一类新的随机三项共轭梯度算法

针对经验风险最小化(ERM)这一无约束优化问题,使用随机优化算法.为了提高损失函数值的下降速度,考虑三项共轭梯度法的优点,提出一类新的随机三项共轭梯度算法.并将新算法与经典的随机梯度下降(SGD)类算法和已有的随机共轭梯度算法CGVR进行比较,数值结果表明新算法比SGD类算法在求解ERM问题上更有优势.     

基于工况识别的安全距离模型

针对传统自适应巡航控制系统安全距离模型缺乏对车辆驾驶工况变化考虑的问题,提出一种基于驾驶工况识别的安全距离模型。依据城市驾驶工况特点构建了4种典型城市工况,引入人工神经网络对车辆实时驾驶工况进行识别与预测,然后以现有安全距离模型为基础,结合工况识别结果,完成对该模型的优化。通过CarSim和Simulink联合仿真验证,结果表明：基于驾驶工况识别的安全距离模型可以更好地实现与前车的速度跟随与距离控制,提高了乘坐安全性与道路利用率。     

四姑娘山国家级自然保护区四川红杉枯落物及土壤的水源涵养功能研究

通过对四姑娘山国家级自然保护区四川红杉林地表土壤和林下枯落物的实验分析,得出四姑娘山自然保护区四川红杉林0～40cm深度的土壤层最大贮水量为1841.3t/hm2,林下枯落物最大持水量为103.4t/hm2,四姑娘山自然保护区四川红杉林水源涵养最大值为1944.7t/hm2。     

基于网络划分的SDN分布式控制器部署

针对大规模SDN （software defined networking）网络中分布式控制器部署问题,以优化网络弹性和可靠性为目标,提出两阶段控制器部署算法（TSCP,two-stage controller placement）：利用节点相似度划分控制域,使得控制域内设备之间的连通性强、连接紧密,增强控制域的网络弹性;选择控制路径平均失效率最小的控制器集合作为控制器部署,提高网络可靠性。通过约束控制域的规模和设备（交换机或控制器）之间传播时延,使控制域的交换机个数均衡,控制器的部署合理。通过定义性能指标,实验对比GCP算法、K*-means算法,结果表明TSCP算法可以优化控制域的规模,均衡控制域的交换机个数,减少控制器个数,网络弹性和可靠性均表现较好。     

一类具耗散项的非线性四阶波动方程解的爆破

作者讨论了一类具耗散项的非线性四阶波动方程utt+Δ2u+u+δut=|u|p-1u初边值问题的爆破性质.依据势井理论, 通过构造修正的不稳定集, 作者给出了解爆破的一个充分必要条件.     

浅议产业集聚理论的分野与演替

现代产业集聚的滥觞在马歇尔。马歇尔利用外部规模经济的概念对产业集聚理论进行系统讨论。韦伯从区位论出发得出探讨了产业集聚的问题,提出了区位集聚论。胡佛在韦伯区位集聚论的基础上,提出了产业集聚最佳规模轮。克鲁格曼在不完全竞争模型基础上引入报酬递增,创立了新经济地理论。波特则发现了产业集群,并通过产业集群与竞争优势之间关系的研究开启了产业集聚理论中的新领域。     

一类带阻尼项和记忆项的波动方程解的爆破

研究一类带尺度不变阻尼项和记忆项的波动方程的小初值问题.当非线性项指数p与q满足一定条件时，通过构造泛函，利用检验函数方法和迭代方法，证明方程的解会在有限时间爆破，并给出解的生命跨度的上界估计.     

红毛藻R-藻红蛋白果冻的制备工艺

为了研究红毛藻R-藻红蛋白、卡拉胶 魔芋粉复合胶、木糖醇、柠檬酸的不同添加量对红毛藻R-藻红蛋白果冻品质的影响,通过单因素实验筛选获得4种物质的最佳添加量,并采用正交法优化果冻配方,确定红毛藻R-藻红蛋白果冻的最优制备工艺条件。结果表明,得到的最佳配方是复合胶、木糖醇、柠檬酸、红毛藻R-藻红蛋白液的质量分数分别为0.9%,9.0%,0.10%,4.5%;感官评分为87.64,弹性为（0.98±0.016）mm,咀嚼性为（0.789±0.021）N;可溶性固形物质量分数为24.3%;菌落总数为40 CFU/g,未检出大肠杆菌,结果符合国家标准要求。     

一类非线性热传导方程混合问题整体解的存在唯一性

本文运用半群理论和稳定性集的方法，简单地证明了一类典型非线性热传导方程ｕｔ＝△＝│ｕ│ｐｕ的混合问题在ｔ∈［０，∝］时，整体解的存在唯一性以及当ｔ→∝时的增长性质。     

青藏高原东南缘四姑娘山地区末次冰期砾石沉积和冰楔特征

四姑娘山位于青藏高原东南缘,第四纪冰川可分为3期.末次冰期时长坪沟口属于冰缘地带,在前次冰期冰碛物上发育了冰楔构造,冰缘地带冰川融水形成黑色细砾堆积.根据新的证据,末次冰期时四姑娘山长坪沟口附近年平均气温比现在低14～20℃.末次冰川作用发生时恰好也是四姑娘山地区强烈抬升的时期,因此,这套粗碎屑堆积可能是推覆构造的沉积响应,表明末次冰期时可能存在气候与构造联动作用.四姑娘山地区末次冰川规模较倒数第二次冰期明显偏小.