Effects of Correlations Among Multiple Perturbations on Soliton Propagation

Correlations among multiple noise perturbations are considered in a sofiton system. It is found that these perturbations lead to disintegration of soliton, their correlations play important roles and reinforce their effects.Furthermore, there is a limiting case among the multiple noise perturbations in the system, here their effect is the largest. Finally, the nonlinear gain and the narrow band filter are introduced to suppress these effects effectively.     

饱和土中波传播的二相动力分析模型

将饱和土作为二相介质,考虑土骨架和孔隙流体之间的摩阻力,建立了饱和土中一维压缩波传播的二相动力分析控制微分方程,采用有限差分法求解。该模型可以计算地表面爆炸冲击荷载作用下饱和土中波的传播和波在不动障碍上的反射问题。该模型可考虑饱和土土体的非线性塑性力学性质及土性随深度变化或土介质的分层情况。     

对期望理论的两个重要推进——损失厌恶系数λ及参考点研究

行为金融学是近20年来最为重要的新兴金融理论,期望理论更是其中的亮点,其运用领域之广超乎人们的想象,所以对它的完善改进具有非常重要的意义。本文对期望理论中的损失厌恶系数和参考点问题进行了深入研究,并且得出了创新性的结果:损失厌恶系数不是常数而是动态变量;得出了内生且纳入更多投资者行为特征的参考点。这些结果是对期望理论的重要改善和推进,对其在大量金融领域和涉及到财富偏好的问题的解决中都大有裨益。     

Bivariate Recursive Equations on Excess-of-loss Reinsurance

This paper investigates bivariate recursive equations on excess-of-loss reinsurance. For an insurance portfolio, under the assumptions that the individual claim severity distribution has bounded continuous density and the number of claims belongs to R1 （a, b） family, bivariate recursive equations for the joint distribution of the cedent＇s aggregate claims and the reinsurer＇s aggregate claims are obtained.     

基于反向传播神经网络的阻抗断层图像重建新方法

电阻抗成像是通过对物体表面电压、电流的测量来重建物体内部阻抗分布或变化图像的一种新颖计算机断层成像技术。阻抗断层图像重建是一种病态的、非线性的逆问题。提出了一种全新的阻抗断层图像重建方法，它利用反向传播神经网络来表征物体内部阻抗变化位置与物体表面电压变化大小的非线性映射关系，从而可以根据对物体表面测量电压的变化先准确定位阻抗变化区域，再用线性近似方法重建阻抗变化图像，这种方法不仅具有一定的抗噪能力，而且成像精度和空间分辨率都大大好于逆投影方法。     

原木随机存贮策略的最优化问题

本主要介绍原木经销商在周期内原木变价销售情况下的最佳期初贮存量的决策方法，在建立期望机会成本的数学模型基础上，探讨原木随机存贮策略的最优化问题。     

高维广义神经传播方程Cauchy问题整体光滑解

其中c_1、c_2为非负常数。近些年来,国内外许多学者对这类方程进行了深刻的研究.M.E.Schonbek研究了神经脉冲传播中的Fitzhugh-Nagumo方程组初边值问题整体经典解存在性,郑宋穆、沈玮熙进一步改进了[3]的结论。C.V.Pao研究了     

位置参数估计量的损失函数之估计

本文考虑损失函数的估计问题,分别对于球对称分布和均匀分布情形给出了其参数的J-S型估计量的损失之估计,它们满足[1]中提出的条件(Ⅰ)和(Ⅱ).     

R.S.Singh的一个猜想的证明:离散情形

本文讨论了一维离散指数族在平方误差损失下的经验Bayes估计问题.证明了其参数的任何经验Bayes估计的渐近最优收敛速度都不可能达到O(n^-1),即使参数空间被限定于一个有限区间.这意味着,Singh(对Lebesgue指数族情形提出)的一个猜想,在离散指数族情形,被证明是正确的.