计算离散动力系统不稳定周期轨道的精英子空间差异演化算法

通过把探索周期轨道的问题转化为一个非负函数的极小化问题,基于空间收缩的思想,反复重新初始化种群以提高群体的差异性,提高对可行域探测的有效性,提出一类精英子空间差异演化算法求解不同类型非线性映射的不稳定周期轨道,对典型离散动力系统的初步仿真结果表明该算法是一种计算不稳定周期轨道的稳健有效算法.     

一种新的时变多径环境下OFDM系统参数选取方法

分别针对CP长度大于和小于最大多径时延两种情况，分析了由时变多径环境引入的ISI分量和子载波间干扰（ICI）分量，提出了“基于多径时延分布”选取CP长度进而确定子载波数的方法。计算机仿真验证充分说明了该方法的优越性，所得研究结论对于不同信道环境下的实际OFDM系统参数选择具有指导意义。     

关于QF环的一个新刻画

忠实平衡自正交双模是模类里的一种重要的研究对象．它广泛运用于倾斜模和余倾斜模理论及CM—环理论中．本文首先给出Noether环中Strong Nakayama Conjecture成立的一个条件．通过忠实平衡自正交双模的右极小内射分解给出了左Noether环模类的一个上生成子．最后用忠实平衡自正交双模的性质给出了QF环的一个新的刻画。     

完备凸度量空间中Ishikawa迭代序列强收敛到两个映射的公共不动点定理

在完备凸度量空间(X,ρ)中,设S、T是满足条件(A)或(B)的闭凸子集上的两个自映射,从两方面研究了映射S、T的公共不动点问题:1.如果映射S、T生成的Ishikawa迭代序列强收敛,则收敛点为S、T的公共不动点;2.如果S、T的公共不动点非空,则映射S、T生成的Ishikawa迭代序列强收敛到S、T的公共不动点.结论改善并推广了部分作者的相关结果[1~5],[7~8].     

广义特征值摄动问题的一种改进的通用方法

针对能同时处理孤立、相近及相重特征值3种不同情况的广义特征值摄动问题的通用方法，就正交规范化条件和特征向量的系数矩阵求法进行了改进。     

人载脂蛋白基因αpoAⅠ在毕赤氏酵母中的胞内表达

将PCR扩增得到的αpoAⅠ基因片段插入胞内表达质粒pPIC3．5K，重组的pPIC3．5K-αpoAⅠ用BglⅡ酶切后，转化Pichia pastoris GS115菌株，筛选获得G418高抗性转化子，再通过PCR鉴定证实口αpoAⅠ基因已整合到染色体上．其转化子经摇瓶发酵和甲醇诱导，收集细胞裂解后，用SDS-PAGE与Western blotting检测，证明胞内有明显的rApoAⅠ表达，其分子质量与人血浆提取的ApoAⅠ相同．     

基于核最小二乘回归子空间分割的高维小样本数据聚类

针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.     

半群Q(k)的极大正则子半带

设T(X)和O(X)分别是X上的全变换半群和保序全变换半群,Y是X的非空子集,令F(X,Y)={α∈T(X):Xα?Yα?Y},OF(X,Y)=O(X)∩F(X,Y).当Y=n≥4时,对任意的2≤k≤n-2,考虑半群Q(k)={α∈OF(X,Y):Im(α)≤k}的极大正则子半带的结构,利用Miller-Clifford定理,证明了半群Q(k)的极大正则子半带有且仅有两类:A(α)=Q(k-1)∪(J(k)\L_α),α∈J(k);B(β)=Q(k-1)∪(J(k)\R_β),β∈N(k).     

茶藨子属ITS2序列二级结构的预测和比较分析

目的:利用内转录间隔区2(ITS2)序列对茶藨子属30个物种进行分类鉴定.方法:利用Clustal W软件多序列比对分析从Genbank上下载的ITS2序列,通过MEGA7.0软件计算遗传距离(K2P),基于K2P模型构建邻接(NJ)聚类树,并用RNA Structure5.4软件分析各物种ITS2二级结构的差异.结果:从构建的聚类树可知,茶藨子属30个物种均聚为1大枝11个小分枝,说明茶藨子属是一个单系类群;根据ITS2的二级结构分析,该属所有物种都均具有相似的结构,说明了该属的特异性较强,同时也说明了ITS2序列分析适用于茶藨子属植物的分类鉴定,并在近缘物种间的系统学研究、物种的鉴定方面具有较大的应用潜力.     

改进的核极限学习机定位算法

针对神经网络无线定位方法,存在训练耗时长,定位结果易受噪声干扰的问题,提出了一种改进的核极限学习机无线定位算法。采取在同一位置进行多次测量的方法得到训练数据;把同一位置测得的数据划分为一个样本子空间并提取样本子空间的特征,以样本子空间的特征代替原来的训练数据;利用矩阵近似及矩阵扩展的相关理论改进核极限学习机算法;将处理过的训练数据利用改进的核极限学习机进行训练,得到定位预测模型。仿真结果表明,在相同数据集下,改进的核极限学习机训练用时短、定位速度快;在相同噪声干扰情况下,此算法定位预测误差小。经验证,该算法不但能提高网络的训练速度、定位速度,还能有效地降低噪声的干扰,提高定位精度。