一类变系数线性微分系统的稳定性

关于变系数线性微分系统的稳定性乃是一重要而复杂的问题,它吸引着无数数学工作者。在文中曾使用向量Ляпунов函数法研究了几类具分解的变系数线性微分系统,得出了稳定性判据。本文将利用秦元勋教授的大系统分解理论,结合文[1][2][3]的方法,研究     

具有变量时滞的非线性大系统的零解的稳定性

§1 引言关于大系统的稳定性研究,是从六十年代才开始的,七十年代有着较大进展,但问题仍在继续和发展。在大系统的稳定性理论研究中,关键的问题是缺少方法。尤其对时滞大系统,由于问题的困难性与复杂性,所以研究成果甚少。在本文,我们首先建立起一个高维时滞微分不等式,这一不等式将对于时滞大系统的研究有重要怍用。然后,提出两种办法——     

基于菌群优化Spiking神经网络的渲染时间估计

为了提高三维模型渲染时间估计的准确度，采用Spiking神经网络算法进行渲染时间预估。目前，基于Spiking理念的神经网络模型有多种，选择了其中的卷积Spiking神经网络(Convolutional Spike neural network, CSNN)来实现渲染时间计算。首先，建立了基于CSNN的渲染时间预估模型。通过点火时间序列完成编码，从而触发脉冲响应实现数据传递。其次，利用CSNN的权重、卷积核尺寸、偏置等参数来构建菌群优化(Bacterial foraging optimization, BFO)算法，并以渲染时间预估值和实际值的差值作为适应度函数。通过驱化、繁衍和迁徙操作不断更新菌群个体的适应度值来获得最优个体。最后，以最优参数进行CSNN的渲染时间预估。试验结果表明，通过合理设置BFO算法的引力系数、斥力系数和迁徙概率阈值等参数，BFO+CSNN算法能够获得较高的渲染时间预估准确率。相比于其他渲染时间预估算法，BFO+CSNN算法具备更高的渲染时间预估准鲁棒性。