惯组小系统动力学建模与非线性特性分析

基于"三心重合"的设计思想和飞行器的姿态需求,建立了含立方项非线性刚度的惯组小系统动力学模型。提出了惯组小系统存在系统动刚度和减振器动刚度的"双层级"概念。利用龙格-库塔法求解渐软非线性系统对正弦扫频激励的响应,得出减振器动刚度存在对激励幅值和激励频率的敏感区域,采用动刚度曲线表征了减振器的非线性软化特性。利用虚弧长延拓法计算惯组小系统的非线性频响函数和传递特性,预示了高量级振动下减振器的动力失稳现象。通过惯组小系统传递特性试验,验证了减振器具有渐软刚度的非线性特性。扫频法计算结果与正弦扫频试验结果的吻合度达到96.5%,检验了构建模型的正确性。所建立的模型工程应用简便,对惯组小系统非线性特性的预示具有较高的精度,可供飞行器姿控系统设计时参考。     

一个R2上含双曲函数核的Hilbert型不等式

通过引入参数，构造了一个全平面上的、含双曲函数的非齐次核函数。利用正切函数的有理分式展开，建立了最佳常数因子与正切函数高阶导数相关联的Hilbert型积分不等式。 作为应用，通过赋予参数不同的值，建立了一些有意义的特殊结果。     

多元统计分析中一类矩阵迹函数最小化问题的有效算法

研究来源于多元统计分析中的一类矩阵迹函数最小化问题$\min c+ tr(AX)+\sum\limits_{j=1}^{m}tr(B_j X C_jX^{T}),\ \ {\rm s. t.} \ X^TX=I_p,$其中$c$为常数, $A\in R^{p\times n}\ (n\geq p)$, $B_j\in R^{n\times n}, C_j\in R^{p\times p}$为给定系数矩阵. 数值实验表明已有的Majorization算法虽可行, 但收敛速度缓慢且精度不高. 本文从黎曼流形的角度重新研究该问题, 基于Stiefel流形的几何性质, 构造一类黎曼非单调共轭梯度迭代求解算法, 并给出算法收敛性分析.数值实验和数值比较验证所提出的算法对于问题模型是高效可行的.     

广义Fermat型微分与微差分方程整函数解的存在性与形式

利用Nevanlinna值分布理论,主要讨论了几类广义Fermat型微分与微差分方程有限级超越整函数解,得到了二阶微分、微差分方程整函数解的存在性条件以及解的具体形式,所获定理推广了之前的结果,并举例说明了结果的精确性。     

氧化铝/氮化硅双层膜晶硅钝化的开尔文探针力显微镜研究

对晶体硅(c-Si)太阳能电池而言, 氧化铝(AlOx)是一种广泛使用的钝化材料, 因为它具有优异的沉积保形性和良好的钝化质量. 为了确保AlOx发挥其良好的钝化效果, 在沉积后退火并氢化处理是必不可少的. 通过在AlOx薄膜上沉积氢化氮化硅(SiNx:H)来实现氢化, 利用开尔文探针力显微镜研究了在不同热处理和氢化作用下, AlOx/SiNx:H双层薄膜功函数的变化, 并基于沉积薄膜所含氢与固定电荷展开了讨论. 发现钝化质量和功函数之间有相关性, 影响因素包括薄膜厚度、氢化与热处理顺序.     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

关于两个图的一类新连接图的谱

给定2个图G1和G2，设G1的边集E(G1)={e1,e2,?,em1}，则图G1⊙G2可由一个G1，m1个G2通过在G1对应的每条边外加一个孤立点，新增加的点记为U={u1,u2,?,um1}，将ui分别与第i个G2的所有点以及G1中的边ei的端点相连得到，其中i=?1,2,?,m1。得到：（i）当G1是正则图，G2是正则图或完全二部图时，确定了G1⊙G2的邻接谱（A-谱）。（ii）当G1是正则图，G2是任意图时，给出了G1⊙G2的拉普拉斯谱（L-谱）。（iii）当G1和G2都是正则图时，给出了G1⊙G2的无符号拉普拉斯谱（Q-谱）。作为以上结论的应用，构建了无限多对A-同谱图、L-同谱图和Q-同谱图；同时当G1是正则图时，确定了G1⊙G2支撑树的数量和Kirchhoff指数。     

全局优化问题的一个新的无参数填充函数

求全局最优化问题的填充函数算法被提出以来，参数的选取和调整一直是制约算法有效性的因素。如何在实际的计算过程中选取合适的参数，直接影响和决定了运算速度和效率。因此，构造不含参数的填充函数就显得极为重要。提出一个新的无参数的填充函数，对其理论性质进行了分析，并给出相应的填充函数算法，数值计算验证了算法的有效性。     

广义加权损失函数下准备金的分位信度估计

由于聚合数据是个体数据的加总,会失去一些有用信息.针对个体数据模型,分位回归模型可以直接求取未决赔款准备金的分位数,并且对数据中存在的异常值的敏感度不高.在程纪(2020)模型基础上,将分位回归模型与信度理论相结合,将多个流量三角形的增量赔款数据看成是相同日历年下的重复性多次观测,体现样本数据的分层结构,克服经典信度模型中只有一条回归线的弊端,在广义加权损失函数下得到准备金的信度估计,并给出参数估计.