积件思想在计算机辅助教学中的应用

根据当前教学课件的特点对其在教学中存在的一些弊端、缺点和局限性进行了阐述,同时,针对这些局限性,引入教学课件的一种新思想即积件思想,对积件在教学中的重要地位和作用做了自我意义上的阐述.讨论了由课件到积件的一系列的改变,并从两者的特点和性质作了进一步的对比,并提出一些建议.     

一类高阶微分算子积的自伴性

主要讨论了由正则和奇异的2n阶对称微分算式生成的微分算子的积算子的自伴性,利用微分算子理论和矩阵计算,得到了I(I=[a,b]或[a,∞))上的积算子L=L2L1是自伴算子的充分必要条件.     

利用调查数据中完全辅助信息的广义模型校正方法

推广了模型校正方法去估计总体和均值以外的总体参数.建议的模型校正估计可以处理任何线性或非线性的工作模型,且在线性模型的情形下变为广义回归估计.通过Kronecker积,可把模型校正方法用于估计双线性参数,特别地,去估计方差和协方差.     

关于Riccati方程的可积条件研究

目的 研究Riccati方程的可积性问题。方法 利用该方程在未知函数的线性变换下的不变量方法和初等积分法。结果 推广了该问题可积的一些原有结果，并给出了通解的参数表示式。结论 得到的可积充分条件是利用未知函数的线性变换来研究该方程可积性的一个一般性结果。     

非线性演化方程族的零曲率表示

利用泛函梯度,从一般的谱问题ψx=U(u,λ)ψ出发,通过直接计算,得到了两族非线性演化方程的零曲率表示。这种方法方便有效且对于其它非线性演化方程同样适用。     

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．     

神经网络的本质逼近阶

运用多元函数逼近工具, 对三层前向人工神经网络逼近连续和可积函数的本质逼近阶进行了定量研究. 证明了当激活函数满足一定条件时, 对任意的连续或可积函数, 能具体构造有明确隐层单元下界的三层网络使之对被逼近函数任意逼近. 给出该类神经网络逼近的上、下界估计和本质逼近阶估计, 刻画所构造网络的逼近性能与网络隐层拓扑结构之间的关系. 特别地, 当被逼近函数为二阶Lipschitz函数时, 所建立的神经网络其逼近速度完全取决于被逼近函数的光滑性. 所获结果对逼近连续或可积函数类的前向神经网络具体构造及逼近能力刻画有重要的理论指导意义.     

基于运算微积的Stokes第二问题起动过程的精确解

为研究Stokes第二问题的起动过程,利用运算微积得到了问题的精确解。在时间趋于无限长时,该解逼近Stokes第二问题的精确解。研究发现:空间每一点的速度从初始时刻的零值开始增大,达到第一峰值后开始减小并进入振荡状态;流动开始为非等幅振荡,随时间进程最终发展为稳定的等幅振荡。在近壁面处,第一峰值低于该处达到稳定等幅振荡后的幅值;在远壁面处,第一峰值高于该处的等幅振荡幅值;之间存在一个临界距离,该处的第一峰值与等幅振荡的幅值相等。此外,平板振荡频率越低,流场达到稳态振荡所需时间越长,临界距离越短。研究还给出了频率和临界距离的定量关系,发现两者的乘积为一常数。     

广义Burgers方程族的一类扩展可积模型

首先构造了loop代数A1的一个新的子代数,再将其扩展为一个高维的loop代数G,利用G设计了一个新的等谱问题,应用屠格式求出了名的Burgers方程族的一类扩展可积模型。     

Lebesgue积分与广义积分的关系

利用Lebesgue积分与Riemann积分的关系，给出了Lebesgue积分与广义积分之间的关系，并且具体展示了所得结果在计算函数的Lebesgue积分值和判别函数的Lebesgue可积性两方面的实用性。