两参数强马氏过程之间的关系

利用两参数马氏过程和单参数强马氏过程的定义方式及各种停点之间的关系, 定义了1-强马氏过程、 2-强马氏过程和宽将来强马氏过程, 其中参数变换都是非随机的. 在随机过程循序可测条件下, 得到了*-强马氏过程一定是1,2-强马氏过程; 1,2-强马氏过程一定是宽将来强马氏过程. 在(F₄)条件下, 1,2-强马氏过程一定是单点强马氏过程. 宽将来强马氏过程一定是单点强马氏过程.     

关于二重马氏链的相关性质

马氏链是一类特殊的随机过程,在随机过程论中也起着重要的作用。最初由A.A.Markov所研究。二重马氏链概念也是一重马氏链概念的推广。在给出二重马氏链的两个等价定义的基础上,同时提供了一个获得二重马氏链的方法以便于检验随机过程是否为二重马氏链。     

两参数随机过程的强马尔科夫性

定义了几种两参数随机过程的参数变化为随机的宽过去强马尔科夫性,给出了一类随机过程满足强右选马氏性的充分条件,讨论了几种强马氏性之间的关系,推广了参数变化为非随机的相应结果.     

紧距离空间上马氏过程的不变概率测度

本文给出马氏过程存在不变概率测度的一个充分条件,将Beboutoff关于离散时刻的马氏链存在不变测度的定理推广到连续时间的马氏过程中去,证明了在紧距离空间中,随机连续的Feller过程一定存在不变概率测度,从而对随机微分方程解过程的稳定性由另一角度进行了描述。     

二重非齐次马氏链的一个重要结论

马尔科夫链是一类特殊的随机过程,相对于一重马氏链,二重马氏链的应用也十分广泛,主要给出了二重非齐次马氏链的一个重要结论.     

一类两参数随机过程的马氏性

<正>文献[1]研究了重要的两参数随机过程OUP_2的马氏性问题.本文用不同的方法讨论一类两参数随机过程的马氏性,这类过程以OUP_2和两参数独立增量过程为特例.所以我们对OUP_2和独立增量过程的马氏性做了统一的处理.本文使用的记号及其意义请参见文[2]和[3],特别声明者除外.     

随机马氏链的定义及性质

设|xn|是随机环境的马氏链一绕积马氏链，定义了一种特殊的hopf马氏链一绕积马氏链，并且讨论了绕积马氏链的主要性质及与随机马氏链的关系，得到了一种研究随机环境马氏链的主要方法．     

有限状态下随机环境马氏链的性质

假设X是随机环境的马氏链,首先介绍了Hopf马氏链及绕积马氏链,利用绕积马氏链,定义了随机环境马氏链的几个特征数及随机环境马氏链的几种不同的基本状态,由此比较随机环境的马氏链与经典的时齐马氏链状态性质的异同,得到了随机环境马氏链中强常返与弱常返的关系,并进一步讨论了X为有限集时,随机环境的马氏链的一些性质,得到有限状态一定存在本质与弱常返状态,不一定存在强常返状态,及在可达关系下本质状态、强常返状态的关系.     

随机环境马氏链下熵的极值问题的研究

在随机环境中马氏链一般理论的研究中,通常要用到随机环境中马氏链与马氏双链间的相互关系.在此基础上,主要探讨了随机环境中马氏链下熵,维数的相关定义,并借助此关系讨论随机环境马氏链下有关熵的不等式的极值问题,获得了相关的结论.     

随机环境马氏链的状态分类

假设■是随机环境的马氏链,本文首先介绍了Hopf马氏链及绕积马氏链,并介绍了随机环境马氏链中的几个特征数,由此定义了随机环境马氏链强常返,弱常返等壮态,在随机环境的马氏链下,讨论它们的关系,并进一步讨论了随机环境马氏链φ—不可约性及ψ—不可约性的性质,并在ψ—不可约下讨论了状态的性质,并获得在一定的条件下,必存在弱常返状态的结果。     

面向MANETs按需路由协议的黑洞攻击解析改进模型

传统移动Ad Hoc网络(mobile Ad Hoc network,MANETs)黑洞攻击解析模型存在网络拓扑结构固定、网络传输性能预测精确度低的问题.针对使用按需路由协议的MANETs网络,提出一种基于随机拓扑近似技术的黑洞攻击解析改进模型(improved black hole attack analytical model,IBAAM).IBAAM协议使用随机模型代替传统解析模型使用的n元2立方体模型,并将网络结构扩展至随机拓扑结构,使用最短跳距离概率描述表示网络拓扑结构的随机拓扑信息,再使用K均值聚类法实现跳距离文件配置以求解任意拓扑结构下的攻击概率问题,从而在不利用任何实际拓扑先验信息条件下有效预测MANETs网络平均丢包数目.IBAAM实验结果表明,在多种不同固定Ad Hoc拓扑结构下,IBAAM的网络丢包预测精确度在仿真结果的95%置信区间内,能够有效预测网络传输性能.     

基本随机连续拓扑

本文由任意给定的非时齐马氏过程建立并讨论了基本随机连续拓扑，由此得以研究了非时齐Markov过程的许多性质．     

Synchronization-based topology identification of uncertain stochastic delay complex networks

In this paper, topology identification of general weighted complex network with time-varying delay and stochastic perturbation,which is a zero-mean real scalar Wiener process, is investigated. Based on the adaptive-feedback control method, the stochastic Lyapunov stability theory and the ito formula, some synchronous criteria are established, which guarantee the asymptotical mean square synchronization of the drive network and the response network with stochastic disturbances, as well as identify the topological structure of the uncertain general drive complex network. Finally, numerical simulations are presented to verify the correctness and effectiveness of the proposed scheme.     

一类非Lipschitz条件下的量子随机微分方程解的存在唯一性

由于量子随机积分的的非交换性质,Lipschitz条件下的量子随机微分方程的解的存在唯一性不能推广到Yamada＆Wantanabe情形,因此在Hudson-Parthasarathy的意义下,应用逐次逼近方法在局部凸线性拓扑空间上建立了一类非Lipschitz条件下的量子随机微分方程的解的存在唯一性.     

一致拓扑中广义更新变量的某些弱收敛性

讨论了一致拓扑ｕ中更新随机场序列ξｎ（ｔ）（ｔ）∈ｚ，ｎ≥０与其增量γ（ｔ）之间关系，得出随机变量ξｎ（ｔ１Ｔ１ｎ，ｔ２Ｔ２ｎ）／Ｗｎ弱收敛于γ（ｖ（ｔ））ｎ→∞时的条件。     

正态分布连续体结构可靠性拓扑优化设计

对具有随机参数的连续体结构进行了拓扑优化设计,并考虑了随机参数满足正态分布的可靠性约束,获得优化结构的同时保证了结构的可靠度.根据可靠性理论的一次二阶矩方法,利用随机有限元求解了连续体结构的可靠度,将隐式的可靠度约束转化为等价的常规约束.将模式识别技术的K邻近(KNN)方法引入到连续体结构拓扑优化设计领域,对连续体结构进行了拓扑优化设计.根据该设计方法给出了计算示例,结果表明该设计计算方法是可行的,为工程设计提供了理论依据.     

基于图论方法研究带多扩散的随机多组模型的拓扑识别

研究了带多扩散的随机多组模型的拓扑识别.基于自适应同步方法,设计了合适的自适应控制器识别带多扩散的随机多组模型的拓扑结构.结合Lyapunov稳定性理论和图论方法,分别得到了不具有时滞和具有时滞的多扩散的随机多组模型的拓扑结构识别准则.最后,分别给出了具有时滞和不具有时滞的耦合洛伦兹系统的拓扑识别,验证了研究结果的有效...     

基于随机接入的JTIDS抗毁性动态接入算法

基于随机理论提出了一种能够适应JTIDS的节点数动态变化的随机接入算法. 基于随机理论,分析和比较了竞争接入算法和随机接入算法的抗毁性能,并进行了理论验证;基于OPNET建立了竞争接入算法和随机接入算法的仿真模型,通过仿真验证理论分析的合理性. 对随机接入算法的抗毁性能进行了仿真,仿真结果表明,算法能够在不增加额外控制信息的情况下,动态地适应战场环境下网络拓扑结构的变化,提高了接入的可靠性,同时保证了时效性.      

基于虚拟样机技术的铰接式车辆动力学建模

在ADAMS／View软件环境下，建立了某工程车辆多体动力学模型，提出了随机路面的建模方法，进行了不同车速和不同随机激励输入下的车辆平顺性评价虚拟试验．通过与相同实验条件下实车平顺性道路试验结果比较，验证了该模型在评价车辆平顺性方面具有较高的精度和可信度。     

回归分析人工神经网络

为避免每次训练都必须随机生成样本序列的问题,提出网络动态拓扑的概念,对各种前向式网络进行统一表述;提出正、反序训练方法,并给出解的唯一性证明,同时,网络连接权在初始化时不再需要随机生成。回归分析人工神经网络有效解决了两次随机过程对训练结果造成的不利影响,在稳定性和可信性上对人工神经网络的应用提供了理论依据和技术支持。