Banach格上的序连续范数算子

根据Banach格上的序连续范数算子的等价定义,在定理(I)的基础上,进一步得出了在某些Banach格上序连续范数算子、L-弱紧算子及M-弱紧算子的一致性．同时认为序连续范数算子的对偶算子也是序连续范数算子．从而系统地阐述了L-弱紧算子、M-弱紧算子、序连续范数算子及其对偶算子之间的本质联系。     

钢铁企业合同匹配多目标优化模型与算法

针对钢铁企业中存在的合同对库存余材的优化匹配问题,建立了实现余材利用量最大化和匹配损失费用最小化的多目标0-1规划模型·采用模糊决策方法处理两个目标函数,尝试基于群体的增量学习(Population BasedIncreasedLearning,简称PBIL)算法进行求解·结合模型的特点,利用自然数编码表示合同的匹配结果,按照学习概率大小修复不可行个体·通过对应用实例的计算,以及与遗传算法结果的比较,证明该模型和算法是解决合同优化匹配问题较为理想的方式·     

Menger PN 空间上的半有界算子

对Menger PN 空间上的线性算子引入β-半有界, β-半开及β-半闭等概念,讨论了它们间的关系,并在较弱的t-模条件下建立了半开射定理,半闭图定理和半有界逆定理.     

闭值域算子和框架的扰动

研究了B(H)上的闭值域算子的扰动问题,并把结果推广到框架理论.证明了当{fi}∞i＝1分别是H上的Bessel序列、框架或Riesz基,{gi}∞i＝1是一个序列,且{fi}∞i＝1和{gi}∞i＝1满足一定条件时,{gi}∞i＝1也分别是H上的Bessel序列、框架或Riesz基.     

时序Rough逻辑及其在数据分析中的应用

提出一种时序Rough逻辑,定义了时序算子及其作用于Rough逻辑公式上的意义．描述了这种逻辑的语法和语义．论述了时序Rough逻辑中的语义模型是一个无限状态序列,其中每一状态都描述了当前时刻和场景点上信息系统的信息．从当前状态到下一状态的变换是遵循时序Rough逻辑演算的,它必须保持知识不变,也就是属性和讨论的对象不变,而属性关于对象的特征值,即属性值随着时间和场景变化而可以变化．因此。在信息系统上作决策、数据约简和信息粒化等都将产生影响,由此可见时序Rough逻辑将是动态地处理信息系统的理论工具,也将是合理地解决和处理不一致信息表的较好方法．     

模糊蕴涵算子及其构造(Ⅱ)--模糊蕴涵算子的伴随对及其圈乘算子

验证了15个有可能存在伴随对的模糊蕴涵算子的保存在交性质,结果表明它们都满足保存在交性质.求出了这15个模糊蕴涵算子的伴随对,得到了14个模糊蕴涵算子.给出了一种构造模糊蕴涵算子的方法,并求出了在这种构造方法下,由46个模糊蕴涵算子构造得到的模糊蕴涵算子及这46个模糊蕴涵算子的圈乘算子,共构造出89个模糊蕴涵算子.     

多线性分数次积分的加权Lipschitz估计

讨论一类带粗糙核的多线性分数次积分和相关极大算子,给出当DγA属于Lipschitz类时,它们的A(p,q)权有界性和p=1时的弱型幂权估计,包含端点的情形.     

应用无性繁殖单亲遗传算法实现精馏分离序列优化综合

由于精馏分离序列与二叉树之间具有同构性,在数据结构上精馏分离序列可以抽象为二叉树,直接采用二叉树结构编码方案可以同时表达个体的基因型和表现型．借鉴生物界单亲父本可以经过无性繁殖得到子代的现象,对进化和遗传等重组算子进行设计．应用图论方法建立有效的二叉树结构演化重组机制,从而形成无性繁殖单亲交叉和变异算子．实例表明无性繁殖单亲遗传算法能够成功解算大规模精馏分离序列优化综合问题．     

Dirichlet空间上的Toeplitz算子组的Fredholm谱表示及凸性

首先讨论了Dirichlet空间上Toeplitz算子组Fredholm谱的表示,证明了:当φi∈H∞1(D) C1()(i=1,2,...,n)时,(Tφ1,Tφ2,…,Tφn)的右Fredholm谱SP, re(Tφ1,Tφ2,…,Tφn)与Fredholm谱SP, e(Tφ1,Tφ2,…,Tφn)相同;当φi∈C1()(i=1,2,...,n)时,(Tφ1,Tφ2,…,Tφn)的左Fredholm谱 SP, le(Tφ1,Tφ2,…,Tφn)与Fredholm谱SP, e(Tφ1,Tφ2,…,Tφn)相同.然后讨论了Dirichlet空间上Toeplitz算子与算子组的凸性问题.证明了乘法算子Mz是非凸型的,这与Hardy, Bergman空间上所有乘法算子都是凸型算子不同.也证明了:T=(Tz,Tz2)不是联合凸型算子;若φi∈H∞1(D) (i=1,2,…, n),则W(Tφ1,Tφ2,…,Tφn)是凸集.本文还给出了一个一般性的结论:假定H为Hilbert空间,T∈B(H)为一个有界线性算子,当n=2m时有σ(Tm,Tn)={(λm,λn)λ∈σ(T)}.     

一种基于形态分量的多聚焦图像融合算法

提出一种基于形态分量思想的多聚焦图像融合算法。该方法首先对源图像迭代分解,将其分解为低频和高频两个分量,并用curvelet变换表示低频分量,然后,对低频分量采用高斯差分算子定义图像点的特征活跃度和融合规则,对高频分量的细节特征度量采用加权梯度差的方法来衡量和融合。仿真实验在四组多聚焦图像中进行,除了与传统的图像融合算法做比较外,还与系数绝对值最大法的融合算法进行比较。实验结果表明:该方法在平均梯度、空间频率、信息熵等指标上优于传统的图像融合方法,同时也优于基于系数绝对值最大法的融合规则。