色噪声作用下亚稳态的存活概率与存活时间

建立了Ornstein-Uhlenbeck（OU）色噪声驱动粒子的逆 Kramers问题,即粒子初始处于亚稳态势阱外部,在噪声的作用下进入势阱,受左侧反射边界的影响粒子最终逃出势阱的过程．通过比较粒子在倒谐振子势场下的通过概率与粒子在亚稳态势阱中的存活概率发现:粒子在势阱中的存活概率在长时极限下趋于零且最大值比在倒 谐 振 子 势 场 中 的通过概率的稳定值小．利用蒙特卡罗模拟计算得出粒子在势阱中的存活时间随粒子的初速度、噪声的关联时间均呈非单调变化,且存在使存活时间最长的参数,称之为“最佳初速度”以及“最佳关联时间”．      

三角网格上的矩阵值有理插值

借助于Sam elson 型矩阵广义逆,构造了三角网格上的矩阵值有理插值,其表现形式为Thiele型二元连分式.矩阵有理插值的等价性、特征性和唯一性得到了证明.     

矩阵的广义逆与正交投影

讨论了矩阵的广义逆在正交投影中的应用 ,给出了一个向量在仿射空间S ={x∈Rn|Ax =b}的投影表达式 .     

存在阵列误差条件下的目标二维参数估计

提出了一种针对均匀线阵中互耦误差、阵元幅相误差和位置误差存在情况下的多个目标高分辨方向 -多普勒频率二维估计的方法 .这一方法采用旋转不变技术 ,在参量估计过程中只需将阵列天线旋转两次 ,即可对目标方向 -多普勒频率作较精确的估计 ,同时精确地估计出互耦矩阵和各阵元的幅度、相位以及位置因子 ,从而可校正综合误差存在情况下的阵列流形 .最后 ,进行了计算机模拟 .     

关于广义逆符号唯一阵的三角分块形式

文献《Matricesofsign-solvablelinearsystems》给出了项秩为n的m×n矩阵A为广义逆符号唯一阵的一些刻画,并提出了在特定的三角分块形式下,A     

逆演绎的学习算法研究

针对传统归纳学习的困难,提出一种新的逆演绎的学习算法.从学习任务、模式声明和启发信息角度出发,研究逆演绎学习算法相关的逆演绎规则、格结构和状态算子等核心问题,并利用逆演绎的学习算法实现了学习推理系统.该算法包括最特殊子句构造、状态空间搜索和覆盖集计算3个模块;以最泛化子句为顶结点、最特殊子句为底结点、其他为中间结点,通过状态算子构建格结构的状态空间,在压缩引导的启发信息下,类A＊算法完成状态空间搜索,得到压缩最大的正例结点或反例结点;再利用覆盖集算法不断进行覆盖正例去除反例的操作,计算出经剪枝和压缩的最优子句;重复计算的最大压缩率的假设,便是搜索出的关系,也是需要学习的结果.算法测试结果表明,逆演绎的学习算法可产生泛化能力很强的规则,是可行及有效的.     

双圈均匀圆阵互耦和位置误差的联合校正

针对互耦误差和位置误差同时存在的情况,提出一种联合校正的方法.首先,算法设置2个辅助阵元,运用四阶累积量来扩展误差阵列,构造旋转不变子空间算法所需的旋转不变矩阵束,以满足多个辅助信源的高精度测角要求;然后,将估计出的辅助信源方位角作为已知值,通过轮换迭代解耦互耦误差和位置误差.本算法运用了双圈圆阵的阵列结构,降低了搜索维数.仿真结果表明本算法测角精度高、校正效果好.     

一维有限元空间中逆估计式的常数界定

讨论了一维n（n∈N）次有限元空间中逆估计不等式中右端常数因子的界定问题,利用Lagrange提出的求条件极值的方法与工具Matlab,给出了n（n∈N）次有限元空间中逆估计式中常数因子的下确界的一种通用求法,最后我们得到一些结果：C1=√12,C2=√60≈7.7460, C3≈13.0432,,C4≈19.4996。     

基于RBF神经网络的天线阵方向图建模

介绍了径向基函数(Radial Basis Function,RBF)神经网络对阵列天线方向图进行建模的方法,并基于MATLAB仿真平台对由对称振子构成的二元阵、N元边射阵等多种阵列天线进行建模,所有的训练数据是由经典公式计算所得.仿真结果表明经过训练的RBF神经网络可有效地用于阵列天线方向图建模,为天线分析与设计提供很好的帮助.     

Bayes DLM 递推方程中未知参数分布假定的理论证明

贝叶斯动态线性模型（简称为ＢａｙｅｓＤＬＭ）是一种特殊的预测方法,它以一个动态方程组和先验信息为基础,通过一组递推修正方程预测指标的变化情况。本文给出递推修正方程的一个假定前提的理论证明,从而说明ＢａｙｅｓＤＬＭ的合理性和严密性