关于族F混合的研究

本文主要对族F混合作了研究着重于对族F混合的等价条件的研究和族混合以及保测变换的强族F混合与存在熊意义下的混沌子集关系的研究.     

直觉模糊群与直觉模糊正规子群的水平子群

本文引入直觉模糊群与直觉正规模糊子群的水平子群的概念,得出了若干重要的结论.     

相异加项的和集

设A，B为z的有穷子集，|A|=k，|B|＝l．记 S(A，B)={a+ba∈A，b∈B，a≠b}． 当k≠l时，|S(A，B)|≥k+l-2．本文给出了4≤k＜l时|S(A，B)|达到下界的充分必要条件．     

移动子集的构造方法

针对移动数据库中缓存的特殊性，提出了移动子集的概念，移动子集是基于语义的客户机上的缓存，它能减少移动客户机和服务器间的通信开销，并能让客户机有更好地自治性，有效地支持客户机的断接操作，讨论了基于语义的移动子集的构造方法。     

一个弱化的状态方程的最优控制问题

讨论受控于具有混合状态和控制约束的状态方程的最优控制问题（p),当可行域D弱化为D，后相应问题(Pc）的最优解的存在性以其与原问题最优解的关系，为原问题最优解的近似计算提供可能。     

Lp(μ,X)逼近的唯一性

设X是Banach空间,Y是含原点的闭凸集.证明了:Lp(μ,Y)是Lp(μ,X)(1相似文献   

均匀设计试验列共线问题的研究

使用均匀设计试验时有两点须要注意的问题 :1 .均匀设计表中有若干个试验方案有列共线现象 ,对其试验结果进行回归分析时 ,正则方程组是病态的 ,将得到不易察觉的错误结论 ;2 .与回归型设计或正交表设计不同 ,一组均匀设计的试验结果有多个回归方程可供选择 ,其回归系数不一定反映真实的因子效应 .因此 ,在使用均匀设计研究有重要经济背景或有关人身安全的课题时应极端谨慎 .本文将避开数学论证 ,以直观和可以重复验证的事例探讨有列共线现象的试验方案 ,提出了以最佳因子集方法筛选专业上可接受的回归方程     

G-凸空间中KKM型定理的形式

Park在他的工作中介绍了G-凸空间和G-KKM映像,作为改进和推广,给出了G-凸空间中的KKM型定理并证明了G-凸空间中Ky Fan型sup inf sup不等式。     

有限循环群中的零和问题

设n是大于1的正整数,p是n的最小素因子.记X是以Zn中元素为元素,长度为n k的序列,其中k≥n /p-1.该文证明了当n只有两个不同素因子时,如果Zn中的每个元素在X中至多重复k次, 则X中必然存在一个长度为n的子序列,它的元素之和为零.从而给出了W.D.Gao猜想成立的一种情况.     

Assessment of different genetic distances in constructing cotton core subset by genotypic values

One hundred and sixty-eight genotypes of cotton from the same growing region were used as a germplasm group to study the validity of different genetic distances in constructing cotton core subset. Mixed linear model approach was employed to unbiasedly predict genotypic values of 20 traits for eliminating the environmental effect. Six commonly used genetic distances （Euclidean, standardized Euclidean, Mahalanobis, city block, cosine and correlation distances） combining four commonly used hierarchical cluster methods （single distance, complete distance, unweighted pair-group average and Ward＇s methods） were used in the least distance stepwise sampling （LDSS） method for constructing different core subsets. The analyses of variance （ANOVA） of different evaluating parameters showed that the validities of cosine and correlation distances were inferior to those of Euclidean, standardized Euclidean, Mahalanobis and city block distances. Standardized Euclidean distance was slightly more effective than Euclidean, Mahalanobis and city block distances. The principal analysis validated standardized Euclidean distance in the course of constructing practical core subsets. The covariance matrix of accessions might be ill-conditioned when Mahalanobis distance was used to calculate genetic distance at low sampling percentages, which led to bias in small-sized core subset construction. The standardized Euclidean distance is recommended in core subset construction with LDSS method.