有限分形介质中分数阶反应扩散方程及其解析解

建立了有限分形介质中具有吸附效应的分数阶反应扩散积分方程.利用Lap lace变换、广义有限H ankel变换及其相应的逆变换得到了以M ittag-Leffler函数为主要形式的解析解,并研究了解的渐近性态.     

相伴随机变量序列的泛函型几乎处处中心极限定理

对于均值为零的平稳相伴随机变量序列,首先证明了在L(n)=EX_1~2 2 sum from n to j=2 Cov(X_1,X_j)是一个缓变函数的条件下的泛函型几乎处处中心极限定理.另外还给出了正则化部分和函数的对数平均几乎处处收敛性.     

改进型基于径向双折射晶体的超分辨滤波器

改进了现有的基于径向双折射晶体的横向超分辨滤波器.通过调整偏振器的偏振方向和晶体光轴之间的夹角,改进的滤波器可以实现更广的超分辨可调范围,并且在相同的条件下,相对于现有的连续振幅型超分辨光瞳滤波器,超分辨性能和焦深都有较大提高.改进的超分辨滤波器,为实际应用提供了更多方便.     

用于全光缓存的光阈值门理论和实验研究

提出了一种基于光阈值门的全光缓存方案,采用两个非对称的SOA环形腔激光器耦合构成光阈值门,其输出光可以在两种波长上切换,可控制波长转换器实现光包路由,从而将需缓存的数据包路由到缓存端口,避免了复杂的包头处理.建立了光阈值门的理论模型,对10 Gbit/s的光阈值门的动态特性进行了数值模拟和实验研究,实验结果和理论计算结果相符合,实验也表明光阈值门两种输出状态的消光比可达30dB.     

一种多狭缝条纹变相管

设计了一种动态范围大、小型化条纹变相管,其时间分辨能力在2.6 ps左右,变相管的长度为196.532 mm,可以工作在单狭缝和多狭缝模式下,使得这种条纹变相管不但可以应用在激光核聚变、等粒子物理、激光技术、光生物、光化学等传统的超快诊断领域内,而且可以应用于海底探测以及空中预警等领域,可获得高速运动目标的三维空间+一维强度信息的探测.     

内窥式共聚焦成像系统分析

基于点扩展函数和傅立叶光学理论,推导出系统的相干传递函数,并详细研究了光纤对轴向分辨率的影响.研究结果表明：该系统为相干成像系统,系统的轴向分辨率随光纤半径A的增加而降低.最后,搭建了一套内窥式共聚焦成像系统,并测得光栅样品的共聚焦图像.实验结果表明,该系统具有良好的分辨率.     

非线性自回归序列L1估计的渐近分布

由于时间序列数据中经常出现的厚尾特征使得通常的估计方法不再具有渐近的正态分布,在误差项二阶矩有限的条件下考虑了非线性自回归序列的L_1估计.采用局部线性近似的方法得到了具有凸样本路径的随机过程,在此基础上利用凸样本路径随机过程弱收敛的性质证明了非线性自回归序列L_1估计的渐近正态性及无偏性.     

Maximal inequality and complete convergences of non-identically distributed negatively associated sequences

A maximal inequality for the partial sum of NA sequence is constructed.By using this inequality the complete convergence rates in the strong laws for a class of dependent random variables for weighted sums are discussed.The results obtained extend the results of Liang(1999, 2000).     

多集分裂等式问题的逐次松弛投影算法

多集分裂等式问题是分裂可行性问题的拓展问题,在图像重建、语言处理、地震探测等实际问题中具有广泛的应用.为了解决这个问题,提出了逐次松弛投影算法,设计了变化的步长,使其充分利用当前迭代点的信息且不需要算子范数的计算,证明了算法的弱收敛性.数值算例验证了算法在迭代次数与运行时间等方面的优越性.     

Machine Learning Approaches for Metalloproteins

Metalloproteins are a family of proteins characterized by metal ion binding, whereby the presence of these ions confers key catalytic and ligand-binding properties. Due to their ubiquity among biological systems, researchers have made immense efforts to predict the structural and functional roles of metalloproteins. Ultimately, having a comprehensive understanding of metalloproteins will lead to tangible applications, such as designing potent inhibitors in drug discovery. Recently, there has been an acceleration in the number of studies applying machine learning to predict metalloprotein properties, primarily driven by the advent of more sophisticated machine learning algorithms. This review covers how machine learning tools have consolidated and expanded our comprehension of various aspects of metalloproteins (structure, function, stability, ligand-binding interactions, and inhibitors). Future avenues of exploration are also discussed.