论文部分内容阅读
文章研究分数阶q-微分方程初值问题吸引解的存在性.在非线性项满足合适的条件下,文章巧妙地构造出无限区间上连续函数空间的一个有界凸闭子集.利用Schauder不动点定理,得到该初值问题至少存在一个吸引解,并给出相关的例子.
分数阶q-微分初值问题吸引解的存在性
【摘 要】
：
文章研究分数阶q-微分方程初值问题吸引解的存在性.在非线性项满足合适的条件下,文章巧妙地构造出无限区间上连续函数空间的一个有界凸闭子集.利用Schauder不动点定理,得到该初值问题至少存在一个吸引解,并给出相关的例子.
【机 构】
：
山西大同大学 数学与统计学院,山西 大同 037000
【出 处】
：
山西大学学报（自然科学版）
【发表日期】
：
2021年6期
其他文献
文章研究了带有时滞与动力学边界条件的波方程解的爆破性质,证明了在初值、阻尼权重、时滞与非线性源项满足一定的条件下,系统的解在有限时间内爆破.
传统机器学习模型大多依赖封闭世界假设,难以持续挖掘开放环境下动态文本数据流的语义信息.文章考虑动态数据流的粒特征变化,提出了一种基于三支多粒度学习思想的主题建模方法(Three-way Multi-granulari-ty Topic Model,3WMTM).根据“文本-主题-词汇”的粒度参数演化机理,构建了主题模型的动态多粒度分析框架,在主题不断新增背景下自适应更新阈值.实验结果表明,3WMTM算法在动态环境下能够维持较好的决策精度,即统计上无显著差异;并且3WMTM算法能够在每个决策阶段立即给出判断
形式概念分析是数据分析和知识获取的有效工具,而三支概念格是概念格的扩展.在形式概念分析中,完全格与概念格有同构关系,但并不是每一个完全格都会同构于三支概念格.文章对净化属性对偶背景下的原子、不可约元素、补集和概念格的∨-化简律等进行了研究,讨论了完全格、负概念格和三支概念格之间的同构问题.在给定的条件约束下,实现了完全格到概念格、负概念格和三支概念格之间的特征变换.“,”Formal concept analysis is an effective tool for data analysis and k
针对服从二项、泊松、几何、负二项、超几何、负超几何以及对数级数分布等离散型随机变量,给出了求其高阶原点矩的一个较为简单的递推计算方法.不仅非常容易地求出这些离散型随机变量的高阶原点矩,避免了计算阶乘矩或求导等复杂的运算,而且便于学生理解.论文还给出了这些离散型随机变量的3阶和4阶原点矩的表达式.
首先提出了简单1维数字流形的概念,接着研究了简单1维数字流形的具有C-相容邻接关系的笛卡尔积空间中的数字图像.进一步,为了研究数字复叠的笛卡尔积的Deck变换群,利用半径2-(ki2,ki1)-局部同胚的性质来体现数字复叠的笛卡尔积的Deck变换群在从数字拓扑的角度来比较数字积空间时的优势.此外,通过强调C-相容的必要性修正了文献(Han S E.Comparison among digital fundamental groups and its applications[J].Information
民办教育是我国教育体系中不可分割的一部分.也是我国民生的重要构成内容.旨在探明我国民办教育服务市场的需求要素与客户类型.分析影响民办教育服务对象决策的关键因素.基于我国某案例民办教育机构的客户数据.采用K-means聚类分析方法对我国民办教育服务市场的客户进行分类.最终将我国民办教育客户划分为三类.通过分析三类细分市场客户的行为特征.拟为针对各细分市场下制定差别化的服务策略提供建议.
谱聚类是一种无监督学习方法,在许多环境中都能高效地进行应用,且易于实现,已经成为非常流行的聚类算法之一.然而谱聚类仍面临两个主要的问题:(1)如果数据量过大,在对拉普拉斯矩阵进行特征分解时,需要大量的计算;(2)k-means在面对大量数据时也会有计算时间过长的缺陷.为了克服这两个缺陷,文章提出了一种基于图滤波的快速谱聚类算法(Fast Spectral Clustering via Graph Filtering,FSCGF),通过对随机信号进行滤波生成伪特征向量,克服了拉普拉斯矩阵的特征分解的困难,通
文章研究GI/G/1→/G/1串联排队系统,该系统由两个单一服务器串联而成,系统的到达过程是更新过程,两个站的服务时间服从一般分布.由于系统的到达时间间隔和服务时间服从一般分布,导致很难用解析的方法进行分析.根据系统的到达时间间隔和服务时间的三阶矩,文章分别将两个站的到达过程近似为MAP,服务时间近似为PH分布,从而将GI/G/1→/G/1排队系统近似为MAP/PH/1→/PH/1排队系统,构建相应的马尔可夫过程,采用矩阵几何解的方法求解系统的平均排队时间等数量指标.通过数值实验,验证了文章提出的近似方法
在前馈神经网络学习中,极限学习机(Extreme Learning Machine,ELM)具有高效快速的优势.然而ELM采用的2-范数损失函数在许多实际应用中受异常值影响较大.文章采用截断思想,将2-范数损失函数进一步改进为能够限定最大损失为常数的截断2-范数损失函数,构建了基于截断2-范数损失函数的鲁棒ELM模型,依此来抑制噪声和异常值对模型的影响.采用拉格朗日乘子法和迭代重赋权算法对模型进行求解.最后在UCI数据集和实际风速数据集上验证所提出模型的有效性.实验结果表明,与现有回归算法相比该模型在噪声