共轭线性对称性及其对PT-对称量子理论的应用

传统量子系统的哈密顿是自伴算子,哈密顿的自伴性不仅保证系统遵循酉演化和保持概率守恒,而且也保证了它自身具有实的能量本征值,这类系统称为自伴量子系统.然而,确实存在一些物理系统(如PT-对称量子系统),其哈密顿不是自伴的,这类系统称为非自伴量子系统.为了深入研究PT-对称量子系统,并考虑到算子PT的共轭线性性,首先讨论了共轭线性算子的一些性质,包括它们的矩阵表示和谱结构等;其次,分别研究了具有共轭线性对称性和完整共轭线性对称性的线性算子,通过它们的矩阵表示,给出了共轭线性对称性和完整共轭线性对称性的等价刻画;作为应用,得到了关于PT-对称及完整PT-对称算子的一些有趣性质,并通过一些具体例子,说明了完整PT-对称性对张量积运算不具有封闭性,同时说明了完整PT-对称性既不是哈密顿算子在某个正定内积下自伴的充分条件,也不是必要条件.     

多线性极大算子在Orlicz空间的弱有界性估计

Orlicz空间是一类较具体的Banach空间,在Banach空间理论和应用的研究中起着非常重要的作用。定义多个单线性分数次极大算子的乘积算子为■,得到■的弱有界性,再利用■控制多线性分数次极大算子,得到多线性分数次极大算子的弱有界性。所得结果扩充了分数次极大算子在Orlicz空间的有界性结论。     

高斯信道中功率分配问题的一种优化方法

信号检测中,检测概率一直是作为衡量检测性能的一个重要标准.众所周知,Neyman-Pearson准则下的最优检测是似然比检测.然而多传感器系统下随着信号维数增加,似然比检测门限的计算涉及高维积分,计算困难相当大,因此文中考虑的高斯信号检测模型,没有直接计算检测概率而是将两个密度函数的相对熵作为衡量检测性能的一个度量来研究高斯信号检测中功率的分配,并且建立了目标优化模型.针对文中建立的优化问题,首先由加强的Fritz John(F-J)必要条件证明了优化问题的局部最优解满足KKT(Karush-Kuhn-Tucker)条件,并且进一步证明存在惟一的拉格朗日乘子.然后利用凸函数的性质我们说明了D(P1‖P0)是tr(∑s)的非减函数,最后在此基础上得到了优化问题的最优解,即得到了功率分配矩阵.同时也给出了特殊信道下的功率分配矩阵.     

基于模糊化邻域系的粗糙近似算子(Ⅱ)——公理刻画

研究了基于模糊化邻域系的粗糙近似算子的公理刻画问题.特别地,通过一组公理集分别刻画了由串行的、反身的、一元的和传递的模糊化邻域系生成的粗糙近似算子.     

Hom-李三系上的乘积结构和复结构

本文主要从代数角度研究Hom-李三系上的两种几何结构,即积结构、复结构。分别给出了积结构和复结构存在时对应的Hom-李三系的分解。同时,也研究了一些特殊的积结构和复结构。最后,在这两种结构间增加一个兼容条件,得到了复积结构。     

p-Adic函数空间上Hardy型算子的多线性交换子估计

在p-adic域上研究分数次Hardy型算子与CMO(Q_p~n)函数生成的多线性交换子,建立了交换子在Lebesgue空间和Herz空间上的有界性.对Hardy算子的多线性交换子也得到了相应的结果.     

带有白噪声的Berger方程随机吸引子

考虑带有白噪声的Berger方程解的随机渐近性行为, 用渐近先验估计技术和算子分解方法, 通过引入同构映射构造等价过程, 证明随机吸引子在(H²(U)∩H¹₀(U))×L²(U)中的存在性.     

Banach空间中一类带有f－投影算子的双层集值投影动力系统

在乘积Banach空间中引进并研究一类包含广义f－投影算子的双层投影集值投影动力系统.在恰当的条件假设下，利用广义f－投影算子的性质及熟知的Nadler不动点定理，证明了该双层集值投影动力系统的均衡点集是非空的和闭的.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

n个Schrodinger算子积自伴域

本文讨论了由微分算式l=-d2/dt2 q(t)生成的具有某种边界条件的n个正则Schrodinger算子Li(i=1,…,n)的积Ln…L2L1自伴性问题,证明了积算子Lm…L2L1自伴的充分必要条件为=L*n 1-i(i=1,…,[n 1/2]).