欧式看跌期权定价问题的紧致有限差分格式

针对单个的Black-Scholes方程,提出一种紧致差分格式.首先,利用指数变换消去方程中的空间一阶导数;接着,在时间方向上采用CN格式,空间二阶导数采用四阶Padé逼近,构造精度为O(Δt~2+h~4)的紧致差分格式;然后,利用一种较为不同的离散能量法分析差分格式的稳定性和收敛性;最后,通过数值算例验证理论分析的有效性.     

民航飞机客舱乘务员应急处置能力分析

为提高民航飞机客舱乘务员应急处置能力,根据专家访谈和相关规章,选取了22项民机客舱乘务员应急处置能力指标。通过编制问卷进行调研,使用SPSS22.0对问卷统计数据进行信度、效度检验及因子分析得到旋转后的各指标的因子载荷,从中提取4个二级指标,并根据各自特点依次命名为基本素质、知识基础、职业技能、处置能力。根据指标体系建立民机客舱乘务员应急处置能力结构方程模型,提出假设模型。使用AMOS24.0对假设模型进行验证和拟合优度检验,最后根据各指标标准化路径指数计算得到各指标的权重。结果表明：对乘务员应急处置能力影响最大的是基本素质,然后依次为处置能力、职业技能、知识基础。     

基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别

地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混叠、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。     

个体观测次数与协变量个数都趋于无穷的二值数据GEE估计的渐近性质

广义估计方程是专用于处理纵向数据的统计模型,有效地解决了纵向数据中协变量相关的问题,得到稳健的参数估计值。但由于观测次数的不唯一,大多数文献对观测次数设置了上限,前人在假设个体观测次数为有限的条件下,证明了经典Logit广义估计方程估计的渐近性质。而随着大数据时代的到来,试验中需要对个体进行更多次观测,以便得出更为精准的结论。鉴于此,对于观测个体的数量n、协变量个数pn以及观测次数m三者都趋于无穷的情况,通过限定m的发散速度,即在mp_n~3/n和m~4p_~4n/n都趋于0和其他正则条件下,基于微分中值定理及根的存在定理,证明了经典Logit广义估计方程估计的渐近存在性和相合性;并在该估计的相合性的基础上,通过Slutsky定理进一步证明出了该估计的渐近正态性。     

应用于屋面蒸发降温的多孔质材料重复吸水性能实验

测试改性酚醛材料和醋酸纤维材料的重复吸水性数据,并通过改造原有的浸润吸水装置,实测改性酚醛材料和醋酸纤维材料在单面接触水源状态下的重复浸润的吸水特性曲线.根据前人的相关研究模型,计算两种材料实际的毛细吸水系数曲线并进行评价.结果表明:两种材料初次进行浸润后,吸水性能降低比例均在25%左右;改性酚醛材料快速吸水阶段会维持1 min左右,而醋酸纤维材料快速吸水阶段会维持10 s左右;两种材料实际应用于被动蒸发降温技术时仍需增强重复吸水性能.     

积分变换法求解点电荷的静电势

应用积分变换法求解点电荷静电势所满足的δ函数形式表示的泊松方程,得到点电荷或电偶极子激发的静电势,在内容上起到衔接电磁学、电动力学和数学物理方法的作用.例举的实例简单易于理解,可作为电动力学或数学物理方法课程教学上的补充材料.     

基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.     

一类奇异 Volterra 积分方程在 L^p (p ≥1) 空间中的适定性

受分数阶微分方程定性理论的启发，本文利用不动点定理研究了一类奇异Volterra积分方程在L^p（p≥1）空间中的适定性，推广改进了已有结果.特别地，Riemann-Liouville分数阶微分方程适定性问题可以作为本文结果的特例.