一维周期和非周期体系的电子带谱及态密度

本文发展了一种重正化群方法,精确而系统地研究包含周期和非周期格子的一维体系的物理性质.该一体系的构造序列是选A、B两块并按膨胀规则{A、B}→{A~(m11)B~(m12),A~(m12)B~(m22)}排列成的.作为特例,计算了(M_(11),M_(12),M_(21),M_(22))=(1,1,1,0)(1,1,1,1)(1,2,1,1)和(2,1,1,1)几种一维格子的电子带谱和态密度,结果表明,较之其他方法,该方法具有系统性,而且分析结果与其他类似。     

关于模n剩余类环

《近世代数》教材[1]中列举了大量的例子,其中最重要的就是整数环z的模n的剩余类环(z。,+,·)这类例子,全书有三十多处涉及到它。因此我们不仅要掌握理解这些例子,更重要的是通过学习这些例子熟悉了解相关的理论知识,从而达到举一反三,触类旁通的效果。下面谈三个问题。     

交错群显式（AGE）矩阵迭代方法

本文介绍一种新的显示迭代方法，以适合求解共轭转置矩阵方程，这是一种交错使用的迭代方法。     

恐龙究竟是如何灭绝的?

大约在距今2.3亿年前的三叠纪，恐龙首次出现在地球上。三叠纪末的大绝灭使恐龙逐渐成为生物界的主导。但这个主宰地球1.6亿年之久的庞大动物类群却在距今约6500万年前的白垩纪-第三纪交界时期突然覆灭了。为什么正处于极度繁盛状态的恐龙会在很短的时间里灭绝?好奇心促使中外学者做了大量的研究。     

有限交换环上CHEVALLEY群的阶

设Ｒ是一个含单元元的有限交换环，Ｇ是由一个连通复单李群及其一个忠实表示确定的Ｃｈｅｖａｌｌｒｙ－Ｄｅｍａｚｕｒｅ群根形，Ｇ（Ｒ）是环Ｒ上的Ｃｈｅｖａｌｌｅｙ群，本文的目的是计算了有限群Ｇ（Ｒ）的阶。     

利用仿射不变量与不变性质求解初等几何问题

运用克莱因的变换群的观点阐述了仿射变换的基本不变量及不变性质,探索利用仿射变换下的不变量及不变性质求解相关初等几何问题。     

基于深度学习的通信网络数据关键特征挖掘

深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。     

基于改进狮群优化的三维DV-Hop定位算法

针对三维DV-Hop(distance vector-hop)定位算法存在的定位误差较大精度不高的问题,提出一种基于改进狮群优化的三维DV-Hop定位算法。先使用狼群算法中的狼群捕食游猎行为以及羊群算法中的羊群受到攻击时的聚集互动行为对狮群算法进行改进,再把改进后的狮群算法用于优化三维DV-Hop定位算法中未知节点坐标的计算。实验结果表明,所提算法从三个方面与不同算法进行比较都具有最佳定位性能,有效减小定位误差、提高定位精度。     

基于DPSO-RK算法解带有交易成本的投资组合选择问题

目的在Markowitz均值-方差模型的基础上,建立带有交易成本且期望收益和风险都有一定误差的投资组合选择模型,即乐观情况下期望收益最大风险最小模型和悲观情况下期望收益最小风险最大模型。方法根据模型特点,设计了基于Runge-Kutta法的差分进化粒子群优化(Differential PSO with Runge-Kutta,DPSO-RK)算法。结果与结论数值试验表明用DPSO-RK算法求解该模型是有效的,模型符合实际,与改进的粒子群优化算法(Improved Particle Swarm Optimization,IPSO)相比,本文所提出的算法具有更好的仿真结果。