组合数丢番图方程[2x]=[4y]的正解

运用递推序列法，给出组合数丢番图方程[x2]=[y4]的一个初等解法．     

基于Mbius带的数字图像置乱

利用M bius带提出了一种数字图像置乱方法,在置乱过程中采用了由离散Logistic映射系统生成的密钥混沌序列.该置乱方法在位置空间进行,具有随机性和变化的多样性.讨论了加密算法的安全性和效率等问题,并给出了实验结果.     

非汉字符号"混合序列的强大数律

讨论了一类较广泛的~混合序列的收敛性质,获得了与独立情形一样的三级数定理等收敛性质,并由此得到与独立情形一样的Kolmogov强大数律的充分条件.     

变换域时间序列相似性搜索

在时间序列的研究中,经常需要计算二个序列的相似程度.由于序列变化的多样性和复杂性,结果通常不能很好地满足要求.采用变换法则对时间序列进行从时域到频域的转换,再将转换后的数据按照一定的规则变换成字符序列;利用求最长公共子序列的方法计算二个序列的匹配度,实现时间序列的相似性搜索.     

变量核Marcinkiewicz积分交换子在弱Herz空间上的有界性

研究带变量核的Marcinkiewicz积分与Lipschitz函数生成的交换子μ_Ω~b的有界性,应用原子分解理论及核函数Ω的性质,证明了μ_Ω~b是Herz型Hardy空间到弱Herz空间上的有界算子.     

4株水果采后链格孢属真菌的rDNA ITS区序列与碳源代谢指纹图谱差异性分析

从采后贮藏过程中发病的冬枣、樱桃、杏及蓝莓果实中分离到4株丝状病原真菌231#、320#、322#和333#。由形态学特征观察可确定4株病原菌均为链格孢属真菌(Alternaria Nees),rDNA ITS区序列进化树分析结果表明樱桃320#和杏322#与A. alternata (AY625056.1)处于同一分枝,置信度达100%;而蓝莓333#与A. tenuissima (KP324980.1)处于同一分枝,冬枣231#与蓝莓333#和A. tenuissima (KP324980.1)的亲缘性很近,在同一分支上的置信度达100%。对95种碳源的代谢指纹图谱分析的结果表明,4株链格孢属真菌对吐温80、N-乙酰-D-葡萄糖胺、N-乙酰-β-D-甘露糖胺等86种碳源的代谢特征相同,包括78种最适碳源和8种不可利用碳源,其中冬枣231#与A. alternata (Fr.) Keissl的代谢指纹图谱最为相近。4株链格孢属真菌的ITS区序列系统进化树分类与碳源代谢聚类分析结果存在一定差异。     

强度、刚度与模态约束下的FSC赛车车架轻量化

研究了在满足频率、强度、刚度约束的前提下,通过尺寸优化实现中国大学生方程式大赛(FSC)赛车车架的轻量化设计.首先,根据FSC规则要求建立车架的有限元模型.其次,设置5种静态特性分析工况、5个重要部位的刚度分析工况与前六阶自由模态分析工况对车架结构进行性能分析,构建以质量响应最小为优化目标,以材料的许用应力、重要部位的许用刚度和发动机的激振频率为约束条件,以车架管厚为设计变量的尺寸优化模型.最后,通过序列线性规划对非线性优化模型进行近似求解,取得了良好的轻量化效果:FSC赛车车架降重5.34kg,减重15.7%.     

基于超螺旋精度提升机制的OFDM网络信道噪声消除算法

为解决当前OFDM网络信道噪声消除算法难以规避信道中的窄带莱斯噪声,且抗信道衰落能力不强,以及信道间普遍存在严重的频率干涉问题,提出了一种基于超螺旋精度提升机制的OFDM网络信道噪声消除算法.首先,根据各个传输子信道具有差异化的频率载波特性,将传输子信道等价为接收背景中的接收点,从而构建了超螺旋接收结构,有效消除不同传输子信道间存在的频率干扰特性,降低信道窄带莱斯噪声对信号预发射过程的衰落影响;随后,基于角度识别方式进行锐-钝识别,并结合拐点思想,采用序列重排技术,将待发射信号进行消波处理,并进行自旋精度提升,从而提高了其抗窄带莱斯噪声的性能.仿真实验表明:与常见的超高频精度自适应机制(UHF adaptive,UHFA)、共线度自旋精度提升机制(the degree of accuracy of collinear spin,DACS)相比,本文算法与理想状态下的OFDM功率谱密度曲线最为接近,具有更高的信号增益水平与更低的信道误码率.     

拟双曲一致域与弱拟对称映射

根据拟双曲一致域和拟对称映射的基本性质,利用拟双曲度量作为研究的重要工具,主要讨论了度量空间中拟双曲一致域的几何性质,同时刻画了拟双曲一致域在弱拟对称映射下仍然是保持不变的.     

降低OFDM系统复杂度的改进SLM算法

为了降低正交频分复用(OFDM)系统中传统选择性映射(SLM)算法的计算复杂度,提高系统的频谱利用效率,提出了基于转换向量(conversion vectors)与随机筛选序列(random selection sequences)相结合的选择性映射(CR-SLM)算法.CR-SLM算法是将原始信号序列等分,然后对于数据序列的前半部分与转换向量相乘进行循环卷积,对于数据序列后半部分进行随机序列筛选,筛选出最优序列.最后将两部分输出序列合并生成候选序列,筛选出最优序列进行传输.仿真结果表明:CR-SLM算法在保持与传统SLM 算法PAPR性能相近的情况下,较大幅度降低了计算复杂度.