海堤渗压神经网络分布模型的建立及规律分析

为有效揭示海堤渗压的分布特征,掌握其在临海工作环境下的特殊规律,在利用神经网络建模优点的同时,采用多测点渗压监控信息,并将测点坐标因素加入到输入层,综合前期潮位因子、积分型降雨因子、时效因子,形成海堤渗压神经网络安全监控分布模型结构,以实测信息进行建模训练计算;在获得合理训练结果基础上,根据输入层因子补充插入坐标样本,获得不同位置的渗压模型值及渗压分布曲线.文中以广义回归神经网络为例,结合浦东海堤实测资料,以实例说明以上述方法在神经网络不提供显式的情况下,建立可获得分布曲线的监控模型,并以此对海堤渗压分布规律特色加以分析.     

基于BEMD-Copula-GARCH模型的股票投资组合VaR风险度量研究

鉴于股票波动具有显著的多尺度特征,本文引入二元经验模态分解(EMD)与二元CopulaGARCH算法,提出一种新的VaR风险度量模型,即BEMD-Copula-GARCH模型.具体地,新BEMD-Copula-GARCH模型可分为三个主要步骤:数据分析,分风险估计和总风险集成.首先,基于二元EMD模型,将复杂且相互作用的股票对分解为若干组较为简单且相互独立的分量,以降低建模难度.其次,引入二元Copula-GARCH模型,刻画各组分量间的相互关系,以度量股票投资组合在不同尺度上的分VaR值.最后,集成各分VaR值以得出最终VaR风险度量结果.实证研究以恒生指数与上证综指为数据样本构造投资组合,结果表明:本文所构建的新模型能有效度量投资组合风险,其估计精度显著优于DCC-GARCH和Copula-GARCH等现有模型.     

一类特殊的拟几乎Einstein度量直径的下界估计(英文)

加权Myer型定理给出了具有带正下界的τ-Bakry-Emery曲率的完备黎曼流形直径的上界估计,紧致流形直径的下界估计也是有趣的问题.本文首先运用Hopf极大值原理证明了一类特殊的τ-拟几乎Einstein度量势函数的梯度估计.运用该梯度估计得到了该度量直径的下界估计.该结果推广了王林峰的关于紧致下-拟Einstein度量直径下界估计的结果.     

广义Ekeland变分原理的推广

给出了经典Ekeland变分原理的一个推广,完善并改进了已有文献的证明,并把它推广到了拟度量空间上.     

基于高斯过程模型的定性定量因子混合补充试验设计方法

针对舰空导弹试验设计中同时存在定性、定量因子的问题，提出了一种定性-定量因子混合的补充试验设计方法。首先，构建定性-定量因子混合评估模型，针对模型中定性、定量因子相关函数难以融合的问题，利用超球面分解方法对定量因子相关函数进行定量化处理。然后，在预测响应模型的基础上构建预测均方差探索项，通过进一步计算样本点的预测误差值，对探索项进行修正，提高补充试验设计的开发能力。通过计算交叉多面体比率得到最佳邻域，再利用遗传算法在最佳邻域中确定补充试验点。最后，通过数值算例和示例分析，验证了所提方法的有效性。     

关于科学出版的思考

<正>在很多情境下,科学家们被要求互相评价对方的工作,所有这些评价都会对评价者和被评价者的科研生涯产生持久的影响。在新奥尔良举行的美国细胞生物学学会年会上,期刊编辑、联邦基金组织的代表,以及从事同行评议工作的科学家们齐聚一堂,探讨同行评议的未来,解构同行评议中存在的问题,并提出解决这些问题的途径。     

离散时间延迟更新过程赤字的n阶折现因子矩

研究离散时间延迟更新过程的赤字分布,利用折现罚金函数展开讨论,给出赤字的n阶折现因子矩的解析表达式与应用.     

基于显式动力学的发动机转子中介轴承的仿真分析

为研究复杂工况下中介轴承的动力学特性，针对外圈支承于低压转子轴颈，内圈支承于高压转子轴颈支承形式的中介轴承的工作特点，应用LS-DYNA建立了中介圆柱滚子轴承动力学模型，开展动力学仿真。该模型以显式算法为基础，在充分考虑中介轴承转速、旋转方向、负载、接触及摩擦的条件下，基于动力学仿真模型，分析了中介轴承应力水平随内外圈旋转方向、内外圈转速及径向外载荷变化的规律。分析结果表明：在内外圈反向旋转以及外圈转速增加的情况下中介轴承的振动更为平稳，而在径向外载荷增大的情况下，中介轴承的振动更加剧烈。仿真结果验证了模型的正确性，为中介轴承故障诊断提供了有益参考。     

关于大整数分解的方法探究

RSA是目前被广泛应用的公钥密码加密体制之一,其核心等同于大整数分解。文章对大整数分解问题提出新想法。分别就探索素数在二进制下的0与1的个数比例、平方整数分解方法、多项式分解方法三个方面,展开探究,给出可实现的算法,对每种方法的可行性进行分析,并结合简单例子,予以实践验证。研究0-1比例运用三次样条差值的拟合,说明了素数分布规律有一定的随机性;平方整数分解是费马经典算法的延伸,巧妙利用Lasvegas算法逼近分解所需的平方数;多项式分解方法则是将问题对应到一元高次多项式的分解问题上,其解决依赖于已有的多项式分解的理论。     

Higher-order principal component pursuit via tensor approximation and convex optimization

Recovering the low-rank structure of data matrix from sparse errors arises in the principal component pursuit （PCP）. This paper exploits the higher-order generalization of matrix recovery, named higher-order principal component pursuit （HOPCP）, since it is critical in multi-way data analysis. Unlike the convexification （nuclear norm） for matrix rank function, the tensorial nuclear norm is stil an open problem. While existing preliminary works on the tensor completion field provide a viable way to indicate the low complexity estimate of tensor, therefore, the paper focuses on the low multi-linear rank tensor and adopt its convex relaxation to formulate the convex optimization model of HOPCP. The paper further propose two algorithms for HOPCP based on alternative minimization scheme： the augmented Lagrangian alternating direction method （ALADM） and its truncated higher-order singular value decomposition （ALADM-THOSVD） version. The former can obtain a high accuracy solution while the latter is more efficient to handle the computationally intractable problems. Experimental results on both synthetic data and real magnetic resonance imaging data show the applicability of our algorithms in high-dimensional tensor data processing.