轴测图中的对称现象及其应用

对正等测、二测和三测图的对称现象进行了探讨和分析,得出了三种轴测图中图形对称存在的条件.并列举了应用这些条件绘制对称图形的实例.     

噁唑硼烷催化酮砜不对称还原的半经验方法研究

对噁唑硼烷催化前手性酮砜不对称还原反应进行了半经验MNDO研究.结果表明,该不对称还原反应是放热的,反应的手性控制步骤是氢从BH3向酮羰基碳的转移,氢转移反应通过一个六元环过渡态完成,是不可逆的.     

输运理论中原子核初始化研究

基于同位旋相关的量子分子动力学(IQMD)输运理论模型,研究中能重离子碰撞的初始化问题。成功的初始化可以很好地减少碰撞过程中出现的非物理涨落和虚粒子发射,有利于两体碰撞过程顺利进行。计算发现,不同的对称势对原子核的稳定性有一定的影响。选取不同质量数的Fe,Kr,Sn元素及其同位素,通过其在自身平均场中随时间的演化来验证原子核的稳定性,统计出初始化稳定原子核的数量,选取出最为稳定的对称势。发现平方项的对称势U₂最为稳定,其对应的斜率L、不可压缩系数K_sym都在已知的约束范围内,表现出同位旋相关平均场取硬势时,原子核更为稳定的特征。     

基于VaR约束不允许卖空的均值-方差投资组合优化

提出基于风险价值(VaR)约束且不允许卖空的均值-方差投资组合模型,结合序列二次规划方法和不等式组的旋转算法,计算出不同最低收益率所对应的最优投资策略。采用实例验证了上述算法的有效性,并证明在一定条件下,引入VaR约束条件可以降低投资风险。     

基于模糊AHP 的道路选优评价方法研究

针对一般层次分析法标度繁琐、判断矩阵一致性难以达到的不足，采用了模糊层次分析法(FAHP)并结合物资供应道路选优这一课题，为道路选优评价中各指标权值的确定提供了一种新方法。     

不对称信息下差异化补贴对新能源汽车供应链影响研究

目的 研究一个制造商和一个加盟店组成的新能源汽车供应链,考虑制造商成本信息不对称时,政府差异化补贴对新能源汽车供应链的影响问题。方法 运用博弈理论建立制造商和加盟店之间的委托代理模型,设计加盟店销售契约,采用运筹学非线性优化方法对模型进行求解,分析不对称信息和政府补贴对供应链参与者的影响、政府补贴对信息价值的叠加影响,并给出了数值算例。结果 差异化补贴总能激励制造商提高产品绿色度水平与绿色生产效率,实现加盟店利润增长;信息不对称会导致加盟店的利润损失,只有当生产效率较高时,制造商才能从不对称信息中获得信息租金;低成本类型制造商始终只能获得保留利润。无论效率高与低,补贴总会进一步加剧加盟店的信息劣势;制造商生产效率较高时,供应链内部利润实现转移而整体效益不会受损,进而规避不对称信息带来的不利影响。补贴会进一步加大不对称信息对供应链的影响,而且会随着制造商绿色生产效率的高低发生变化。结论 差异化补贴能激励加盟店与绿色生产效率高的汽车制造商合作,进而推动新能源汽车产业可持续发展与转型升级;不对称信息对制造商及加盟店的收益会产生影响,补贴不仅能扩大高效率制造商的信息优势,而且对信息价值具有叠加...     

模态测试不确定性影响因素分析及传感器布置应用

模态测试结果的准确性会受测试数据采集、数据处理、建模假设和参数估计等不确定性因素的影响. 为研究模态测试中模态参数的不确定性水平及不同影响因素对其的影响规律,本文采用状态空间模型和费希尔信息矩阵的快速模态参数不确定性分析方法,探讨包括振动信号的采样时长、采样频率、采样信噪比和结构的阻尼比等多种因素对模态参数不确定性水平的影响,同时提出利用模态参数不确定性水平来优化传感器布置策略的实用性建议. 结果表明：模态参数的不确定性水平随采样时长、采样频率、信噪比和传感器数量的增加而降低,随结构阻尼比的增大而升高;对于均匀分布结构,多数传感器布置在结构顶部和中上部,少数布置在中下部时,模态参数的整体不确定性水平较低,是一种相对较优的传感器布置方案.     

区域公用品牌认证对中国食品出口上市公司价格加成的影响——基于多期双重差分模型的实证研究

基于2008—2022年中国上市公司数据,构建多时点双重差分模型,实证检验区域公用品牌认证对中国食品出口企业价格加成的影响效应及作用机制。研究表明：区域公用品牌认证显著提升了中国食品出口上市公司的价格加成;对价格加成的提升作用呈现异质性。对于产品异质性更高的行业以及宣传水平更低的企业而言,区域公用品牌认证导致食品行业出口上市公司价格加成率增加更多。从质量信息不对称视角出发,为发挥区域公用品牌对农业企业出口绩效和产品竞争力的提升作用、提高企业出口利润水平、实现农业高质量发展提供了新证据。     

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。     

次中紧空间与遗传次中紧空间

证明了X是次中紧空间当且仅当X的每个散射分解有一个θ-cf-开膨胀;空间X的每个散射分解有一个θ-cf-开膨胀,则X是遗传次中紧的,反之不一定成立且给出一个反例。最后给出了次中紧空间的一个相关结论。