对两道平面向量最值题的探究

本文以2020年高考中的两道平面向量最值题为例,分析试题的解法,并对背后隐藏的本质进行思考、探究,总结出一般性规律.     

三种版本教材中“平面向量基本定理”的比较及教学启示

平面向量基本定理是平面向量的核心内容,是深入学习向量知识的基础,本文研究不同版本教材中的这一内容,通过定理形成过程的比较,领悟编者的编写意图,体悟情境设置在定理形成过程中的作用,通过定理表述方法以及位置次序的区别,理解教材编排的逻辑关系,以进一步指导教学.     

一类非线性半向量二层规划问题的罚函数方法

本文研究了一类非线性-线性半向量二层规划问题的罚函数求解方法.对于该类半向量二层规划问题,首先基于下层问题的加权标量化方法和Karush-Kuhn-Tucker最优性条件,将其转化为一般的二层规划问题,并取下层问题的互补约束为罚项,构造出相应的罚问题;然后分析罚问题最优解的相关特征以及最优性条件,进而设计了相应的罚函数算法;最后以相关算例验证了罚函数算法的可行、有效性.     

增量式Huber-支持向量回归机算法研究

传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。     

巧思维切入,妙视角拓展——一道向量题的探究

破解平面向量问题的两个主要基本思路是:函数法与基底法,借助自身同时兼备“形”与“数”的双重身份,可以进行多层面、多角度的问题创设,融入其他相关的数学知识,吻合高考在知识交汇点处命题的指导精神.结合一道模拟题,从两个基本思路视角切入,多思维解决,多方向拓展,多规律总结,引领并指导数学教学与解题研究.     

关于整数向量卷积的一个算法的时间复杂度

众所周知,两个n维整数向量循环卷积的常规算法(即按定义计算)的时间复杂度为O(n~2),现在已有时间复杂度为O(nlog_2n)的快速算法,[1]中提出一个新算法,称其时间复杂度为O(n),因而是最佳的。 本文首先指出[1]的错误原因,再根据算法分析理论得出[1]中算法的时间复杂度不低于O(n~2log_2n),因而比常规算法的运算量还大。     

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统，通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取，并与人工神经网络进行比较，结果表明：支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络；另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识圳伯仲叔酰胺的影响，证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大，为构建红外光谱智能解析系统提供了定量依据。     

QSAR Studies on the COX-2 Inhibition by 3,4-Diarylcycloxazolones Based on MEDV Descriptor

Selective inhibition of cyclooxygenase-2 (COX-2) might avoid the side effects of current available nonsteroidal antiinflammatory drugs while retaining their therapeutic efficacy. A novel variable selection and modeling method based on prediction is developed to construct the quantitative structure-activity relationships (QSAR) between the molecular electronegativity distance vector (MEDV) based on 13 atomic types and the biological activities of a set of selective cyclooxygenase-2 inhibitory molecules, 3,4-diarylcycloxazolones (DAA) plus indomethacin,naproxen, and celecoxib. Using multiple linear regression, a 5-variable linear model is developed with the calibrated correlation coefficient of 0.9271 and root mean square error of 0.17 in modeling stage and the validated correlation coefficient of 0.9030 and root mean square error of 0.20 in leave-one-out validation step, respectively. To further test the predictive ability of the model, 20 DAA compounds are picked up to construct a training set which is used to build a QSAR model and then the model is employed to predict the biological activities of the balance compounds. The predicted correlation coefficient and root mean square error are 0.9332 and 0.19, respectively.