环网络中的呼叫接纳控制

呼叫接纳控制是通讯网络设计与运营中的一个重要优化问题. 环网络中，这一问题的目标是对于给定的具有边容量的环网络和任意利润的呼叫的集合，确定最大利润的呼叫子集并为其中每一个呼叫安排路径，使得任一边容量不被违反. 对于无向和有向环网络呼叫接纳控制问题, 均给出了多项式时间近似方案.     

计算结构可靠指标的循环逼近法

基于几何原理,建立了可靠指标的新优化模型.对于任何类型变量,该模型均无需计算其当量正态分布的平均值和标准差.将循环筛滤思路引入到该优化模型中,提出了循环逼近法.经算例验证,该算法简便实用,可以快速逼近并确定验算点、求解可靠指标,且具有令人满意的计算精度,为结构可靠指标计算提供了新的有效途径.     

纳米量级超导粒子电子比热中的量子尺寸效应

考虑了奇/偶电子数分布,从配分函数出发,用静态路径近似(SPA)方法和BCS方法计算了随机矩阵理论中高斯正交系综(GOE)所对应的电子能级分布对超导纳米粒子的电子比热的影响,得到了弱自旋-轨道耦合和弱磁场中和奇/偶电子数分布下的电子比热,并做了简单分析.经过计算和分析,发现粒子尺寸和奇/偶电子数对电子比热和转变温度有影响.     

Mo/HZSM-5催化剂表面活性中心的计算机模拟

用密度泛函理论中的广义梯度近似方法对催化剂活性中心的结构进行了优化，并对活性中心的电荷布居数、Mayer键级、Mayer总价态、振动频率和Fukui反应指数等性质进行了研究．结果表明最可能的钼活性中心为两个晶格氧担载的四面体配位结构，局部呈C2v对称．钼氧原子间的化学键具有离子性和共价性双重特点．用GGA方法计算的活性中心的振动频率与FTIR实验结果相一致．催化剂团簇的Fukui反应指数表明钼原子和端位氧原子是催化剂活性中心的反应部位．     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线性连续函数有较好的逼近效果，对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较。并采用实际数据进行训练。说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络。最后，以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型，并进行了模型检验，证明了基于RBF网络的建模方法具有较高的精度。     

利用鞍点逼近与Bootstrapping方法估计统计量的分布

统计量分布的确定是统计推断的一个关键工作，在总体分布已知的条件下，鞍点逼近在很多场合可以给出统计量分布的良好近似．在介绍鞍点逼近方法的基础上给出了一个结合鞍点逼近与Bootstrapping方法估计统计量分布的方法，解决了总体分布未知的条件下统计量近似分布的估计问题，并以样本均值的分布为例进行了讨论。     

广义粗糙集理论的公理化注记

首先回顾了粗糙集理论的代数表示,给出代数表示与公理化算子的相互关系.特别地,给出了广义粗糙集模型的公理化等价表示.     

用局部Petrov-Galerkin方法分析弹性杆振动问题

提出一维弹性动力问题的局部Petrov -Galerkin方法 ,这是一种真正的无网格方法。这种方法采用移动最小二乘函数来近似解变量 ,并且采用移动最小二乘近似函数的权函数作为加权残值法的权函数。文中对形成的离散动力学方程用Newmark方法求解 ,计算实例表明 :局部Petrov -Galerkin方法是一种很有效的求解弹性动力学问题的方法。     

Difference schemes on non-uniform mesh and their application

High order accurate schemes are needed to simulate the multi-scale complex flow fields to get fine structures in simulation of the complex flows with large gradient of fluid parameters near the wall, and schemes on non-uniform mesh are desirable for many CFD (computational fluid dynamics) workers. The construction methods of difference approximations and several difference approximations on non-uniform mesh are presented. The accuracy of the methods and the influence of stretch ratio of the neighbor mesh increment on accuracy are discussed. Some comments on these methods are given, and comparison of the accuracy of the results obtained by schemes based on both non-uniform mesh and coordinate transformation is made, and some numerical examples with non-uniform mesh are presented.     

基于泛函网络的多维函数逼近理论及学习算法

提出一种多维函数逼近的泛函网络逼近方法,设计了一类用于函数逼近的可分离泛函网络,给出了基于泛函网络的函数逼近学习算法。而泛函网络的参数通过解方程组得到,它们能逼近给定函数到预定的精度。仿真结果表明,这种逼近方法简单可行,具有较快的收敛速度和良好的逼近性能。