超球上可微(0,q)式(-e)-问题的解

证明了:对任一在Cn中超球Bn上可微的(0,q)式g(z)若适合(-e)g=0,而且g在Bn内有紧致的支集,则当n≥q+1时v(w)=(-e)*∫Bng(z)∧*z—N(z,w)是(-e)方程(-e)v=g之解,它在边界Bn上为零.     

全系统简明测试语言自检程序的设计与实现

全系统简明测试语言是一种面向信号的自动测试语言,具有仪器无关性;而自动测试系统的自检程序则要测试和校验指定的仪器;针对该问题,首先介绍了全系统简明测试语言自检程序的一种设计方案,然后给出了该方案基于GPTS3.1软件平台的实现方法,具体包括自检适配器、仪器和开关的连线设计与实现,同时给出仪器与开关的自检代码示例,最后将该自检程序应用到某型飞机自动测试系统上,实验结果表明,该自检程序很好满足了自动测试系统的自检需求,高效地排查出了仪器故障,很好地完成了自检。     

超球上可微(0,q)式-问题的解

证明了:对任一在Cn中超球Bn上可微的(0,q)式g(z)若适合g=0,而且g在Bn内有紧致的支集,则当n≥q 1时v(w)=*∫Bng(z)∧*zN(z,w)是方程v=g之解,它在边界Bn上为零.     

超球上可微（0，g）式^-δ-问题的解

证明了：对任一在C^n中超球B^n上可微的（0，q）式g（z）若适合^-δg=0，而且g在B^n内．有紧致的支集，则当n≥q＋1时v（w）=^-δ^＊∫Bng（z）∧＊x^-N（z,w）是^-δ方程^-δv=g之解，它在边界δB^n上为零。     

变参数混沌时间序列的神经网络预测研究

研究一类复杂变参数混沌系统时间序列的预测问题.首先构造一个变参数Logistic映射,分析变参数混沌系统的特点,指出动力学特征不断变化的这类系统不存在恒定形状的吸引子;结合Takens嵌入定理和神经网络理论,阐述神经网络方法预测具有恒定吸引子形状的混沌系统可行的原因,分析研究其用于预测变参数混沌系统的潜在问题.变参数Ikeda系统的神经网络预测试验验证了理论分析结果,试验还表明,简单增大预测训练样本数可能降低泛化预测精度,训练集的选择对这类系统的泛化预测效果影响极大,指出混沌时间序列预测实用化必须研究解决这类变参数混沌系统的预测. 关键词： 混沌 预测 神经网络 变参数系统