矩阵损失下回归系数的线性估计的可容许性

针对广义的Gauss-Markoff模型Y=Xβ+θ,E(θ)=0,Cov(θ)=σ2V,其中X和V＞0是已知的n×p和n×n矩阵;β∈Rp和σ2＞0是未知参数,给出了矩阵损失条件下,Sβ的估计LY+a在非齐次线性估计类中可容许的充要条件.     

一类非线性规划问题的等价性证明

给出了非线性规划问题中目标函数单调变换前后的一个等价性证明.     

级数小于1的亚纯函数的Borel例外值

证明了当超越亚纯函数的级小于1时，其Norel例外值最多只有一个．由于存在任何级的整函数，因此一个例外值总可达到，故所得结果不能再改进。     

关于参数方程中参数的选取

一条曲线是具有某些特征的点的轨迹,在直角坐标系(或极坐标系)中,当一点的坐标(x,y)(或!,")都是同一个变数t的函数时,如果对于t的每一个允许值,方程所确定的点都在某一条曲线上,同时这条曲线上的任意一点的坐标都可以由t的某一个允许值通过方程得到。那么这个方程就叫做曲线的参数方程。     

逻辑函数化简的一种新思路

本文探讨逻辑函数化简的一种新方法。本方法依据函数项相互衍生的特点建立函数项相互连接与涵盖关系来进行筛选。其优点是使化简思路明确,化简工作量减少,特别是对于变量数较多的逻辑函数的化简更呈现其优越性。     

构建知识探究过程培养探究创新能力--兼谈函数奇偶性的教学设计

传统的数学教学中满足于把知识点讲清楚 ,而现代数学教学注重的是采取适当有效的教学方法 ,发挥学生的主体作用 ,培养学生的探究创新能力 ,这就需要我们恰当构建课本知识的再发现过程 ,引导学生积极思考 ,本文以函数奇偶性的教学设计为例 ,谈一谈自己的观点和做法 .1　构建知识探究过程教学设计的思路和方法1 .1　构建知识探究过程的理论依据 :(1 )学生学习数学的最有效的途径是进行再创造 ,他们在再创造活动中不断调动已有的知识经验并创造新经验 ,通过同化和顺应两种方式 ,不断形成数学的新认知结构 .这种形成的认知结构与掐头去尾烧中段…     

关于中值定理证明中辅助函数的构造

从分析方法入手，获得中值定理证明中的辅助函数。     

一种基于段的基音检测算法

作为语音信号处理领域一项基本、关键的技术,基音检测在语音信号处理中扮演着重要的角色,一直是语音信号处理的一个研究热点.首先对传统的基于短时自相关函数法的基音检测进行了研究;在此基础上提出了一种能同时检测一段语音信号基音周期的方法,有效地克服了传统基音检测算法只能检测一帧语音信号基音的缺点.进行了实验仿真,结果表明通过去野点,中值平滑等后处理的基于段的基音检测算法比传统的基于帧的基音检测算法具有更好的抗噪性.     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.