江西桃红岭国家级自然保护区梅花鹿种群生存力分析

梅花鹿华南亚种(Cervus nipponkopschi)是我国Ⅰ级重点保护野生动物。目前仅分布于江西、浙江、安徽等狭窄的区域内,形成多个孤立种群。根据梅花鹿种群的相关参数,借助漩涡模型Vortex 9.99,以江西桃红岭国家级自然保护区梅花鹿种群为研究对象,对其梅花鹿种群在1983年后100 a内的动态及敏感性进行了模拟分析。模型结果表明,在自然情况下,该种群在100 a内灭绝概率为0。第1阶段(1983-1998年)种群数量从60只快速增长至226只,第2阶段(1998-2011年)种群数量从226只增长到341只,第3阶段(2011-2083年)种群数量维持在352只左右,年均增长率分别为9.25%、3.32%、0.04%。虽然高死亡率、灾害延缓了种群增长的速度,近亲繁殖导致近100 a内基因杂合率下降了7.46%,但这些因素并没有显著影响桃红岭梅花鹿种群近100 a内的命运。在不考虑其它条件的情况下,环境容纳量对梅花鹿种群遗传多样性损失具有明显的影响,是限制该梅花鹿种群发展的重要因素。因此,改善生境质量,提高环境容纳量是促进该梅花鹿种群增长的有效途径。有计划的火烧、植被矮化以及开辟生境走廊,可以有效地改善鹿类环境容纳量,是当前梅花鹿保护亟待开展的工作。同时,应进一步提高当地社区居民的保护意识,杜绝偷猎盗猎,降低人类生产经营活动对梅花鹿的影响。     

老岭自然保护区蕨类植物资源及其区系特点

于2002年,对河北省秦皇岛境内老岭自然保护区的蕨类植物资源进行了调查。结果表明：老岭自然保护区共有蕨类植物59种,隶属14科、23属。对该区蕨类植物种类与生境特点进行了描述,并分析了其区系特点。     

多元线性模型回归系数有偏估计的实现

指出文献［１］ 所讨论的多元线性模型回归系数的有偏估计方法在计算实现上存在的问题, 提出计算多元线性模型回归系数的岭估计迭代算法     

相依回归系统参数的一种有偏估计

对二个相依回归方程组成的线性系统,提出两种新的有偏估计广义岭型协方差改进估计和广义岭型两步协方差改进估计．讨论了这两种估计的优良性质,给出的这两种估计是岭型协方差改进估计和岭型两步协方差改进估计的推广．     

长春岭地区反转构造与油气成藏关系

依据最新处理的三维地震资料,对长春岭地区的反转构造展开了精细研究.根据该区的构造特征,识别出断层式反转构造和褶皱式反转构造两种典型的正反转构造类型,并进一步研究了反转构造对油气聚集的作用.认为长春岭地区的反转构造形成了有利于油气聚集的圈闭.同时,该区内反转构造具有十分有利的成藏条件.因此,开展长春岭地区反转构造的研究,对于下一步的油气勘探具有重要的意义.     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

江西九岭地区新元古代花岗岩地球化学特征、锆石U-Pb年龄及地质意义

为进一步分析总结江西九岭地区广泛分布的花岗岩成因及形成构造背景,通过对九岭岩体的岩石地球化学和LA-ICP-MS锆石U-Pb年代学研究表明,九岭岩体具过铝,富钾、铁,贫钠,Eu负异常,低Ba-Sr,高钾钙碱性系列等岩石地球化学特征,源区主要为地壳,并有少量地幔物质的加入;年龄为(808±2.2) Ma、(814±6) Ma、(817±7) Ma、(833±3.8) Ma,为新元古代花岗岩;通过与江南造山带区域年龄数据对比,认为九岭地区新元古代花岗岩可能形成于碰撞造山晚期的构造伸展阶段。     

马松岭铜矿区变火山-沉积岩系形成环境研究

在搜集前人相关测试数据,对龙门山中段马松岭矿区出露广泛的变火山岩及其准同期变辉绿岩、赋矿火山-沉积围岩进行补充采样和测试基础上,通过岩石地球化学研究,认为马松岭矿区变火山-沉积岩系主体为变岛弧钙碱系列,含少量变大洋岛碱性玄武岩和变正常沉积岩,形成环境为张裂岛弧;彭州式铜矿可能是在VMS型矿胚基础上经后期改造而成;与火山沉积岩系准同期的变辉绿岩为岛弧拉斑系列,因受到不断成熟的过渡壳物质混杂,而主体显高铝系列特征。     

条件广义岭估计及其诊断统计量

研究了带约束线性模型中回归参数的有偏估计及其数据删除模型中度量影响大小的诊断统计量.提出条件广义岭估计,给出它在不同模型中的关系式,利用Welsch-Kuh统计量和特征值的性质,推导出删除k组数据后度量拟合值影响的上确界.通过实例分析检验了诊断统计量的有效性.     

基于岭回归径向基神经网络的MIMU误差建模

对MEMS（Micro Electro Mechanical systems微电子机械系统）IMU（Inertial Measurement Unit惯性测量单元）的随机漂移和误差进行建模和补偿是提高捷联惯导系统性能的主要方法之一。为了避免径向基（RBF）神经网络输出之间可能存在的复共线性,更加准确有效的对MIMU的输出误差建模,提出将岭回归径向基神经网络用于MIMU的误差建模中。通过与时间序列建模方法的仿真比较表明,在对MIMU误差补偿上所建立的岭回归RBF网络与四阶AR模型方法精度相当,比一阶AR模型精度高,而且无需对数据平稳性处理。

Abstract：

It is one of the main methods to improve the performance of Strap-down Inertial Navigation System for compensating the random drift and bias of MEMS （Micro Electro Mechanical systems） IMU （Inertial Measurement Unit）. In order to eliminate latent multicollinearity of radial basis function neuron network output layer and model the drift and bias of MIMU accurately,the radial basis function neuron network based on ridge regression method was proposed which was applied in modeling and compensating MIMU errors. The simulation shows,compared to the AR model,the precision of compensation of MIMU error using radial basis function neuron network based on ridge regression method is equal to the fourth order AR model,better than first order AR model,and no data stabilization processing.