基于不确定控制理论的最优策略研究

本文在不确定理论的框架下,研究一类带背景状态变量的最优控制模型.在乐观值准则下,利用不确定动态规划的方法,证明了不确定最优性原则,得到最优性方程.作为应用,求解一个固定缴费(DC)型养老金的最优投资策略问题,在乐观值准则下,以工资变量为背景状态变量,建立养老金模型.通过求解不确定最优性方程得到最优投资策略和最优支付率.     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

基于模糊形式背景的变精度模糊信息粒

在模糊形式背景下研究变精度的模糊信息粒,给出精度为δ的必要模糊信息粒,充分模糊信息粒以及充分必要模糊信息粒的定义.在此基础上,进一步给出对任意给定的模糊信息粒转化为精度为δ的必要模糊信息粒,充分模糊信息粒及充分必要模糊信息粒的方法.     

基于自适应预测滤波理论的模数转换器设计方法

基于自适应差分量化理论，提出了在不增加转换位数的情况下提高模数转换器(ADC)动态范围的一种设计方法。该方法通过量化输入与预测的差值来获得预测增益，从而扩大ADC的动态范围；通过差分量化值与预测值相加得到输出信号，并将该分别采用LMS和RLS算法进行处理．得到输入信号的预测值．计算机模拟结果证实，上述两种算法均能使模数转换器的动态范围提高约25dB．比较而言，RLS算法收敛速度更快，收敛性更好，但计算量较大．     

像管亮度增益与背景测试仪

论述像管亮度增益与背景测试仪的原理，介绍仪器的组成以及测试数据的处理方法。     

不同加载方式下路堤沉降性状与预测模型研究

从考虑土体流变的本构关系出发 ,证明了瞬时加载、线性或者近似线性加载和分级加载情况下路堤沉降的性状 ,提出了从数学上能满足各自变形特征的预测模型 ,工程实例分析表明了在不同条件下采用不同模型的合理性和实用性     

空间目标的可见光散射与红外辐射

利用Lowtran7大气传输模型计算0.4～0.8μm可见光波段的太阳辐射、大气自身的热辐射以及天地背景辐射.依据粗糙面光散射理论与双向反射分布函数计算空中目标表面对太阳辐射和云层对阳光反射的散射.利用传热学和背景辐射理论,根据能量守恒定律建立空间目标表面温度的热平衡方程.以气球为例,计算不同表面涂层材料的气球,在不同地理位置、不同高度和不同时间条件下,其温度及辐射功率的变化.分析空间目标红外辐射特性的一般规律和特征.     

宇宙具有十二面体形状

 在从观测宇宙微波背景的Wilkinson微波各向异性探测器(WMAP)获得的数据基础上,美国数学家计算出,宇宙多半最终会具有十二面体形状。进行的是反证法:如果宇宙是无限的,则在微波背景上应观察到任何大小的波,但是实际上不是这样:Wilkinson微波各向异性探测器确实一次也没有观测到巨大的波。根据以杰弗里·威克斯(JeffreyWeeks)博士为首的数学家小组的计算,在宇宙微波背景上的波看上去完全像从规则几何形状十二面体内部看到的一样。其实,其他专家也证实,在其他几何形状内部也能产生类似的波结构。     

Local Prediction of Chaotic Time Series Based on Support Vector Machine

Based on phase space delay-coordinate reconstruction of a chaotic dynamics system, we propose a local prediction of chaotic time series using a support vector machine （SVM） to overcome the shortcomings of traditional local prediction methods. The simulation results show that the performance of this proposed predictor for making onestep and multi-step prediction is superior to that of the traditional local linear prediction method and global SVM method. In addition, it is significant that its prediction performance is insensitive to the selection of embedding dimension and the number of nearest neighbours, so the satisfying results can be achieved even if we do not know the optimal embedding dimension and how to select the number of nearest neighbours.