任意变速参考系中K-G方程的解析解

１９８７年,唐智明通过严格求解Ｅｉｎｓｔｅｉｎ场方程得到一个任意变速参考系的度规。１９９１年,作者采用该度规导出了相应的Ｋ－Ｇ方程,进行了分离变量,讨论了匀加速参考中Ｋ－Ｇ方程的解。采用微分方程理论中求特征线的方法成功地将Ｋ－Ｇ方程化成标准的Ｌａｐｌａｃｅ双曲线方程,并求出方程的解析解。     

应用K4b2心肺功能测定仪对日常体力活动能量消耗的测定

应用K4b2心肺功能测定仪对日常体力活动的能量消耗进行现场测定,以期为我国体力活动指南的制定提供基础资料。选取23名北医青年学生作为受试者,其中男11名,女12名,应用K4b2心肺功能测定仪对受试者在静息、慢走(3km/h)、快走(6km/h)、慢跑(8km/h)、骑自行车(12km/h)状态下的能量消耗进行测定。各项体力活动的能量消耗及代谢当量由大到小排列,依次为慢跑((6.26±1.22)kcal.kg-1.h-1,6.0MET)、骑自行车((4.30±0.67)kcal.kg-1.h-1,4.2MET)、快走((3.75±0.73)kcal.kg-1.h-1,3.6MET)、慢走((1.24±0.26)kcal.kg-1.h-1,1.2MET)、静息((1.08±0.24)kcal.kg-1.h-1,1.0MET),按照体力活动强度分级,属于中低强度体力活动。慢走、快走、慢跑、骑自行车等日常体力活动适于在中国人群中推广。     

3种芦荟多糖体外抗肿瘤作用的比较研究

比较研究了3种芦荟多糖的体外抗肿瘤药效.采用体外培养法培养细胞,MTT比色法观察3种芦荟多糖在7个质量浓度下对Hela、K562和A973细胞株的体外直接作用.结果,随着芦荟多糖质量浓度的增加,对3种肿瘤细胞的抑制作用不断增强.经计算,对于Hela、K562和A9733种人体肿瘤细胞,库拉索芦荟多糖的IC50分别为183 40、170 26和151 12Qg/mL;木立芦荟多糖的IC50分别为191 18、125 44和49 01欤?mL;中国芦荟多糖的IC50分别为78 79、138 02和114 48欤?mL,均高于10嚕?mL.倒置显微镜下观察发现,除200、400嚕?mL两剂量外,给药后各孔细胞形态良好,与空白对照组比较无明显变化.以上结果提示3种芦荟多糖对上述3种瘤细胞直接作用较弱.     

多类分类模式识别系统一致性信度的研究与应用

运用模式识别和数理统计的基本原理。研究了多类分类模式识别系统识别的K指标评鉴标准．通过构造一个分类结果的统计量,分析了K指标的点估计、区间估计的计算方法。给出由指标K的点估计值、区间估计优化分类参数的算法,提出一种优化过程的统计学习方法．     

确定性信号的Poisson过程与局部平均采样逼近

用新的Ditzian光滑模和统一的新型K泛函导出了利用Poisson过程及局部平均采样定义的Szasz-Kantorovich算子逼近确定性信号的强逆不等式,进而给出了[0,∞）上的有界连续函数的光滑性与Szasz—Kantorovich算子逼近误差的渐近关系．     

五元体系Li+,K+//Cl-,B4O2-7,CO2-3-H2O在298 K时相平衡的实验研究

采用等温溶解平衡法研究了五元体系Li+,K+//Cl-,B4O2-7,CO2-3-H2O在298 K时相关系和平衡液相物化性质。对各组分的溶解度以及密度、折光率、粘度、电导率和pH值进行了测定,并绘制了相关相图,得到5个结晶相区和3个共饱点。该体系没有固溶体和复盐生成,为简单共饱和型体系。     

基于ART理论的自组织神经网络模型在水资源分类中的应用

BP和RBF神经网络技术以其强大的学习功能应用于水资源分类,取得了很好的效果。但当不具备已知样本时,以上技术很难应用。提出了可塑性较强、无监督的A－K网络模型,阐述了其基本原理和算法,并将其用于水文水资源研究领域中。实例表明,该方法能较理想地解决已知样本的分类问题,具有良好的应用前景。     

复射影空间中的紧致全实伪脐子流形

给出复射影空间中紧致全实伪脐子流形的几个内蕴刚性定理，并推广和改进了复射影空间中紧致全实极小流形的一些结果．     

一种新的K均值挖掘的隐私保护算法

对隐私保护数据挖掘算法进行了深入研究和分析。总结出目前研究的缺点,提出了一种新的K均值数据挖掘的隐私保护算法,通过与已有隐私保护算法的比较,在保证不减少隐私强度的情况下,提高了挖掘的精度。     

量子K最近邻算法

为减少经典K最近邻算法的时间复杂度,提出了量子K最近邻算法(QKNN)。介绍了QKNN算法的构造步骤,然后为减少量子计数子程序的运行时间,进一步将固定的K值修改为可变的k,形成改进的k可变的量子最近邻算法(QkvNN)。为弥补由于最近邻个数K变化带来的分类错误率上升的影响,在Boosting算法框架下,用三个由QkvNN算法训练的弱分类器,去构造了一个强分类器,从而提高单独运行QkvNN的分类精度。在此算法中,由于利用了量子计算的强大能力,使得经典K最近邻算法的时间复杂度从O(N)减小为O(N)。