变时滞多维Lotka-Volterra竞争差分系统正周期解的存在性

研究了具有变时滞多物种的离散竞争系统,用重合度理论阐述了该系统的正周期解存在的充分条件.     

度序列与树中的叶子数

给出了树的度序列与叶子总数之间的关系式,从而得到一种精确地计算树的叶子数的方法,并证明了结论:度序列满足该关系式的简单连通图必是树.对树形图中的度序列和叶子数也有类似的结果.       

低温集输管道沉积速率及热洗周期的确定与分析

基于室内环道模拟试验装置,开展了高含水原油低温混输试验。利用差压方法研究了不同流型时的管壁沉积物沉积速率,并借助于室内试验与油田矿场生产实际相结合的方法,以流动介质的极限流通管径为基准,建立了相应集输管路热洗周期的确定方法。应用实例表明,该方法对于高含水期低温集输管路具有较好的适用性,有益于指导新形势下油田地面工程生产能耗的有效控制。     

粉煤灰-水泥浆体水化动力学模型

探讨了Dals提出的水化模型在密封及饱水养护条件下的适用性问题,分析了粉煤灰对水泥水化动力学影响的机理,提出了粉煤灰影响系数的概念,并根据试验结果得出影响系数的计算公式建立了粉煤灰-水泥体系水化动力学模型．     

面向连续变量量子密钥分发的多边型LDPC码设计与性能分析

为满足连续变量量子密钥分发(continuous-variable quantum key distribution, CV-QKD)应用场景中对高性能低密度奇偶校验(low density parity check, LDPC)码的需求,提出了针对一类具有3种边类型且部分变量节点度为1的多边型LDPC(multi-edge type LDPC, MET-LDPC)码的设计方法。通过掩模到需要的度分布的方式设计左上角矩阵;采用基于多路径外在信息度(extrinsic message degree, EMD)策略的渐进边增长(progressive edge growth, PEG)算法设计左下角矩阵;将各部分矩阵组合在一起完成MET-LDPC码的设计。仿真结果表明,采用掩模加PEG算法设计的MET-LDPC码比单独用PEG算法设计的MET-LDPC码性能更优。     

理想解法与灰色关联度相结合的宜居城市评价决策模型研究——以四川省地级市为例

本文设计了宜居城市评价指标体系、通过构建理想方法和灰色关联度的决策模型来评价城市适宜度.并以四川省10个地级市为例进行了城市人居适宜度的评价、排序和分析.     

城市公园绿地游憩供需协同度评价及优化策略

[目的]以公园绿地与居民人口间的供需平衡及协同发展为目标导向,提升公园建设的时效性,为建设低碳、高效、节约、环保的城市绿地系统提供科学依据.[方法]综合选取定性与定量指标,构建游憩供需系统评价体系和协同度量化模型,以郑州市主城区为例,对供需协同度在行政区单元的空间分异进行评价分析,并结合上位规划,利用ArcGIS中的位...     

一种实物期权的新型模糊定价方法

针对实物期权定价中预期现金流收益的现值是个预测值,而采用精确值给出不太合理的问题,分析了三角模糊数或梯形模糊数给出它的区间估计值,并利用Black-Scholes公式(简称B-S公式)为之定价的方法.提出了将预期现金流收益现值的专家评估区间转化成正态模糊数并利用格贴近度构造权向量的一种新的实物期权定价方法,验证了利用正态模糊数估计现金流收益现值的合理性.最后通过实例模拟证明了该方法的有效性.     

一种水驱砂岩油藏采收率经验公式改进方法

针对海上油田开发井距大、储层砂体形态变化大、横向分布极不稳定的特点,在现有水驱砂岩油藏采收率经验公式使用普适性不足的情况下,综合考虑了水驱控制程度及注采井数比对油田采收率的影响,提出了考虑水驱控制程度及注采井数比的采收率随井网密度变化关系表达式。通过渤海油田开发案例验证表明：新公式能够更加科学合理描述海上油田采收率随井网密度的变化关系,并能够进行采收率预测及钻井工作量规划。研究结果对油田开发方案编制及油田开发效果评价具有指导意义。     

基于GraphSage节点度重要性聚合的网络节点分类研究

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息。如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题。因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型。首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态。在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72%、10.37%和8.29%,在Pubmed上有最大提升值38.84%;micro-F1的平均提升值分别为8.97%、11.16%和6.9%,在Pubmed上有最大提升值38.39%。