一类半线性退化抛物方程在边界控制函数作用下的近似能控性

用Kakutani不动点定理证明一类一维的半线性退化抛物方程在边界控制函数作用下的近似能控性, 其中该方程的控制函数作用在退化点x=0处, 边界条件为极限意义下的第二类边界条件, 在非退化点x=1处边界条件为齐次Dirichlet条件.     

非经典阻尼隔震结构近似实空间解耦分析

提出了可应用于中低层和多高层隔震结构的近似实空间解耦方法.利用强迫解耦法、Kelly法和近似实空间解耦法对具有非经典阻尼特性的隔震结构进行了对比分析,并将结构位移响应用具有明确物理与工程意义的系列二阶标准振子位移响应与速度响应线性组合来表示.通过理论分析和算例求解可知:近似实空间解耦法具有很强的优越性和很高的计算精度,结构隔震层和顶层的位移响应最大误差仅为0.361%和1.444%,可推广应用于隔震结构的动力响应分析.     

基于时间窗的SVDBN近似推理算法研究

变结构动态贝叶斯网络(SVDBN)在处理非稳态过程的不确定问题具有其独特的优越性。为克服SVDBN推理算法不能实现在线推理的缺陷,在引入SVDBN的时间窗和时间窗宽度概念基础上,阐述了基于时间窗的SVDBN在线近似推理机制,提出了2种在线近似推理算法,即基于时间窗的变结构离散动态贝叶斯网络(SVDDBN)递推推理算法和基于时间窗的SVDDBN快速推理算法。通过仿真实验验证了这2种算法的有效性,并从复杂度、适用范围及更新时间等方面进行了比较。     

基于近似贝叶斯计算方法的排队模型参数估计

基于贝叶斯推断对单服务台的马尔科夫与非马尔科夫系统下的4个排队模型做参数估计与效果评价,并对银行排队叫号换汇数据做实证研究。采用近似贝叶斯计算的方法有效解决复杂排队模型似然函数难解析表达的问题。利用R中queue computer包给出M/M/1,M/G/1,G/M/1,GI/GI/1这4个排队模型的到达时间与服务时间的参数估计及后验分布图。其中M/M/1:估计值(真实值)分别约为1.02(1)、 1.12(1/0.9),都与真实值接近;M/G/1:1.17(1)、1.21(1.2),对服务时间的估计效果优于到达时间;G/M/1:0.49(0.5)、0.96(1),从后验分布进一步得到对服务时间的估计更准确;GI/GI/1:1.16(1.1)、1.07(1)、0.23(0.251)、0.22(0.25),各分量的估计值与真实值相对接近。对于实际银行数据,估计得的参数所拟合的数据与Ausin的拟合数据分布接近。研究表明,近似贝叶斯的方法在排队模型的参数估计上有较大优势,在实际数据中取得了较好应用。     

微信公众平台在大学生安全教育中的应用

阐述微信公众平台的优势,分析利用微信公众平台开展大学生安全教育的可行性,通过突出信息推送功能、以案讲案、引导大学生参与平台建设等措施发挥微信公众平台载体作用,提出转变传统的安全教育观念、开发信息反馈功能、需要优秀编辑人员等完善微信公众平台运营的建议。     

广义模糊粗糙集的粗糙度

提出基于模糊关系的广义模糊粗糙集的α,β上、下近似算子,讨论近似算子的性质.给出广义模糊粗糙集的粗糙度,就给定的模糊集研究模糊关系对粗糙度的作用.通过算例验证该粗糙度的有效性.     

可再生自然资源非线性收获动力模型的同伦解法

运用非线性理论建立了可再生自然资源m次非线性收获的动力模型,利用同伦映射方法求出了该模型的近似解。     

关于基于近似次梯度的非光滑优化束方法的对偶问题的研究

利用目标函数值和近似次梯度,构建了非光滑无约束优化问题目标函数的一个下近似模型,通过对该近似模型取极小寻找下一个可能使目标函数值下降的试探点.利用Lagrange函数写出了原近似问题的对偶问题,揭示了原近似问题的最优解与对偶问题最优解之间的关系,并进一步分析了相应的近似次梯度的某种凸组合与目标函数在当前迭代点的次微分以及目标函数的近似模型在当前迭代点的近似次微分之间的所属关系.所得结果为原近似问题的求解开辟了新思路,也使整个外层束方法的执行变得简单易行.     

时-空分数阶扩散方程的同伦近似解

利用同伦分析方法,研究了具有初值条件的空间二维时空分数阶扩散方程.从问题本身考虑,通过构造同伦方程,合理选择辅助参数,获得了在较大范围内收敛的级数解析解.数值实验结果证明,该法在求解分数阶偏微分方程的近似解析解方面的有效性和优越性.     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.