利用反预报方法从截面预言近滴线丰质子核的结合能

在Origin等数据处理软件中,当实验数据较少时,自由参数的不同初始化设置会导致较大的结果差异,这为物理结果的确定带来较大不确定性.通过最小二乘法分析了345MeV/u ~(78) Kr+~9Be反应中产生的丰质子同位素的截面和结合能,并得到线性回归方程.通过回归方程,利用结合能预报部分丰质子核素的截面,以及通过实验截面对近质子滴线核素的结合能进行反预报测量.这对于近质子滴线的丰质子核素实验测量具有较好的借鉴意义.     

利用ARGO实验寻找GRBs的本底研究

位于西藏羊八井宇宙线观测站(海拔4300 m)的ARGO-YBJ实验具有高海拔、大视场、全覆盖特点,其阈能约几百个GeV,在探测高能GRBs方面具有独特的优势.ARGO-YBJ实验不能分辨光子和质子,要在大量的宇宙线事例中找出光子信号,就必须正确地估计背景事例率,这是寻找高能GRBs的关键.本文采用"等天顶角法"对ARGO实验中寻找GRBs的宇宙线本底进行了分析.由于地球的自转,天顶角随着时间的变化而变化.本文重点分析了长暴在其持续时间内天顶角的变化,从而更加准确地进行了本底估计.     

两种改进的非线性方程组四阶迭代求解法

文章基于两点Gauss型求积公式,分别结合梯形积分公式和Adomian分解法构造了两种牛顿型迭代格式.借助泰勒展开式,文章证明了这两种迭代格式都具有四阶收敛,并通过数值实验例子验证这两种迭代格式的有效性.     

中职教学中FANUC系统数控车床对刀方法研究

在数控生产中,对刀是十分重要的一个环节.哪怕是有了正确的加工程序,也会因为不会对刀而加工出废品.加工质量的好坏与对刀的精度有着直接的关系,对刀的效率也极大地影响着加工效率,从而影响生产效率,影响生产成本.在学生的日常数控实习实训中,也总会出现很多对刀带来的问题.该文就以FANUC Oi 系列数控车床为例,通过原理和实例结合,研究常用的对刀方法.     

解决一类优化问题的变分迭代法

考虑利用变分迭代方法求解最优化问题,分别给出了求解一般的有约束和无约束最优化问题的基本步骤,并通过实例说明了所给方法的有效性.     

宁波市公共自行车服务满意度评价模型构建研究

以宁波市公共自行车为例，将因子分析法与二项logistic法相结合，对采集的1 688份居民满意度有效问卷展开分析。利用因子分析法筛选出6个因子，利用二项logistic法剔除并筛选出5个有效因子构建公共自行车服务满意度评价模型，合理评估当前宁波市公共自行车服务满意度。同时，利用随机抽取并不参与建模的5%问卷样本对评价模型进行校验，以确保模型的准确性与合理性。该研究有助于合理评价当前宁波市居民对公共自行车的服务满意度，同时适用于对未来一段时间内公共自行车服务满意度的预测。     

一类血吸虫病模型Hopf分支的频域分析

运用频域上的分支理论研究了一类血吸虫病传播模型的Hopf分支动态，严格证明了Hopf分支的存在性，运用四阶调和平衡方法推导出由Hopf分支产生的周期轨的近似解析表达式、频率和振幅。研究结果表明，被感染的钉螺由潜伏期进入易传染期的几率δ对人体内寄生虫数量有重要影响。     

冷轧带钢局部高点卷取过程起筋控制的建模与仿真

为了研究带钢局部高点卷取起筋的控制方法，利用三维弹塑性变形基本理论，并引入带钢塑性流动因子，建立了弹塑性卷取应力和起筋量模型.基于应力函数假设、S. Timoshenko最小功原理和伽辽金虚位移法建立了起筋带钢的应力场分布和可用于在线计算的起筋临界卷取张力设定模型.仿真结果表明：局部高点在径向累积叠加所引起的带钢张力不均匀分布和轴向压应力是导致带钢起筋的主要原因；起筋量随局部高点高度、卷径和卷取张力增加而增大，薄带钢比厚带钢起筋量增幅明显；临界卷取张力随卷径、带钢厚度和局部高点高度增大而减小.     

带有临界增长的Kirchhoff方程极小能量变号解的存在性

为了深入研究Kirchhoff方程的性质,讨论了带有Hartree项和临界增长非线性项的Kirchhoff方程极小能量变号解的存在性。利用能量泛函在变号Nehari流形上的下确界C_λ收敛于0,得到空间E紧嵌入L~6(R~3)这一技术性结果。结果表明,利用限制变分方法和定量形变引理获得极小化序列对应的极小值点是该问题的非平凡解。研究方法在理论证明方面得到了良好的结果,对研究其他Kirchhoff方程解的存在性有一定的指导意义。     

一种自适应步长的复合梯度加速优化算法

自适应步长加速(Adam)类算法由于其计算效率高、兼容性好的特点，成为近期相关领域的研究热点.针对Adam收敛速度慢的问题，本文基于当前梯度、预测梯度以及历史动量梯度，提出一种新型Adam类一阶优化算法——复合梯度下降法(C-Adam)，并对其收敛性进行了理论证明.与其他加速算法的区别之处在于，C-Adam将预测梯度与历史动量区别开，通过一次真实的梯度更新找到下一次迭代更精准的搜索方向.利用两组常用测试数据集及45钢静拉伸破坏实验的实验数据对所提算法进行验证，实验结果表明C-Adam与其他流行算法相比较具有更快的收敛速度及更小的训练损失.