One-dimensional non-nearest-neighbor random walks in the presence of traps

A one-dimensional lattice random walk in the presence ofm equally spaced traps is considered. The step length distribution is a symmetric exponential. An explicit analytic expression is obtained for the probability that the random walk will be trapped at thejth trapping site.     

氢化丁苯共聚物结构的核磁共振波谱表征Ⅰ.13C谱带的归属

本文分别用JEOL FX-90Q和Bruker AM-300波谱仪测定了氢化聚丁二烯和氢化丁苯共聚物的¹H,¹³C-NMR谱,得到了分辨率较高的谱图和新的结构信息。借助DEPT技术确定了各谱带的CH或CH₂类型。利用Grant-Paul和Lindeman-Adams介绍的化学位移经验计算公式,考虑苯基对α、β和γ碳原子的影响,计算了各种三单元序列中有关碳原子的化学位移。对脂肪碳部分的28组谱带重新进行了归属。化学位移计算值与实测值基本相符,并得到了不同组成的模型聚合物¹³C-NMR谱的各谱带强度变化规律的验证。     

GaAs／AlGaAs发光二极管列阵场分布特性的电光测量

应用一种新颖的无损伤测量技术－连续波电光检测法（ＣＷＥＯＰ）对ＧａＡｓ／ＧａＡｌＡｓ单异质结发光管列阵电场分布进行了扫描测量。实验结果反映了器件内电流注入的方向和载流子扩展情况；通过比较各单元电场分布，反映器件发光均匀性。文中详细介绍了测量原理、实验装置和实验结果及讨论，最后用计算机对电场分布作了模拟计算并与实验结果进行了对照。     

荧光粉相对亮度测量的色修正

由于很难将光接收器的相对光谱灵敏度S(λ)调到与CIE标准观察者V(λ)完全一致,不同荧光份又具有不同的相对光谱功率分布,因此测量荧光粉的相对亮度与测量其它光度量一样,必须进行色修正。本工作针对实际使用的光接收器和相对光谱功率分布不同的几种荧光粉的相对亮度计算了色修正系数。     

微分多项式的值分布

文[2-6]讨论了亚纯函数或代数体函数的微分多项式ω‘(z)-αω^n(z)及ω（z)ω^n(z)的例外值问题。本文利用代数体函数的Nevanlinna值分布理论方法，研究了代数体函数的微分多项式P（ω^(k)(z))-aΠk=1^s(ω(z)-ak)^pk,及a(w^(k)(z)^tw^n(t)的Picard值问题，推广了他们的结果。     

高阶微分方程允许解的存在性

本文主要目的是利用值分布理论研究复高阶微分方程(Ω(z,w)/w^k0(w’)^k1…(w^(n)^kn)^m=aw^p ∑j=0^s bj(z)w^j,(p≥m）亚纯允许解的存在性问题．证明了一个在适当的条件下，该微分方程的亚纯解一定不是允许解的结果．实例表明该文的结果是最佳的．     

带启动时间的多级适应性休假的M/G/1排队

本研究带启动时间的多级适应性休假的M/G/1间排队。给出稳态队长分布和母函数、等待时间分布和其LST及其随机分解结果，推导出忙期、假期和启动期的母函数。带有启动时间的单重休假和多重休假是本中模型的两个极端情况。     

网络图在产品配送中的应用

面对多样化的市场需求，企业的销售渠道也变得异常复杂，利用网络图可以简化实际问题，并能形象地描述它。本根据网络知识建立了产品分销模型，探求企业在市场需求固定和随机时的最优收益。最后，章还进行实例验算，并做出相应的结果分析。     

多目标最优化的一种积分型实现算法

在文[1]中给出了求解多目标最优化的一种积分总极值的概念性算法．本文利用数论中的一致分布佳点集列，较为简便的得出了多目标最优化的积分总极值的实现算法和算法终止准则．并经过有关函数数值计算表明该算法是有效的，可用来求解多目标最优化问题的有效解．     

Asymptotic distributions of regression and autoregression coefficients with martingale difference disturbances

In this paper a form of the Lindeberg condition appropriate for martingale differences is used to obtain asymptotic normality of statistics for regression and autoregression. The regression model is y_t = Bz_t + v_t. The unobserved error sequence {v_t} is a sequence of martingale differences with conditional covariance matrices {Σ_t} and satisfying sup_{t=1,…, n} {v′_tv_tI(v′_tv_t>a) |z_t, v_t−1, z_t−1, …} 0 as a → ∞. The sample covariance of the independent variables z₁, …, z_n, is assumed to have a probability limit M, constant and nonsingular; max_t=1,…,nz′_tz_t/n 0. If (1/n)Σ_t=1ⁿΣ_t Σ, constant, then √nvec( _n−B) N(0,M⁻¹Σ) and _n Σ. The autoregression model is x_t = Bx_{t − 1} + v_t with the maximum absolute value of the characteristic roots of B less than one, the above conditions on {v_t}, and (1/n)Σ_t=max(r,s)+1(Σ_tv_t−1−rv′_t−1−s) δ_rs(ΣΣ), where δ_rs is the Kronecker delta. Then √nvec( _n−B) N(0,Γ⁻¹Σ), where Γ = Σ_{s = 0}^∞B^sΣ(B′)^s.