一类强迫时滞微分方程的全局吸引性

研究强迫时滞微分方程x′(t) =p(t) 1-ex(t-τ)1+λex(t-τ) +r(t)t≥ 0 (1)的全局吸引性 ,其中p(t) ∈C([0 ,+∞ ) ,(0 ,+∞ ) ) ,τ >0 ,λ>0 .获得了保证每一解收敛于 0的充分条件 .定理 1　假设p(t) ,r(t) ,0 <λ≤ 1满足∫+∞0 p(t)dt =+∞　　∫+∞0 r(t)dt　收敛　　limt∞r(t)p(t) =0且存在δ >0 ,对充分大的t有∫tt-τp(s)ds≤δ(1+λ)　　　 (δ- 12 ) (δ- λ1+λ) ≤ 1则 (1)的每一解x(t)当t +∞时趋于     

广义时滞Logistic方程的全局吸收性

研究广义时滞Logistic方程N′(t) =r(t)N(t) (1-N(g(t) ) ) α,t 0 ,其中r(t) >0 ,g(t) ∈C([0 ,+∞ ) ,R) ,g(t) 相似文献   

广义食物有限模型的全局吸引性

考虑广义“食物有限”模型N′(t)=r(t)N(t)(I-N(T-τ)/1+λN(t-τ))     

基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络

视网膜血管的形态学变化对早期眼科疾病的诊断具有重要意义,除眼科疾病外,糖尿病、心血管疾病等同样可以通过视网膜血管的形态判别疾病进展。然而,视网膜血管本身具有复杂的组织结构,且易受到光线等因素的影响,对其准确分割并不容易。针对上述问题,提出了一种视网膜血管分割网络。该网络中首先设计了粗糙注意力融合模块(rough attention fusion module,RAFM),该模块基于粗糙集上下近似理论,利用全局最大池化与全局平均池化对注意力系数进行上下限描述,并串行融合通道注意力机制与空间注意力机制;然后,将粗糙注意力融合模块融入Group Transformer U network (GT U-Net),构建一种基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络;最后,基于公开DRIVE彩色眼底图像数据集进行对比实验,该网络结构在测试集上的准确率、F₁分数、AUC值分别达到了0.963 1、0.848 8和0.981 2,与GT U-Net模型相比,F₁分数、AUC值分别提升了0.35%、0.21%;与其他当前主流...     

复杂目标电磁散射分析的FEM/PO-PTD方法

采用一种新的混合方法——FEM／PO-PTD法,分析计算带有腔体的电大尺寸复杂目标的电磁散射特性。该方法中,应用矢量有限元法(edge-based FEM)为基本方法,将腔体开口面上的磁场方程作为腔体内问题的边界条件引入泛函,采用物理光学法(PO)和物理绕射理论(PTD)分析电大尺寸规则目标的电磁散射特性。为了验证该方法的准确性,首先将其应用于三维无穷接地开口腔体的电磁散射特性分析,计算结果与有关文献的数据一致性很好。在此基础上,给出了带有不同介质填充腔体和吸波材料涂敷腔体的电大尺寸导体目标雷达散射截面的计算曲线。     

基于近似骨架和混合蛙跳算法的K-means方法及其在眼底病历图像中的应用

为提高K-means算法全局搜索能力,提升聚类效果,提出一种基于近似骨架和混合蛙跳算法的K-means方法。该方法首先利用经典的混合蛙跳算法取代K-means算法中原有迭代公式,获得更优秀的聚类结果;然后对获得的聚类结果,使用基于近似骨架和混合蛙跳算法的K-means算法不寻找聚类中心,而是直接对簇的划分进行修改。UCI数据集实验结果表明,使用改进的聚类算法获得的聚类结果,较其他算法结果更为优秀。最后将改进后的聚类算法应用到医学眼底病历图像中,可以得到较好的血管切割效果。     

基于量子云模型演化的最小属性约简增强算法

为提高决策表中最小属性约简的效率、稳定性和鲁棒性,基于云模型在非规范知识定性、定量表示及其相互转换过程中的优良特征对量子进化算法进行算子设计,提出了一种基于量子云模型演化的最小属性约简增强算法(QCMEARE).该算法采用量子基因云对进化种群进行编码,基于约简属性熵权逆向云进行量子旋转门自适应调整,使其在定性知识指导下能够自适应控制属性约简空间搜索范围,并采用量子云变异和云纠缠操作算子较好地避免了在属性演化约简中易陷入局部最优和早熟收敛等问题,使算法快速搜索到全局最优属性约简集.仿真实验表明,提出的最小属性约简增强算法具有收敛速度快、约简精度高和稳定性强等优点.     

一类只有两个不同非零交换理想的无限维李代数

构造了一类无限维李代数,它是无中心的Virasoro李代数的推广,且只有两个不同的非零交换的理想.还研究了这类李代数的理想、中心和子代数.     

一种求解属性约简优化的协同粒子群算法

针对粗糙属性约简优化问题,利用粒子群寻求最优解的优势,提出一种改进的粗糙集属性约简优化的协同粒子群算法(AR-CPSO)。在最优属性寻求过程中,该算法使粒子群在属性空间通过约简集向量的分解和邻域簇的协同学习提高其寻优能力,并利用自适应约束强化罚函数较好地收敛到最优目标属性约简集。该算法能始终保持种群的多样性、协作性,并避免过早地陷入局部最优。相关仿真实验表明,AR-CPSO算法能有效地找到全局最优属性约简集,具有较强的属性协同约简优化性能。