二草酸根二氧钒酸铵配合物在氢气中热分解机理研究

用程序升温气相色谱法，配合ＥＳＲ，ＩＲ等手段，研究了二草酸根二氧钒酸铵配合物在氢气气氛中的热分解机理，并讨论了负载型体系中，载体（γ－Ａｌ２Ｏ３、ＳｉＯ２、ＭｇＯ）对配合物热分解的影响．     

用子波变换分析方法实时监测视觉诱发电位的潜伏期

诱发电位的实时监测在临床中有重要意义。本文提出利用多分辨率子波分析技术来实时监测视觉诱发电位的潜伏期。为克服随机噪声的影响，我们引入相邻响应的相关系数来修正所检测得的潜伏期的偏移，并应用前一次响应的波峰位置来决定当前的搜寻范围。实验表明，本方法能实时监测视觉诱发电位的潜伏期。     

神经网络训练的分解重组算法

本文介绍了把线性不可分问题分解为一系列线性可分子问题、对线性不可分问题进行求解的网络分解重组算法．还证明了该算法的收敛性．实例研究表明：该算法不仅可以得到神经网络的隐层空间目标和隐层单元数，而且提高了对线性不可分问题的求解速度，因此是一个非常有效的神经网络训练算法．     

Lanczos算法误差估计的若干问题

设Ａ为ｎＸｎ实对称矩阵，对于给定的ｊ个线性无关列向量组成的ｎ×ｊ实矩阵Ｑ，对任意ｊ×ｊ实矩阵Ｔ，记Ｒ（Ｔ）＝ＡＱ－ＱＴ。本文给出ｊ×ｊ实矩陈Ｈ，使｜｜Ｒ（Ｈ），并证明当Ｔ取矩阵Ｈ时，文献［１］中Ｐ．１２２定理４．１０的“”可以改变成“１”。     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

基于小波变换的能量和方差分析图像压缩方法

在对图像进行小波包分解的基础上实现图像压缩.根据小波系数的分布特点严格推导得出:可以用能量和方差作为衡量小波系数重要性的标准,并据此对系数矩阵块进行选择分组,自适应地进行量化,而且不同的量化方式可以共用码表;对低频部分扰动足够小的区域取均值,结合提出的存储方法,在不引入误差的情况下减少了编码负担,在保证图像质量的同时有效提高了压缩比.     

几种铈盐的热分解过程及非等温热分解动力学研究

利用TG—DTG—DTA热分析技术研究了二水合碳酸亚铈、九水合草酸亚铈、六水合硝酸亚铈三种铈盐的热分解过程．发现二水合碳酸亚铈在75-180℃下脱去2mol水生成无水碳酸亚铈，后者在220—300℃下分解脱去CO2生成CeO2；九水合草酸亚铈在100-180℃下脱去9mol水生成无水草酸亚铈，后者在290—380℃下分解并同时脱去CO和CO2生成CeO2；而六水合硝酸亚铈在60—80℃下首先脱去3．5mol水生成含2．5个结晶水的硝酸亚铈，后者在190-250℃下脱去2．5mol结晶水生成无水硝酸亚铈，在258—310℃下硝酸亚铈热分解脱去NO2和O2并生成CeO2．采用外推法研究了九水合草酸亚铈两步热分解过程的动力学，由不同升温速率下的热分析曲线及外推β→0获得了相应的固相热分解反应所遵循的分解机理及动力学参数．发现九水合草酸亚铈脱水过程遵循球形对称的三维扩散机理，即Jander方程G（α）=G（α）=[1-（1-α）^1/3]^2，动力学参数E=180．9kJ／mol、lnA=63．5s^-1；而脱CO和CO2过程遵循成核和生长机理，即Avrami-Erofeev方程G（α）=[-ln（1-α）]^1/1.5，动力学参数E=115．4kJ／mol，lnA=22．0s^-1．     

粒度的分解与复合

文章定义了基于等价关系的粒度的概念,从整体上给出了粒度的分解和合成的统一方法.利用这个方法可以描述和区分信息系统中的元素.     

完备格上的拟-t-模及蕴涵算子的直积和直积分解

进一步讨论完备格上的拟t-模与剩余蕴涵算子,研究了它们的直积与直积分解,最终得到了直积分解的充要条件,解决了一个关于模与蕴涵算子的直积分解问题.     

多维动态模糊数据的分解模型研究

对多维数据的研究最大困难在于其数据量十分庞大,数据规模的单纯扩大,往往导致系统的复杂性成倍增加,而且在研究中发现,存在着大量具有“多维性”、“动态性”和“模糊性”的数据.对此,该文基于动态模糊理论,提出了多维动态模糊数据的分解模型,该模型的建立,为人们用计算机处理这类问题提供了理论依据.