向量映射的广义拟凸性及应用

通过研究广义拟凸的向量映射的一些性质，讨论了向量极小极大不等式，改进和推广了相关文献中的主要结果．     

F-型拓扑空间上Φ-压缩和局部Φ-压缩映射的不动点定理

在肛型拓扑空间中建立了Φ-压缩和局部Φ-压缩映射的小动点定理。据此，得到了Hausdorff拓扑向量空间和Menger概率度量空间上相应的中一压缩和局部中一压缩映射的不动点定理。     

一些新的序压缩映射的不动点定理

在序Banach空间中,利用锥理论和单调迭代技巧对序压缩映射作了进一步的研究,对作用在序区间上的压缩映射给出了几个新的形式,并证明了相应的唯一不动点定理.     

一类集值映射的向量拟均衡问题

研究一类集值伪单调映射的向量拟均衡问题,利用著名的Fan-KKM定理证明了解的存在定理.作为应用,得到伪单调映射的广义向量变分不等式与隐式向量相补问题解的存在性.     

向量映射标量化函数的性质与向量优化问题解的存在性

在拓扑向量空间上定义一类向量映射的标量化函数,得到标量化函数与向量映射的下(上)半连续性、凸性以及拟凸性的对应性质.并且利用标量化函数的性质得到向量优化问题弱有效解存在的充分条件.     

次预不变凸集值映射向量优化问题

研究了集值映射向量优化问题的最优性条件和对偶，首先给出了集值映射的次预不变凸概念，并建立了参不变凸集值映射的择一定理，其次应用择一定理获得了集值映射向量优化问题的最优性必要条件，最后给出了对偶问题并推导了对偶定理。     

弱内向映射的性质及不动点

先给出弱内向映射的两个性质,并在自反Banach空间中的有界闭凸集上证明强半压缩映射不动点定理,从而给出广义压缩映射新的不动点定理.     

集值映射向量优化的最优性和Lagrangian对偶

目的 研究拓扑向量空间中集值映射优化问题及Lagrangian型对偶问题。方法将单值映射的广义次类凸概念推广到集值映射，在拓朴向量空间中建立了择一定理，通过择一定理研究集值映射优化问题的最优性必要条件，并定义了Lagrangian型对偶问题。结果获得了集值映射优化问题的最优性必要条件和对偶定理。结论其结果深化和丰富了最优化理论的内容。     

欧氏空间上同构映射的一个充要条件

本文给出欧氏空间之间的映射在没有向量空间同构映射条件下是同构映射的一个充要条件,使得在寻求两个欧氏空间之间的同构映射时更为简单方便.定义:设V与V′是两个欧氏空间,∫是从V到V′的一个映射,若∫满足:     

向量映射的非线性标量化函数的性质及应用

引入了拓扑向量空间上向量映射的标量化函数的概念,证明了向量函数的下(上)半连续性和凸性可以遗传给对应的标量化函数.利用这些性质得到向量优化问题弱有效解存在的充分条件.     

向量的投影和射影概念辨析

为了给出两个向量的“数量积”的几何意义,现行人教版教材引入了向量的投影和射影的概念.二者字面意思基本一样,但“投影”是一个实数,“射影”是一个向量,二者不是同一类事物,而且对向量的射影的表述有不当之处.为此,本文给出了“一个向量在另一个向量方向上的射影向量和射影向量系数”的概念,“射影向量系数(射影系数)”这一概念,为作者本人首次提出,具有重要的教学价值和理论价值.     

具单调性的广义向量拟均衡问题

讨论一类具伪单调性的广义集值向量拟均衡问题，并给出在向量变分不等式与向量优化问题中的应用．     

向量基本定理的几何表示

 以纯向量为工具研究几何问题,将向量基本定理用几何形式表示,可以将几何中的基本元素点、线、面、体用一个公式表示,实现了几何问题与向量问题相互转化,从理论上给出了几何问题和代数问题相互转化的又一方法.这一方法不仅涵盖了笛卡儿的坐标法,而且从非正交的角度推广了笛卡儿的坐标法,并由此引出了许多新的结论、方法和题型,并从几何的角度推广了向量基本定理,给出了其确切的几何解释,形成了相应的向量几何理论.从实体几何的角度看,它解决了几何应用过程中的许多计算、证明和作图问题,并且丰富了欧几里得空间的内涵.     

介质极化磁化的进一步讨论

给出了介质极化磁化的四维形式，证明了Ｍ与Ｐ仅能构成的两个独立的洛伦兹不变量。     

角矢量空间理论

利用质点角位移矢量复合的公式和两次绕相交轴有限转动的角位移矢量复合的公式,定义了三维角矢量及其运算规则,创立了角矢量空间的基本理论体系.结果表明,不但质点的运动和刚体的有限转动都能用这种全新的理论体系来描述,而且,还揭示了质点运动和刚体转动的各种关系式,其关系式简洁,物理意义突出.     

矢量分析新论

E.B.Wilson对J.W.Gibbs创立的矢量分析作了修改，其     

向量积性质的应用

向量积是向量代数中一种重要运算,与矩阵类似不满足乘法交换律.在实际应用中向量积具有双重性(大小和方向是解决问题的核心).利用它可以求空间中直线和平面的方程,更重要的是用它可以建立微分几何中Frenet标架.     

竞赛图得分向量的分类

对竞赛图的得分向量进行分类,(h)=[h]∪ ,给出每一类即[h]和的特征定理.     

一种基于卫向量的简化支持向量机模型

针对支持向量机(SVM)在处理大规模训练集时,训练速度和分类速度变慢的缺点,提出了一种基于卫向量的简化SVM模型.用对偶变换及求解线性规划方法提取卫向量,缩小训练集规模;在此基础上对训练得到的支持向量集,用线性相关性去除冗余支持向量,从而达到简化目的.对UCI标准数据集的实验表明:在保证不损失分类精度的前提下,该模型一定程度上改进了传统SVM,缩短了学习时间,取得了良好的效果.