Banach空间上有界可逆线性变换逆变换的结构

Fillmore在[1]中得到一个定理:设A,T是Banach空间X上的线性变换,A有界,若Lat(A) Lat(T)且AT=TA,则T是A的多项式.在本文里,以此作为引理,讨论了Banach空间上可逆线性变换A在什么情况下,A-1可表示为A的多项式.本文最主要的结论是定理3.4:设X是Banach空间,A是X上的有界线性变换,且可逆,则A-1是A的多项式当且仅当A-1是A的局部多项式.     

Orlicz-Sobolev空间的中点局部一致凸性

本文研究了Orlicz-Sobolev空间的中点局部一致凸性，通过结合Orlicz空间和Sobolev空间的技巧得到分别赋Luxemburg范数和赋Orlicz范数的Orlicz-Sobolev空间具有中点局部一致凸性的充要条件．     

加权二次有理Bézier插值曲线

在本文中,给定一组有序空间数据点列及每个数据点的切矢向量,利用加权二次有理Bézier曲线对数据点作插值曲线,使该曲线具有C1连续性,并且权因子只是对相应顶点曲线附近产生影响,同调整两个相邻的权因子可以调整这两个相邻顶点之间的曲线和它的控制多边形.     

D→PP衰变过程的末态相互作用

利用单粒子交换方法,研究了D介子衰变到两个赝标粒子中的末态相互作用.通过实验数据中抽取的强相角来分析末态相互作用的效应     

风险中性过程的非参数估计

无套利定价理论说明，任何衍生证券定价都可以在基础资产价格(或收益)的风险中性过程基础上进行，而且方差函数的估计是估计风险中性过程的关键问题，由于方差不可观测，采用特定的参数模型将是危险的。本文主要讨论时间序列模型下条件方差函数的非参数估计，对核估计和局部多项式估计给出确定窗宽的M-图方法，并给出时间序列模型下衍生证券定价的风险中性调整方法，最后作了模拟计算。     

一类复杂循环排队系统的计算机模拟及其在进程调度中的应用

讨论了顾客到达时间和服务时间与等待队列队长有关的排队系统模拟,顾客服务次数不止1次即出现循环的复杂排队系统,引入到达因子、服务台因子和循环因子,在串并联多服务台情形下建立了4类计算机模拟模型,给出该复杂循环排队系统在进程调度中的应用并进行了计算机模拟.     

辐射传递蒙特卡洛法精度分析及数值试验

本文建立了蒙特卡洛法模拟散射参与性介质内辐射传递计算模型。对蒙特卡洛法的计算精度及运行时间进行了较为详细的分析,提出了几种判断计算精度的方法。同时,借助蒙特卡洛法模拟辐射传递过程,进行数值“辐射实验”。利用该“实验结果”进行了物性反问题研究。在已知光学厚度的前提下,得到散射反照率与后半球辐射热流之间的单值函数关系。     

全光纤脉冲压缩器的理论及实验研究

对色散位移光纤＋普通单模光纤构成的全光纤脉冲压缩器进行了理论分析，分析了压 缩效果与光纤参数及输入脉冲参数的关系；对不同中心波长和脉宽的主动锁模光纤激光器的 输出脉冲进行了压缩实验，均得到了近变换限Sech的压缩脉冲，实验结果与理论分析一致. 关键词： 全光纤脉冲压缩器 压缩因子 基座能量 主动谐波锁模光纤 激光器     

强流离子束离子径向密度分布的模拟研究

对初始分布为K-V分布的离子束进行模拟研究.除观察到存在束晕现象外，还发现离子束在通 道内运行过程中，离子沿径向密度分布发生了变化. 通过延迟反馈控制，不仅可以消除束晕 ，而且只要控制参数适当，也可以使束中心部分呈均匀分布状态. 关键词： 强流离子束 束晕 填充因子 离子密度分布     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.