具有外部干扰的耦合时滞神经网络固定时间二分同步

针对结构平衡图与结构非平衡图的网络拓扑,考虑了一类具有外部干扰的耦合时滞神经网络模型,分别设计了其固定时间同步控制协议.借助固定时间稳定性理论与不等式技巧,获得了耦合网络在固定时间内达到同步的充分性判据,给出了具体的收敛时间上界,并验证了固定时间同步网络的鲁棒性与抗干扰性.为了扩大网络模型的适用性,考虑的神经网络激活函数为非连续的函数,可借助微分包含与集值李导数理论解释非连续微分方程的动力学行为.最后,分别在结构平衡图和非平衡图下对耦合神经网络的固定时间二分同步进行了数值仿真,验证了控制算法的有效性及理论结果的正确性.     

复合跟踪微分器在电容式位移传感器中的应用

针对从含噪原始信号中提取位置以及速度信息,经典跟踪微分器存在不能很好兼顾相位滞后和噪声放大问题、参数多,调试复杂等不足.在跟踪微分器等效线性分析基础上,提出复合形式跟踪微分器,用于电容式位移传感器位置信号跟踪以及速度信号估计,通过MATLAB\SIMULINK仿真以及实验平台测试,结果表明:在跟踪频率1 Hz、幅值1含噪声正弦信号中,复合跟踪微分器能光滑逼近原始位置信号,且能有效进行速度估计,相较于经典跟踪微分器,复合跟踪微分器跟踪相位滞后小0.03 rad,能更好兼顾跟踪信号相位滞后及速度信号噪声放大.     

仿生非光滑花纹沟对轮胎抗滑水性能的影响

以205/55R16乘用车轮胎为研究对象,采用计算流体动力学建立了考虑胎面花纹变形的轮胎滑水分析模型;以气-液二相流数值模型分析了轮胎的滑水性能,并将临界滑水速度仿真值与NASA滑水速度预测值及轮胎发生滑水时力平衡下的速度进行对比.在此基础上,引入仿生减阻理念,研究了夹角为60°、高度为0.6mm的仿生对称V形结构对花纹沟排水量和水流阻力的影响,并将其结构特征信息等效移植到接地区轮胎花纹沟底,进行了仿生花纹轮胎的滑水性能分析.结果表明:所建滑水分析模型可用来分析轮胎滑水时的流体运动特性;相对原花纹轮胎,仿生非光滑花纹沟轮胎通过提高接地区花纹沟内水流速度,降低了胎面动水压力,提高了临界滑水速度.     

几乎无偏刘估计的不可容许性

考虑了线性回归模型中,在Fisherian和Mahalanobis损失函数下,几乎无偏刘估计对于最小二乘估计的不可容许性;结论表明:几乎无偏刘估计在Mahalanobis损失函数下是不可容的;最后进行了数值模拟来表明结果.     

基于分层贝叶斯模型的损失准备金估计

传统的准备金模型主要是通过加总个体数据得到聚合损失三角形数据建立的,然而,这种数据的加总对原始个体数据产生不可避免的信息浪费.虽然这种方法简单,但可导致准备金估计的较大偏差.近年来提出的个体数据准备金模型中大都没有考虑保单合同之间的相依性.本文假设相同事故年的保单产生的索赔具有某种共同效应导致的相依情形,通过建立个体数据准备金的分层贝叶斯模型,利用信度理论的思想,得到每个事故年的准备金估计,从而得到总准备金的估计.进而,讨论了发展因子和结构参数的估计及其相应的统计性质.最后,给出数值例子表明本文给出的准备金估计的计算方法,并且比较了个体数据和聚合数据下准备金估计的均方误差.     

非均匀介质下的可调光流控器件及其生化应用

 探讨了非均匀介质下不同光流控器件及其生化应用。在微流控芯片上，主要从2个方面开发和实现各类具有光波导、透镜、细胞计数、化学检测等功能的新器件。首先，在液液非均匀介质下，通过调节沟道内液体流速，控制液体间的对流扩散来实现液体在微腔内的渐变折射率分布和阶跃分布，从而得到其特殊的光学特性，例如光束分离、弯曲、自聚焦等。其次，在固体非均匀介质下，利用特殊的微流结构与液体相结合，实现更加灵敏可调的新型探测手段。这些新型技术手段分别在生物传感、能源生产、细胞探测及海水检测等诸多应用中可发挥关键性作用。     

高维Euler方程组的强松弛极限

利用能量积分, 讨论在初值充分小的情形下, 高维带有阻尼项的Euler方程组光滑解的整体存在性和强松弛极限, 得到了解的一致先验估计, 并证明当松弛时间趋于0时, 整体解的渐近行为由多孔渗流方程控制.     

动物试验方法的专利申请

 为判断动物试验方法是否具备实用性，分析了中国关于实用性的相关规定，通过4个典型案例对动物试验方法是否属于非治疗目的的外科手术方法、是否具备实用性进行了分析，总结判断标准并给出了撰写权利要求的建议。在撰写动物试验方法的专利申请时，应当注意该方法的目的及该方法是否包含外科手术步骤，并针对该方法的不同情况采用不同的撰写策略。     

Koch曲线的Hausdorff测度的改进下界估计

为了研究Koch曲线的Hausdorff测度的下界,本文在Koch曲线上定义了质量分布函数μ,对任意覆盖U导出了关系式μ(U)≤1. 876|U|s,利用质量分布原理,得到了Koch曲线的Hausdorff测度下界的更好估计值Hs(K)≥0. 533 049 041.