在多项式空间中full spark框架的构造

Hilbert空间中的full spark框架在框架理论中具有很好的性质—最大鲁棒性.本文所做的一个重要工作是将序列空间中的full spark框架推广到了函数空间中,先后构造出了一元n次多项式空间H_n(x)及m元n次多项式空间H_n(x_1,x_2,…,x_m)空间中的full spark框架,并举出了一些实例.     

定积分的三角Hermite插值小波算法

本文给出了一种求一般函数的定积分的小波方法.首先介绍了三角Hermite插值小波及其相关性质,利用三角Hermite型插值小波算子定义,推导出了求一般函数的定积分的计算公式,给出算例,结果表明此算法具有较高的精确度.     

北京市2014年大气污染物空间分布特征分析

基于地理信息系统ArcGIS 10.2平台,采用反距离权重空间插值模型对2014年北京市35个环境质量监测点监测到的主要大气污染物:一氧化碳(CO)、二氧化氮(NO2)、臭氧(O3)、可吸入颗粒物(PM10)、细颗粒物(PM2.5)和二氧化硫(SO2)质量浓度年均值的变化规律及空间分布特性进行了分析.结果表明,在质量浓度分布上,2014年北京市CO、NO2、SO2、O3、PM10、PM2.5这6类大气污染物的质量浓度分别位于1～3 mg/m3、17.22 ～ 105.4 μg/m3、14.27～25.75 μg/m3、27～ 81μg/m3、76 ～ 179 μg/m3、67 ～ 123 μg/m3范围内.由此可知,北京市2014年大气污染物年均质量浓度除PM10和PM2.5外的其余污染物质量浓度并不高,都在轻度污染范围之内;在空间分布上,除O3质量浓度空间分布上呈现出北高南低的特征外,其余污染物均呈现南部、中部质量浓度较高,北部地区质量浓度较低的特征.     

复指数多项式在Hardy空间中的完备性

对复指数多项式在Bamch空间Hpa(1≤ρ≤2)中的完备性给出了充要条件,其中Hρa为开半带形Ia={z=x iy:x＞0,│y│＜a}(a＞0)中的Hardy空间.     

涉及微分多项式的全纯函数的正规性

通过研究全纯函数族的正规性,给出了一个一般性的正规定则,改进了李江涛和仪洪勋的结果.设F为区域D上的全纯函数族,k为正整数,并令a(z),b(z)≠0,c(z)≠0为D上解析函数.若对(∨)f∈F,f的零点重级至少为k,且f(z)=0(→)P(f)(k) H(k) H(f,f′,…,(f(k)))=a(z),P(f(k)) H(f,f′,…,f(k)))=b(z)(→)f(z)=c(z).则F在D上正规.     

基于分段多项式的RF功放预失真线性化新方法

为补偿RF功率放大器的非线性失真,提出一种新的基于分段多项式的自适应数字预失真方法,使用多个直角坐标形式的低阶奇次多项式设计预失真器.分析多种自适应数字预失真方法的计算复杂度,通过Matlab软件仿真它们的收敛速度和线性化效果.该方法计算复杂度低,易于实现.仿真结果表明,该方法收敛速度快,且具有良好的抑制频谱扩展的线性化性能.     

一类模式演化方程的全局吸引子及其维数估计

研究了一类源自模式演化问题的非线性发展方程所产生的动力系统,并考虑了其全局吸引子的存在性及维数估计问题.这类模式演化方程与化学反应和火焰燃烧有密切关系,因此具有重要的物理背景,而且因为它含有关于空间变量的四阶微分算子,还具有重要的理论价值.借助插值不等式以及sobolev嵌入定理,可以进行一系列精细的估计,最终根据一个经典的结果,证明了在维数不超过三维的空间中的有界集合上,系统的全局吸引子存在.进一步应用Sobolev-Lieb-Thirring不等式进行估计,可以得到全局吸引子的分形维数的界.     

一类混杂构形的特征多项式

研究了一类由超平面和球面所构成的特殊的混杂构形,讨论了混杂构形的相交集的交半格以及混杂构形与原超平面构形的Mbius函数之间的关系,接着推广到多于一个球面的较为复杂的混杂构形,最后给出了混杂构形的特征多项式和房的计算公式。     

一种时空权重和边缘自适应的扫描格式转换

为实现隔行扫描到逐行扫描的视频扫描格式转换,提出了一种时空权重和边缘自适应的去隔行算法,主要包括运动估计、小角度边缘搜索、时空权重计算、自适应插值等。该算法通过4场相邻像素的最大灰度变化与运动阈值比较实现对当前像素的运动估计,采用自适应搜索半径和并行搜索树的方法实现小角度边缘检测,并且增加对半像素边缘的考虑实现最小6°边缘的检测,最后通过时空权重自适应的插值算法实现去隔行处理,取得很好的处理效果。     

基于组合模型的建筑物沉降预测

以上海某建筑物沉降观测数据[1]为依据,构建一种新的组合预测模型,并对沉降数据进行预测,将预测结果与前人单项模型预测结果进行对比,结果表明组合预测模型预测结果要明显优于单项模型。