用样条配点法求解反对称角铺设层合板动力响应

工程结构中的复合材料层合板的几何参数往往具有随机性质。如何研究随机参数层合板响应的统计特性 ,这对正确估计结构设计的可靠性有着非常重要的意义。用样条配点法 ,将复合材料层合板结构离散后 ,应用Lagrange方程 ,建立了复合材料层合板的力学模型 ,研究了随机参数反对称层合板动力响应 ,推导出层合板位移、速度和加速度的标准差。在数值算例中 ,对于各种边界条件 ,选择样条函数作为振型函数 ,用样条配点法求出了结构的动力响应量及统计特征值 ,并与Newmark法进行了比较 ,验证了该方法的有效性。     

ħ混合序列的广义Jamison型加权和的强收敛性

讨论φ混合序列的广义Jamison型加权和的强收敛性，推广了著名的Jamison定理。     

网络--探索复杂性的新途径

简单系统由于非线性关系可以呈现复杂行为，而复杂系统可以遵循简单规则自组形成、近年来，作为探索复杂系统结构和功能的复杂网络引起了国际科学界的高度重视，已成为数理科学、生命科学、社会科学、技术科学和管理科学的研究热点之一．论文首先介绍了在复杂网络研究方面已经取得的某些进展，从典型模型．重要概念，网络分类一直到网络结构涌现，其中也包括了作者所做的工作；然后对某些值得注意的问题做了简短的评述．     

基于复杂性理论的黄河河川径流序列诊断分析

水文序列性质的诊断是水文预测的关键问题之一，至今没有得到有效解决．本文通过采用复杂性理论中的复杂性测度，对黄河干流不同水文站的河川径流序列进行诊断分析．结果表明：黄河干流径流序列以随机性为主，确定、随机和混沌成分共存；人类活动的影响总体使得径流变化的随机和混沌增大，且下游的随机成分大于上游，上游的混沌成分大于下游；同时表明复杂性测度具有较灵敏的识别能力，为识别河川径流序列的性质及人类活动的影响提供了一种新的方法，     

群集性随机图中的波及效应

随机图是社会网络分析的重要工具,在Newman等对传统随机图模型的研究基础上,研究了具有群集性的随机图这一与现实社会网络更为接近的随机图模型中的波及效应。利用概率论的方法计算出群集性随机图中距离波动中心任意远的被波及对象的期望数量,利用推导出的一般公式分析了该类随机图中波及效应的特点,并考察了群集性对波及效应的影响。由分析知,每个点的平均阶是影响波及效应的最具决定性的因素。从总体上说,群集性降低了波及效应。     

一类随机变量序列关于Г-分布的强偏差定理

引进似然比作为非负连续型随机变量序列相对于服从Г分布的独立随机变量序列的偏差的一种度量，并通过限制似然比给出了样本空间的一个子集，在此子集上运用鞅方法得到了任意非负连续型随机变量序列的一类用不等式表示的强极限定理，将任意随机变量序列关于乘积分布的强偏差定理从离散状态空间推广到连续状态空间．作为推论得到了任意非负连续型随机变量序列关于指数分布，厄兰分布以及X^2分布的强偏差定理以及服从Г-分布的独立随机变量序列的一族强大数定律．     

On the Strong Law of Large Numbers for Non-Independent B-Valued Random Variables

This paper investigates some conditions which imply the strong laws of large numbers for Banach space valued random variable sequences. Some generalizations of the Marcinkiewicz- Zygmund theorem and the HoffmannJφrgensen and Pisier theorem are obtained.     

非汉字符号"混合序列的强大数律

讨论了一类较广泛的~混合序列的收敛性质,获得了与独立情形一样的三级数定理等收敛性质,并由此得到与独立情形一样的Kolmogov强大数律的充分条件.     

负相关随机变量加权和的矩完全收敛性

概率极限理论是概率论的主要分支之一,是概率统计学科中非常重要的理论基础;经典的极限理论是以独立随机变量为主要研究对象,但实际大部分随机变量是非独立的,负相关随机变量序列就是相依随机变量序列中的一类典型且应用广泛的随机变量序列,针对负相关随机变量加权和序列的极限问题,应用负相关序列、截尾和矩不等式等知识,推广了负相关随机变量加权和的矩完全收敛性,并给出了一个NA随机变量完全矩收敛的线性过程,所得结果改进了的相应结果。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。