耗散Hirota-Satsuma方程的全局吸引子

考虑了在周期边界条件下且有耗散项的Hirota-Satsuma方程组长时间性态,利用Sobolev插值不等式、能量估计以及关于时间t的一致估计得到方程全局解的存在性,再利用算子紧嵌入定理得到方程全局吸引子的存在性.     

地统计方法在黑河上游气象分析中的应用比较

选取黑河上游研究区内的气象站,再逐渐增加其周围的站点,通过计算增加站点前后的误差效果,确定最优观测站点集为上游区域内的观测站点.应用3种不同的地统计方法对黑河上游气象要素进行插值,并比较其优劣.结果表明:无论是气温插值还是降水插值,改进的反距离倒数加权法的插值效果均比其他两种方法好;3种方法对气温数据的拟合效果较好,对山区降水事件的拟合能力均不理想.但当仅需要对降雨总量进行预测、计算时,改进的反距离倒数加权法效果较好.     

一种新型的四阶精度分段三次插值

针对第一边界条件和周期边界条件的插值问题,给出了一种新的导数恢复格式,并用能量估计法证明了导数恢复格式按照离散L2范数具有四阶收敛精度.利用节点值和恢复出的导数值构造了一种新型的四阶精度分段三次插值函数.数值算例验证了理论分析的正确性和插值函数的实用性.     

不确定混沌系统的模糊神经网络插值补偿控制

对不确定混沌系统的控制问题,研究了基于权值直接确定模糊神经网络(WDDFNN)的插值补偿控制方法。建立了基于数据驱动的WDDFNN,并使用WDDFNN实现对混沌系统的辨识,然后使用WDDFNN模型对混沌系统进行模糊插值补偿控制。基于Lyapunov稳定性理论,证明混沌系统在所提最优控制律作用下是渐进稳定的。仿真实验表明,该控制方法既可以实现快速跟踪任意参考信号,又可以有效抑制参数摄动、外部干扰,控制精度较高。     

关于反周期函数的2-周期(0,p(D))三角插值

目的为了克服以2π为周期的三角插值问题所对应的插值空间Tn,ε(ε=0或1)对平移运算和求导运算不封闭,给出以π为周期的反周期函数的2-周期(0,p(D))三角插值。方法采用不同于Franz-Jurgen Delvos等人(Franz-Jurgen Delvos.BIT,1993,33(1),113-123;Franz-Jurgen Delvos,Ludger Knoche,BIT,1999,39(3):430-450.)的研究方法,通过不断求解给出结果。结果与结论给出了问题正则的充分必要条件及正则时基多项式的明显表达式,即r2v(x)=-(1/n)sum from j=1 to 2n( C2j-1cos(2j-1)(x-x2v)-D2j-1sin(2j-1)(x-x2v))/(Δ2j-1) ,q2v 1(x)=1/n sum from j=1 to n(1/Δ2j-1)[A2j-1cos(2j-1)(x-x2v 1)-iB2j-1sin(2j-1)(x-x2v 1)],其中v=0,1,…,n-1。     

复杂地质地貌区地球化学异常识别非线性研究

应用现代数学非线性理论与方法对西南地区三江北段恒星错测区1︰50 000水系沉积物测量数据进行了异常识别的非线性研究.率先尝试用人工免疫算法对地球化学数据降噪,并采用分形含量面积法对降噪数据寻求异常下限,从而弥补传统方法确定异常下限出现的缺陷.在此基础上构造了测区地球化学元素分布的分形插值曲面,做出异常等值线图和异常分形插值图.处理结果令人满意.     

非均质材料热传导问题的扩展无单元伽辽金法

采用滑动克里金(Kriging)插值法构造单位分解函数,并对扩展无单元伽辽金(Galerkin)方法进行了改进.与移动最小二乘法对比,其形函数具备克罗内克(Kronecker)δ函数插值特性,克服了移动最小二乘逼近难以直接准确施加本质边界条件的不足.进一步将该方法应用于非均质材料稳态热传导问题的求解,单夹杂和多夹杂数值结果可以看出:改进的扩展无单元伽辽金法易于施加本质边界条件,只需考虑夹杂几何界面进行节点增强,求解更为方便.     

张量分量混合插值板单元的构造及应用

阐明了Mindlin板单元及张量分量混合插值4节点板单元(MITC4)的基本原理;利用HyperMesh划分有限元网格,依据Mindlin板单元和MITC4板单元的基本理论,设计了Mindlin板单元与MITC4板单元的有限元程序.对简支矩形板进行静力分析,比较了利用MITC4板单元的计算值与解析解的差异.相比Mindlin板单元,论证了MITC4板单元在剪切自锁、单元几何扭曲及收敛性方面的优势.对存在孔洞的板结构进行静力分析和模态分析,比较ADINA和Matlab的计算结果,研究证明MITC4板单元算法的有效性.     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。