有限模格的自同构

本文给出有限模格自同构的充分必要条件,从而得出寻求有限模格自同构的方法。定义1 a是格L的元,1最格L的最大元,若在L中存在k个元组成序列。 a_1=Ⅰ>a_2>a_3>…>a_(k-1>a_k=a其中a_1复盖a_(i+1)(i=1,2,…k-1),称a为k层元,又称a到I的距离为k。定义2 若格L的k层元为a_(k_1),a_(k_2),…_(k_3);k+1层元为a_(k+1),a_(k+12),…a_(k+1)■称s×t矩阵(c_(ij))为k层元复盖k+1层元的关系阵。     

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能，直接甲醇燃料电池（DMFC）堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法，避开了电堆的内部复杂性；在控制过程中，将训练好的网络模型作为DMFC控制系统的参考模型，采用一种改进的模糊遗传算法（FGA）在残对神经模糊控制器的参数进行自适应调整。采用最近邻聚类算法小（NNCA）对控制器的模糊规则库进行更新。在仿真实验中，将所提出的算法与非线性PID和传统模糊算法进行比较，结果表明所设计的神经模糊控制器具有较好的性能。     

昆虫核多角体病毒的垂直传播

对昆虫核型多角体病毒在宿主体内的垂直传播方式、诱发因素、生物防治应用以及检测方法等方面进行了综述.     

青藏高原四季大气热源气候态特征分析

利用NCEP的CFSR再资料分析了青藏高原上空四季大气热源的水平分布和垂直结构特征.结果表明:在水平分布上,春季和夏季,青藏高原上空大气是分布不均匀的热源,而秋季和冬季是比较均匀的弱冷源;在春季(3—5月),青藏高原主体上空呈现不均匀的弱热源,青藏高原东部边缘和西部边缘、南部边缘地区呈现较强热源,在喜马拉雅山脉一带也呈现强度不均匀的热源区;夏季,热源强度略强于春季,在整个亚洲大陆上最强的热源中心不在青藏高原上,而在青藏高原南侧及孟加拉湾中东部一带,另外高原西侧冈底斯山脉附近和喜马拉雅山脉中东部边缘一带还呈现弱冷源;秋季,青藏高原南部边缘及其以南的大陆地区表现为热源,且存在较强的热源中心,青藏高原东侧边缘也存在小范围的弱热源区;冬季,青藏高原上空大气呈现均匀的弱冷源;在青藏高原西部边缘及喜马拉雅山脉北侧呈现弱热源区;仅在冬季,青藏高原上空感热加热呈现为负值;不区分季节的情况下,青藏高原西南部上空的感热加热强于东北部;青藏高原西侧边缘、南部边缘和东南部上空的潜热加热永远强于青藏高原主体,而青藏高原主体长波辐射加热值大于南部边缘及东南部地区.在垂直结构上,春季和夏季大气整体表现为热源层,春季热源层厚度约为冷源层的3倍,夏季热源层厚度大致为冷源层的6倍;秋季,大气总加热在500 hPa层以下表现热源层,而500～150 hPa表现冷源层,且冷源层强度比夏季较强;冬季,大气总加热整体上表现冷源层,只有675 hPa附近到550 hPa层表现很薄的热源层,冷源层的厚度约为热源层的6倍;不分季节,青藏高原上空700～450 hPa感热加热分量项和大气总非绝热加热垂直廓线分布基本一致,而450～100 hPa潜热加热分量项和大气总非绝热加热垂直廓线分布基本类似;除冬季大气总非绝热加热基本表现为弱冷源外,其余季节低层均表现热源,而高层表现弱冷源,但层级的热状况强度方面仍存在明显的季节性差异.     

金融科技视角下的计算实验金融建模

计算实验建模~1以其独特的"上帝视角",正广泛地影响着传统经济和金融学研究.伴随着大数据、人工智能等技术的兴起,计算实验建模与这些金融科技领域的基础支撑技术深度融合,共同推动金融科技不断突破.特别是,在大数据的本体论研究、计算实验模型校准、投资者行为建模、监管科技应用等方面,计算实验建模均展示出了与金融科技融合的独特优势.从大数据本体论考虑,计算实验是运用金融大数据本体论建模来刻画金融主体之间的关联关系和研究其因果关系的有效方法.从人工智能角度考虑,人工智能为个体的精细化建模和行为演化建模提供了基础,计算实验为算法交易提供了新的研究框架.从监管科技角度考虑,计算实验模型在发展过程中推动形成了"情景-应对"型风险管理新思想,从而为"监管科技"的发展提供支撑.本文认为,计算实验能够与金融科技的基础支撑技术相融合,为计算实验建模的发展和金融科技中监管创新提供重要推动力.     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

PEMFC混合模型的建模及其稳态仿真

模型和仿真是设计最优燃料电池系统的有利工具。本文提出了一种新型的混合燃料电池模型,该混合模型包括机理部分和黑箱部分(即神经网络部分)。其中,机理部分用来体现大家所熟知的PEMFC性能,神经网络部分用来表现大家所不知或者不能用机理模型来表现的PEMFC性能,从而使该模型能更好的再现PEMFC的各种特性。为了验证该混合模型的有效性,在Matlab/Simulink环境下进行了不同阴极压力和温度下的仿真实验,结果证明了该混合模型的正确性。该混合模型与实验数据、机理模型和ANN模型的比较实验,表明混合模型具有比单独的机理模型或神经网络模型更高的精度。