“变截面管中跨声速气流”一文引理的证明

本文对T·P·Liu教授关于“变截面管中跨声速气流”一文的关键性引理给出一个清楚的证明,以使这篇有影响的开创性论文更加完美。     

用奇异摄动法设计线性二次型准最优直流控制系统

利用线性最优调节器理论可以设计出具有良好性能指标的晶闸管直流电机控制系统。这种设计方法优于传统的“双环系统”设计。然而,求解Riccati方程的计算量相当大。为寻求最佳加权Q阵,可能耗费许多时间。采用奇异摄动法设计准最优线性系统时,可以化高阶为低阶,从而简化计算工作量。本文利用奇异摄动理论设计了一个晶闸管直流电动机系统。已肯定本法适应于此类设计。本文还比较了不同设计方法所达到的动态性能。     

基于模糊C均值聚类的二维直流电阻率与射频大地电磁联合反演

为结合直流电阻率（direct current resistivity, DCR）与射频大地电磁（radio-magnetotelluric, RMT）法反演优势,开展了二维DCR与RMT数据联合反演研究。在经典最小结构模型正则化的基础上,采用平衡算子调节两个数据间的权重,引入模糊C均值（fuzzy C-means, FCM）聚类对电阻率模型进行约束,根据数据均方根误差自动调整FCM聚类项的权重,提高了联合反演效果。通过单独反演与联合反演结果的对比,分析了两种方法的反演能力,总结了联合反演的优势。模型试算表明,DCR与RMT数据联合反演得到的电阻率模型较单独反演更接近实际模型,FCM聚类约束的应用可进一步提高联合反演的效果。     

含MA误差的线性模型的经验似然推断

采用拟极大似然估计方法获得含MA误差的线性模型估计方程。为了能够使用经验似然方法,先利用鞅差序列将估计方程中的二次型转化为线性形式;再构造关于模型参数的经验似然比统计量,在一定假设条件下证明该统计量渐近服从卡方分布;模拟结果表明,在参数置信域的覆盖率方面,经验似然方法比参数似然方法更接近置信水平。     

基于两类循环码构造3-设计

信道编码理论中最热门的课题之一是利用组合设计和群论等数学知识构造新的循环码.由于循环码具有良好的代数结构,被广泛应用于工程和通信等领域.构造在F_7^m上两类循环码族,第一类码的参数为[q+1,q-7,d],其中d≥6,m≥2且为整数;第二类码参数为[q+1,8,q-9],其中m≥2且为整数.设q=7^m,由已给出的两类循环码的任意非零权重的码字的支撑集在一般射影线性群PGL(2,q)下是不变的,且一般射影线性群PGL(2,q)在射影直线PG(1,q)上的作用是3-传递的,从而可以验证对应的关联矩阵构造3-设计.     

地方高校高等数学课程学习成绩影响因素的统计分析——以滁州学院为例

为了进一步改善高等数学课程的教学效果,提高学生的数学素养,以地方应用型高校滁州学院为例,2018—2021年连续4年从学生、教师和学校3个维度基于高等数学课程的学习效果开展问卷调查;基于收集的样本数据,围绕学生学习的内生动力、外部因素、学校管理等多个维度,运用因子分析和线性回归分析方法,对学生学习高等数学课程成绩的影响因素进行统计分析,探索出了提高大学生高等数学课程学习成绩的有效方案。这为地方高校提高高等数学课程教学效果提供了一种途径和方法,可为相关的教学改革研究提供参考。     

含信号调制噪声和频率波动的时滞分数阶振子的随机共振

本文研究了含信号调制噪声和频率波动的小时滞线性分数阶振子的随机共振. 利用分数阶Shapiro-Loginov公式和Laplace变换技巧,本文首先推导了系统响应的一阶稳态矩和稳态响应振幅增益（Output Amplitude Gain, OAG）的解析表达式,然后讨论了分数阶、时滞及噪声参数对OAG的影响. 结果显示,各参数对OAG的影响均呈现出非单调变化的特点,表明系统出现广义随机共振. 特别地,分数阶与时滞的协同作用可能诱导随机共振的多样化,这就为在一定范围内调控随机共振提供了可能.     

多方向线性特征提取的模板构造及处理方法

常用的空域定向滤波模板方法具有较好的方向针对性,但是对于某些研究方向,如提取遥感图象线性特征等,常用的定向滤波模板不太适合,原因是它所提供的多个方向中,有重复多余的方向,因而模板方向就少得不足以全面反映被处理遥感图象的特点,不利于图象中线性特征的提取及模式识别。文章在常用的空域定向滤波模板基础上,对构造新的多方向和多尺寸的滤波模板,进行了有效的研究及详细的阐述。     

一般生长曲线模型中共同均值参数的线性估计的泛容许性

本文对于一般生长曲线模型中共同均值的线性估计的可容许性。     

线性非时变系统全响应的算子算法

在传统的算子理论基础上,建立了电路的算子模型,提出了求解线性非时变系统全响应的一种新方法。与传统的时域、复频域方法相比,此方法计算简便,物理意义明晰。