分数阶热弹理论下重力场对二维纤维增强介质的影响

基于Sherief等提出的分数阶广义热弹性耦合理论，研究了在热冲击作用下二维纤维增强弹性体的热弹性问题.考虑了重力对二维纤维增强线性热弹性各向同性介质的影响，建立了控制方程.运用正则模态法，经过数值计算，对控制方程进行求解，得到了不同分数阶参数和不同重力场下无量纲温度、位移和应力分量的表达式，以图形的方式展示了变量的分布规律并对结果展开了讨论.研究结果为:重力场和分数阶参数对纤维增强介质的位移及应力有着重要的影响，但对温度的影响有限.     

从双层规划的角度看道德风险理论的一阶条件方法

本文首先对双层规划的一个特殊例子即道德风险模型中使用的一阶条件方法（FOA）做简要的梳理，然后提出一种更为一般的使FOA有效的原则与方法。新方法主要依赖于代理人对委托人设置的目标的最优反应映射是否存在不动点，这个性质不要求原问题与用一阶条件放松以后的问题之间的约束集等价，从而也不要求代理人的期望效用对行动具有全局凹性。在新方法下，可以用较为简单的方法证明FOA在以下两种情形之一有效，即如果分布函数是概率分布的凸组合或者分布函数来自某些特殊的指数族分布。     

阻尼分数阶薛定谔方程柯西问题的局部适定性

本文在全空间中研究一类带阻尼的散焦型分数阶薛定谔方程的柯西问题,阻尼系数是依赖于时间的,并且可能在无穷处消失.我们借助单调算子理论得到了弱解的存在性;利用Strichartz估计以及压缩不动点定理得到了局部解的唯一性;利用精细的能量估计和下半连续性讨论建立了L~2和H~α∩L^p+2的能量衰减估计.     

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。     

高维多项式理想的实根计算

研究高维多项式理想实根的计算。对于给定的高维多项式理想,首先通过一个典范同态映射将其转化为扩张多项式环中的零维理想。基于零维实根是实极大理想的交集的结论,该扩张理想的实根可以在新的多项式环中计算。最后,通过理想的收缩,把实根收缩回原多项式环,便可得到高维多项式理想的实根。     

广西经济增长、金融发展与城乡收入差距的实证研究

探讨了经济增长及金融发展与城乡收入差距之间互动影响,刻画了三者间的逻辑关系,并基于广西1990-2017年的统计数据,运用状态空间模型及卡尔曼滤波算法对三者间动态关系进行了实证分析.结果显示:经济增长对城乡收入差距呈现倒U型曲线形态,而金融发展则显示出具有不断缩小城乡收入差距的趋势.     

Delannoy数与Schröder数的一些和式公式

研究了Delannoy数与Schr?der数.利用分析方法和组合技巧,建立了任意多个Delannoy数乘积的一些和式公式,并对Schroder数的和式公式进行了类似的研究.     

随机空间柔性多体系统动力学分析

轻质、高精度的柔性多体系统被广泛应用于实际工程领域中.由于实际设计公差、制造误差及环境温度等多种不确定因素的存在,使得柔性多体系统的结构参数(物理参数和几何参数)表现出随机性.具有随机结构参数的动力学模型能够客观地反映出真实系统的动力学行为,且结构参数的不确定性对空间柔性多体系统动力学响应的影响是不容忽视的.针对具有多个随机参数的空间柔性多体系统,提出了一种基于广义alpha算法的非侵入式随机柔性多体系统动力学计算方法.采用绝对节点坐标公式(absolute node coordinate formulation, ANCF)来描述柔性体, 推导建立多体系统动力学模型.利用混沌多项式展开(polynomial chaos expansion, PCE)法构建系统随机动力学方程的代理模型,然后将随机响应面法(stochastic response surface method, SRSM)嵌入广义-alpha方法中,分别采用改进抽样的回归方法(regression method of improved sampling, RMIS)和单项求容积法则(Monte Carlo simulation, MCR)来确定样本点.将数值计算结果与蒙特卡洛模拟(Monte Carlo simulation, MCS)结果进行对比, 验证了所提算法的有效性.在相同的定积分精度的条件下,根据单项求容积法则确定的样本点的计算结果稳定性更强, 且其计算效率更高.