关于（l~0（S），‖·‖_1）的注记

在有界Ｈａｍｅｌ基的局部凸空间中，给出了（ｌ０（Ｓ），），‖·‖_有关性质的证明     

基于正则化RBF神经网络的软测量技术及其在质量预测中的应用

神经网络对噪声污染数据的过拟合是模型设计中主要考虑的问题。将Tiknonov正则化方法用于RBF神经元网络的设计,在网络学习中将正交最小二乘与前向选择相结合进行网络参数的估计,通过k均值聚类算法获得网络中心,采用L-曲线方法进行正则参数估计,并将该正则化RBF网络用于气体分馏装置产品质量的预测。仿真结果表明,该模型简单易行,并具有较快的计算速度和较好的泛化能力。     

基于广义椭球基函数模糊神经网络的油轮转向动态响应模型(英文)

基于广义椭球基函数模糊神经网络(GEBF-FNN)算法,提出一种新颖的油轮转向动态响应模型.通过事先建立好的一组油轮操纵非线性微分方程获得训练数据,GEBF-FNN算法用于在线辨识Nomoto型油轮转向响应模型的参数K和T.具体地,GEBF-FNN模型从没有任何模糊规则开始,基于规则生长准则和参数估计方法,在线生成模糊规则,从而学习出由一组模糊规则构成的具有高精度和精简系统结构的油轮转向动态响应模型.为验证该动态响应模型的有效性,针对典型的Z形操纵进行仿真研究,并进行广泛的比较研究,仿真结果显示基于GEBF-FNN算法的油轮动态响应模型具有理想的逼近和预测性能.     

Christensen的改进结果在研究框架扰动中的应用

利用改进的框架结果研究了Hilbert空间中框架的扰动问题,得到了框架扰动的新形式,展示了该改进结果在研究框架扰动理论中的重要作用.     

基于RBFNN的FDPSO火灾爆炸波及钻井区概率分析

浮式钻井生产储油轮（FDPSO）是一种具备钻井、采油、储存、外输等多项功能的新型浮式生产装置．FDPSO的功能高度集成和密集布置带来了各模块风险的相互影响问题．针对由此引发的一类突出危险事件,即FDPSO装置上外部设备发生的火灾爆炸波及钻井区,展开事件发生概率研究．在定量风险分析的基础上．引入经改进粒子群算法优化的径向基函数神经网络进行概率预测,并验证了该模型的可用性．研究成果有助于设计人员回避繁琐的定量风险分析过程,快速确定不同布置情况下外部火灾爆炸波及钻井区的概率,从而通过合理设计有效控制该风险．     

关于辛基和辛矩阵的探讨

介绍了辛空间、辛变换及其相应的辛矩阵等概念,在此基础上,探讨了辛基和辛矩阵的性质,并给出辛矩阵求逆的一种简便算法.     

格上基于身份的代理环签名方案

基于原像抽样函数和格基代理算法,构造了格上基于身份的无可信中心的代理环签名,方案的安全性是基于格上SIS和ISIS问题的困难性.方案实现了签名者身份的完全匿名性,在标准模型下证明环签名方案满足存在性不可伪造.     

工程优化设计中的近似模型技术

解决复杂系统的建模优化问题,需根据具体的应用环境,选择合适的近似模型。本文对响应面模型、多元自适应回归样条模型、克立格模型、径向基函数模型、支持向量回归模型等近似模型的性能特点和适用范围进行了系统的比较研究,在分析这些近似模型基本特性的基础上,选取具有广泛代表性的测试函数,并综合考虑问题的复杂度、非线性程度、采样点的规模及分布等多个因素,对上述5种近似模型的全局和局部拟合能力、鲁棒性等进行了较为全面的比较评价,并给出应用实例。     

双核金属钌羰基-亚硝基配位化合物Ru_2（NO）_2（CO）_n（n=8,7,6,5）的量子化学计算

采用BP86和MPW1PW91两种密度泛函理论方法对双核金属钌羰基-亚硝基配位化合物Ru2（NO）2（CO）n（n=8,7,6,5）进行了量子化学理论计算,优化后得到了19个单态和三态异构体,讨论了它们的结构和键的性质。得到的Ru2（NO）2（CO）8,Ru2（NO）2（CO）7,Ru2（NO）2（CO）6和Ru2（NO）2（CO）5的基态分别是C2v,C1,C2v和C1构型的单态。将Ru2（NO）2（CO）n（n=7,6,5）与同族铁的配合物Fe2（NO）2（CO）n（n=7,6,5）进行比较,发现二者的稳定构型特点不一致。     

基于Reflected Sigmoid径向基函数重建温度场优化算法

微波加热在工业领域中广泛应用,利用超声波测温对其温度场重建可以实时监控设备内部温度,重建算法是实现温度场重建的关键。经典的重建算法为最小二乘法,其在重建过程中为保证结果唯一性,要求有效声波路径数大于区域划分数,重建结果的边界处会出现温度信息缺失。优化声波换能器安装位置,减少待测区域边界位置信息损失,提出基于Reflected Sigmoid径向基函数重建温度场算法,结合病态矩阵广义逆矩阵求解,可有效避免子区域划分条件限制,弥补了经典算法的缺陷。通过仿真实验及对比,所提算法可降低5%的误差。