双原子正方晶格光子晶体边界模式的光传输特性

利用平面波展开法,发现双原子正方晶格光子晶体中ΓM方向边界面存在着快慢两类边界模式,并且通过计算色散关系和电场分布研究了边界参量对这两类边界模式传输特性的影响.依据两种模式的色散关系,计算了群指数和群速度色散参量,结果表明边界参量的变化对第一类边界模式传输特性的影响较小,该模式的平均群指数始终维持在5.0左右;第二类边界模式与第一类模式明显不同,边界参量的变化能够有效地影响到这种模式的传输特性,该模式的最大平均群指数可达178左右.利用时域有限差分法记录了不同时刻电场强度在边界附近的分布及监测点处的电场幅度变化情况,结果表明,两类模式都能够被限制在边界附近并向前传播,时域有限差分法得到的群速度与平面波展开法的结果完全吻合.     

光子晶体光纤中去极化型声波导布里渊散射频移和散射效率研究

利用矢量有限元法,数值模拟了不同结构参数下光子晶体光纤中空气孔填充率与去极化型声波导布里渊散射频移的关系,以及布里渊散射频移与布里渊散射效率的关系。研究结果表明,空气孔填充率的增大会导致扭转径向模式的去极化型声波导布里渊散射频移下移。空气孔节距或纤芯直径一定时,高阶模式的频移对空气孔填充率的变化更为敏感。扭转径向模式的去极化型布里渊散射效率都随布里渊散射频移的增大而增大。     

一类Ginzburg-Landau型泛函的径向极小元的渐近性

The behavior of radial minimizers for a Ginzburg-Landau type functional is considered. The weak convergence of minimizers in W1,n is improved to the strong convergence in W1,n. Some estimates of the rate of the convergence for the module of minimizers are presented.     

批到达离散时间轮询系统中顾客等待时间及队长

本对批到达离散时间轮询系统进行研究,在门限服务原则下,推出了原客等待时间和轮询周期的概率母函数,利用Markov链理论,得出了队列队长均值。     

δ~2—加速的Broyden计算格式

应用 δ2 —加速技巧 ,对 Broyden的计算格式作了修正 .提出了一种新的修正的计算格式 ,给出了计算的步骤及数值例子 .     

拓扑向量空间中的几个锥广义凸映射

本文引进拓扑向量空间中的几个锥伪凸映射的概念,并且讨论了它们之间及其它的锥广义凸映射之间的关系,最后,给出一个显示各种关系的图表。     

含时受迫谐振子的相干态与AA相

给出了构造含时受迫谐振子的相干态的新方法 ,讨论了与经典受迫谐振子的关系 ,最小测不准关系和AA (Aharonov Anandan)相 .外加周期作用力 (非共振情况 )一般将使AA相减小     

亚10 μm线宽的投影光刻物镜设计及其成像性能的实验测定

 采用Zemax软件设计出6镜片、数值孔径为0.06、2倍缩小、以405 nm半导体激光器为光源、分辨精度达5 μm、视场12 mm×12 mm 内波像差小于1/4波长、畸变小于0.005%的双远心投影光刻物镜的设计方法。将设计的物镜实物化,并对其光学传递函数(MTF)作精确的实验测定,利用所提出的MTF标准实验测量法,得到该投影物镜的成像性能达亚10 μm线宽。     

连续动力系统时间序列的非线性检验

用相位随机化的替代数据方法，研究了连续混沌动力系统时间序列的非线性检验判定.研究发现，在不同的采样情况下，混沌时间序列的非线性特性检验有所差异，尤其对于过采样时间序列，往往会出现虚假的判断结果.针对过采样时间序列，最好采用能够反映非线性特征的参数，作为检验统计量进行检验判断. 关键词： 替代数据 关联维数 连续时间序列 非线性检验     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。