矩 阵 环 的 乘 法 导 子

设R是有单位元1的结合环, R=Mn(R)是R上全体n阶矩阵构成的环, S是由R中全体后(n-r)行均为0的行矩阵构成的乘法闭子集, 这里1≤r相似文献   

基于导重法的微静电激励器的优化设计研究

微静电激励器是一种有代表性的微机电器件,为了优化该器件结构的面积,以SUGAR软件作为分析器提出采用导重法对微机电系统器件进行优化设计,与国内外采用的遗传算法等自然模拟优化算法相比,计算效率大大提高。采用遗传算法需要上万次分析,本方法仅需六七次优化迭代,几十次分析即可找到最优解。表明导重法通过计算设计变量对优化目标函数的敏度来加快优化速度,避免了自然模拟法的逐个比较的繁琐,在工程产品优化设计上值得推广。     

VaR模型在股票风险管理中的应用研究

采用VaR模型对股票进行风险管理.介绍了VaR的3种主要计算方法,分别是参数模拟法、历史模拟法和蒙特卡罗模拟法,选取2016年沪深300指数每日收盘价序列作为分析目标,采用参数模拟法,通过MATLAB软件估计VAR值,计算出在一定的持有期内,在相应的置信度水平下的最大损失.对股票市场的风险管理提出了相关建议,并提出VaR模型未来的发展方向.     

MC-GARCH模型在互联网金融风险度量中的实证研究

针对互联网金融风险测度问题,提出了MonteCarlo模拟法。首先,选取中证互联网金融指数作为研究对象,并对数据进行基本的统计分析,得出中证互联网金融指数对数收益率具有尖峰厚尾性和异方差性的特点,建立GARCH模型,对序列的均值和方差进行估计;其次,基于GARCH模型计算出的均值和方差,利用MonteCarlo模拟法计算中证互联网金融指数的VaR和CVaR值;最后,对模型的准确性和精确度方面进行Kupiec返回检验。结果表明:VaR和CVaR均可作为度量互联网金融风险的工具,但VaR无论在准确性上还是精确度上都远低于CVaR,故CVaR是一种更优良的风险测度工具。     

空间交互作用中的距离影响及定量分析

对地理学研究中空间交互问题的距离衰减现象进行描述和分析,并总结重力模型的求解方法。首先,大部分空间交互都受到距离衰减效应的影响,距离衰减函数定量表示交互中距离的作用。对比幂律、指数等多种形式的距离衰减函数,认为幂律形式能够更好地刻画距离影响的本质特征,并且可以在不同交互中进行比较,其对应的交互模型即为在地理学和区域经济学中广泛应用的重力模型。然后,在重力模型的基础上,总结解析法和模拟法两大类基于给定交互矩阵和距离矩阵定量计算距离衰减函数及衰减系数的方法。由于难以先验确定交互公式中节点规模的数值,因此拟合重力模型,同时估计距离衰减系数,是应用重力模型的恰当方式。     

用极限分析方法计算边坡可靠度上限值

为了减小边坡可靠度计算在模型建立、参数估计和算法选取上的误差,建立了基于极限分析上限定理的边坡可靠度分析模型,采用最大熵原理推断边坡结构参数的统计特征,并采用Monte Carlo模拟法计算边坡的结构可靠度上限值。最后将结果与其他方法进行了比较。研究结果表明：利用最大熵原理、Monte Carlo模拟法和基于上限定理的边坡可靠度分析模型所计算的可靠度值是边坡可靠度的一个严格上限值,该模型与极限平衡法模型、R.Jimenez-Rodriguez等模型计算的结果比较接近。     

基于RSM和FEM的辊锻件长度控制技术

以某钩尾框精密辊锻工艺为研究对象,首次应用响应面法(RSM)和有限元数值模拟法(FEM)对精密辊锻件的长度控制问题进行了研究.首先以满足辊锻件长度和降低轧辊最大扭矩为目标,采用FORGE3有限元软件建立了RSM与FEM相结合的二阶分析模型,研究了轧辊间隙、摩擦因子、轧辊转速和坯料温度对辊锻件的长度和轧辊最大扭矩的显著性和影响规律;其次采用优化后的工艺参数对该辊锻工艺进行了再模拟,提出了辊锻件长度的调试原则,利用该原则和点的反追踪技术对辊锻模具进行了再设计,同时分析了设计、模拟和生产辊锻件的长度和辊锻过程的功率耗散和分布.研究结果表明:应用RSM和FEM可准确有效地掌握精密辊锻件的长度控制技术.     

基于双响应曲面的精密产品子集模拟可靠稳健优化设计

针对不确定性场景下小失效概率的精密产品可靠性问题,提出了基于双响应曲面法(dual response surface methodology,DRSM)与子集模拟的可靠稳健优化方法。首先,建立精密产品多失效模式极限状态的RSM模型和以质量特性均值-方差为优化目标的功能函数DRSM模型。其次,在此基础上运用子集模拟法进行可靠性分析,将精密产品小失效概率描述成一系列较大的条件失效概率之积。最后,将极值事件的优化问题视作稀有事件的可靠性问题的特例,基于该转换思想采用子集模拟法将优化问题在可靠性问题的框架内进行求解。案例分析及验证结果表明所提方法的有效性。     

M{2,3},M{2,4}和M{2,3,4}的有效刻画（英文）

集合A到集合B上的一个一一映射f称为B的一个有效刻画。本文提出的选逆象指标法(SIIIM)给出集A_1={α:α=(I_s,η)~T∈C_s~(n×s)}到象集B_1={β:β=α(α~*α)~(-1)α~*,α∈A_1}的一个有效刻画公式,并证明了B_1是I{2,3}_s的稠密子集,且I{2,3}_s的每个元素都与B_1的某个元素置换相似,利用上述结果,分别建立了I{2,3}和长方阵广义逆矩阵类M{2,3}.的有效刻画公式。再利用等式I{2,3}_s=I{2,4}_s=I{2,3,4}_s,进一步获得了M{2,4},M{2,3,4}的有效刻画公式.算法3.1可用于无重复地计算I{2,3}_s的任一个元素.