物序列进行对比．为得到mRNA序列和蛋白序列之间的对比,采用动态规划算法,提供了寻求mRNA序列和蛋白序列的局部对比和全局对比,解决了核酸与氨基酸之间的对比问题．算法的时间复杂度为O(nm)．     

树积序列性及序列标号

图G的标号是指G的节点集到一个整数集的映射g,且由g(u)、g(v)诱导出边euv的标号.本文定义了序列树的根积运算,并研究了满足一定条件的序列树的根积的序列性,得到了一类新的节点数较多且非毛毛虫的树为序列图.     

m序列与Gold序列特性的仿真研究

本文利用MATLAB软件平台,对m序列和Gold序列的平衡性及相关性等特性进行了相应的仿真比较并加以分析,获得了大量数据和仿真图形,得出了有益的结论。表明相比m序列,Gold序列具有优良的互相关特性且可用作扩频地址码的序列数量多,显示了其作为扩频通信伪随机序列的优越性。     

基于m-序列的本原σ-LFSR序列构造

sigma-LFSR是一基于字的LFSR模型,它能够充分利用现代CPU的特点,具有结构简单、适合软件快速实现的特点。在实际应用中,本原sigma-LFSR最有价值,因此它的构造具有重要意义。本文首先考察了基于字的本原LFSR的距离向量,得到了它的若干性质,给出了一个距离向量为本原LFSR的充要条件;然后对本原sigma-LFSR的距离向量进行了研究,利用基判别定理给出了它的部分性质,并以此为基础得到了一个利用m-序列构造本原sigma-LFSR序列的搜索算法。最后对搜索算法编程实现,得到了有限域F2^3上所有2级本原sigma-LFSR的距离向量。     

二元周期序列4-错误序列的研究

通过将周期为2n的二元序列的k-错线性复杂度的计算转化为求Hamming重量最小的错误序列的方法,研究序列的k-错线性复杂度的分布情况,讨论了序列不同k-错线性复杂度条件下对应的k-错误序列的分布情况。基于Games-Chan算法,给出了线性复杂度小于2n的2n周期二元序列的4-错线性复杂度分别为2n-1-(2m+2j)和2n-1-(2m+2j)+x情况下的4-错误序列的计数公式。同时,给出实例并使用计算机进行验证。     

基于序列划分的压缩序列模式挖掘算法

研究了静态数据库当中挖掘压缩序列模式的问题,提出了一个压缩序列模式挖掘算法.该算法通过对闭序列模式全集进行划分处理,降低了序列的比对空间,并结合δ-dominant序列检测机制,有效的挖掘出了压缩序列模式集.实验表明,该算法具有较好的运行效率.     

用划分序列构造时序机核实序列的方法

任何既约的、强联结的时序机 ,必存在核实序列 .若该机存在区分序列 ,构造其核实序列的方法已经形成 ;但是 ,若该机不存在区分序列 ,需寻求构造其核实序列的方法 .作者从时序机的状态表出发 ,定义了划分序列 ,并针对无区分序列的时序机 ,提出了利用划分序列构造时序机核实序列的一种方法 .该方法中求划分序列部分建立在时序机的矩阵模型上 ,易于工程实现     

基于序列到序列模型的法律问题关键词抽取

传统的关键词抽取算法不能够抽取那些没有在文本当中出现过的关键词,因此在抽取法律问题(短文本)的关键词任务上效果不佳。该文提出了一种基于强化学习的序列到序列(seq2seq)模型来从法律问题中抽取关键词。首先,编码器将给定法律问题文本的语义信息压入一个密集矢量;然后,解码器自动生成关键词。因为在关键词抽取任务中,生成的关键词的前后顺序无关紧要,所以引入强化学习来训练所提出的模型。该模型结合了强化学习在决策上的优势和序列到序列模型在长期记忆方面的优势,在真实数据集上的实验结果表明,该模型在关键词抽取任务上有较好的效果。     

判别一个序列是m—序列的一个充要条件

本文借助于布尔置换和ｍ－序列之间的关系给出了判别一个序列是ｍ－序列的一个充要条件．     

序列模式挖掘算法在生物序列的应用研究

生物序列相对于传统序列来说具有自己的特征。不同的序列模式挖掘算法应用到生物序列中有不同的特点和效率。本文分析目前比较流行的五种模式挖掘算法的运行过程,当应用到生物序列中时,分析了各个算法的性能,从而可以得出哪种算法更适应于不同类型的生物序列频繁模式挖掘。     

随机集序列的收敛

随机集值映射出现在信息系统分析、经济预测、优化和最优控制等应用数学领域，Ａｒｔｓｔｅｉｎ、Ｗｉｊｓｍａｎ、Ｄｅｂｒｅｕ、Ｓａｌｉｎｔｔｉ、Ｗｅｔｓ、Ｈｉａｉ、Ｍｏｓｃｏ、Ｐａｐａｇｅｏｒｇｉｏｕ和张文修等人进行了大量的研究，取得了一系列重要成果，本文是在他们研究的基础上深入地探讨了随机集变量序列的几种收敛之间的相互关系，得到了一些等价条件及一系列重要结果。     

m序列的半周期

在编码理论中,m序列是一类相当重要的序列。本文提出了m序列半周期的概念,说明了这个概念的本质。由此指出了m序列结构方面的一个特点并对寻求序列反馈逻辑的方法作了改进。一、基本概念以Fq表示有q个元的有限域,G(f)表示以f(x)=1+C_1x+C_2x~2+…+C_nx~n(C_1∈Fq,q≥2,i=1,2…,n,C_n≠0)为反馈逻辑的q元n级线性移位寄存器序列集。由[1]知G(f)对序列的加法及Fq中元的乘积构成Fq上的n维向量空间。特别当α∈ G(f)且α为m序列时,α的所有平移L_i(α)(i=1,2,……)均为m序列。同时     

DNA序列的分类

本文由浅入深提出三种分类模型,应用统计知识进行检验并指导分类,得到了精度较高的模型2和模型3,对从数学的角度解读人类基因图谱提供了一种思路。     

由m序列生成非线性序列的C语言实现

对m序列线性移位寄存器的状态图进行状态重组可以得到一类非线性移位寄存器的状态图,从而获得一类非线性伪随机序列。本文首先将生成非线性伪随机序列的条件演绎成严谨的数学语言,然后将移位寄存器的状态表看成二维数组,给出了在C语言环境下生成m序列并进行状态重组生成非线性伪随机序列的编程方法,用这种方法可以生成大量的非线性伪随机序列。     

一种计算机序列搜索的DMRS序列生成方法

在信号传输过程中,高峰均功率比会使功率放大器工作在非线性区域,造成放大后信号失真.对3GPP(3rd generation partnership project)协议中现有物理上行共享信道在采用DFT-S-OFDM(discrete Fourier transform spread orthogonal frequency division multiplexing)波形传输,解调参考信号(demodulation reference signal,DMRS)序列长度小于30时,提出了一种基于计算机进行序列搜索的低峰均功率比基础序列生成方法,且在搜索时将DMRS的覆盖范围和抗干扰能力也作为其中的搜索条件.故该方法在序列搜索时,首先从序列的自身属性考虑,根据序列的自身属性即序列的自相关值和峰值平均功率比(peak-to-average power ratio,PAPR)进行搜索.然后,将序列与其他序列的互相关性作为搜索条件,增强DMRS信号的抗干扰能力.通过在通信系统中的解调性能进行最后的搜索,筛选出解调性能相对较好的序列.相比于现有基础序列,搜索基础序列在PAPR值和自相关性方面存在明显优势,在互相关性和解调性能方面也比现有序列表现更好.     

序列模式挖掘算法在生物序列的应用研究

生物序列相对于传统序列来说具有自己的特征。不同的序列模式挖掘算法应用到生物序列中有不同的特点和效率。本文分析目前比较流行的五种模式挖掘算法的运行过程，当应用到生物序列中时，分析了各个算法的性能，从而可以得出哪种算法更适应于不同类型的生物序列频繁模式挖掘。