微分中值定理与积分中值定理的逆定理

给出并论证了微分中值定理（Ｌａｇｒａｎｇｅ中值定理和Ｃａｕｃｈｙ中值定理）及积分第一、第二中值定理在某种条件下的逆定理。     

微分中值定理中ξ的渐近性质

利用Taylor公式和积分中值定理研究了微分中值定理中ξ的渐近性质,并给出了Lagrange中值定理和Cauchy中值定理中ξ的渐近性质.     

一类积分型中值定理的渐近性讨论

在适当的条件下,将Lagrange中值定理、Cauchy微分中值定理、第一积分中值定理和推广的第一积分中值定理统一起来,得到了一类积分型中值定理,并讨论它们"中间点"的渐近性,得出了相应的结论.     

微分中值定理证法的改进

利用直观的辅助函数证明了Lagrange中值定理,并应用此法证明了Cauchy中值定理.     

积分中值定理的证明与应用

本文首先证明了定积分第一中值定理,接着利用定积分第一中值定理给出了积分中值定理的证明。     

复分析中的微分中值定理

本文主要是在复函数微分理论的基础上,对微分中值定理微分中值定理（Rolle定理、Lagrange定理、Cauchy中值定理）进行推广。     

柯西中值定理的一种证明方法

微分中值定理是罗尔定理、拉格朗日中值定理、柯西中值定理的统称。是微分学的基本定理,具有广泛的应用性。本文对这三个中值定理之间的关系做了归纳,并通过利用行列式来构造函数,给出了柯西中值定理的一种新的证明方法。这有利于微分中值定理的学习。     

关于柯西中值定理的一个注记

给出柯西中值定理的一个新的证法，说明柯西中值定理也可由拉格朗日中值定理导出。     

微分中值定理中■的渐近性质

利用Taylor公式,积分中值定理研究了微分中值定理,即Lagrange中值定理与Gauchy中值定理中!的渐近性质,得出如下结论:limb→a!!--ab=n-1 1n",lbi→ma!!--ab=n-m"nm.     

广义Cauchy中值定理

将Cauchy中值定理的条件减弱，得到广义Cauchy中值定理。     

积分中值定理中间点的渐近估计式

利用在无穷区间上的比较函数概念,在g(x)可积的较弱条件下,建立了第一、二积分中值定理"中间点"当x→+∞时更广泛的渐近估计式,作为推论得到了Cauchy中值定理和Taylor中值定理的"中间点"当x→+∞时的渐近估计式,从而统一和发展了有关文献的结果.     

拉格朗日中值定理的证明及应用

中值定理是微分学的基本定理,是应用导数研究函数在区间上整体性态的有力工具,其中拉格朗日中值定理是核心内容.给出拉格朗日中值定理的三种证明方法及其在级数散敛性方面的应用.     

Lagrange中值定理的新证法

Lagrange中值定理是微分学中值定理之一，给出闭区间上连续函数的两个性质，应用连续函数的性质和闭区间套定理证明lagrange中值定理。     

有限开区间上的柯西中值定理

通过给出一个反例,指出了文献[2]中有限开区间上柯西中值定理的错误,给出了有限开区间上的柯西中值定理,推广了柯西中值定理,使得利用导数研究开区间上函数的整体性态更为方便。     

属性值为区问数的多属性决策OWA算法

针对属性值为区间数的多属性决策问题,提出了一种简洁实用的决策分析方法。首先论证决策对象的优势关系与其属性值区间数的两端点数值平均值（区间中值）存在等价关系,然后将区问数的多属性决策问题转化为以区间中值为属性值的决策问题,应用有序加权平均算法（OWA算法）进行方案的排序与择优,最后通过一个实例验证了该方法的可行性和有效性。     

Lagrange中值定理的一个推广

利用区间序列的性质以及极限基础理论研究了微分中值定理中ξ的趋近性质,并证明了Lagrange中值定理中当ab,相互靠近时其中间值ξ→x0的渐进性质.     

区间套定理在证明中值定理中的应用

对区间套定理给出一个推论,然后建立了四个引理.在此基础上通过构造区间套依次证明了罗尔中值定理、拉格朗日中值定理和柯西中值定理.     

Cauchy中值定理的又一证法

应用连续函数的性质和闭区间套定理证明ｃａｕｃｈｙ中值定理。     

积分第一中值定理的推广

通过减弱被积函数乘积因子的条件,推广了积分第一中值定理。     

Detection of bursts in neuronal spike trains by the mean inter-spike interval method

Bursts are electrical spikes firing with a high frequency, which are the most important property in synaptic plasticity and information processing in the central nervous system. However, bursts are difficult to identify because bursting activities or patterns vary with physiological conditions or external stimuli. In this paper, a simple method automatically to detect bursts in spike trains is described. This method auto-adaptively sets a parameter (mean inter-spike interval) according to intrinsic properties of the detected burst spike trains, without any arbitrary choices or any operator judgment. When the mean value of several successive inter-spike intervals is not larger than the parameter, a burst is identified. By this method, bursts can be automatically extracted from different bursting patterns of cultured neurons on multi-electrode arrays, as accurately as by visual inspection. Furthermore, significant changes of burst variables caused by electrical stimulus have been found in spontaneous activity of neuronal network. These suggest that the mean inter-spike interval method is robust for detecting changes in burst patterns and characteristics induced by environmental alterations.