基于高维Gaussian Copula函数的区域农田灌溉需水分析

以广东省农田灌溉需水为例,构建了分区降水的8维联合分布模型,提出了给定全省降水频率的全省及分区农田灌溉需水分析思路,采用同频、典型年和最大权函数3种方法对区域需水、分区降水频率及需水进行了分析计算和对比。结果显示:Gaussian Copula函数能够很好地模拟广东省8个分区年降水联合分布,单变量最优分布主要为广义极值分布和广义正态分布。3种方法之间的全省农田灌溉需水相差甚小,但是各分区需水差别相对较大。典型年法推求的分区降水频率差异最明显,最大权函数法推求的大部分分区降水频率处于同频位置附近,其中分区Ⅷ的降水频率在特枯和特丰时明显偏离同频位置,而且其置信区间范围明显大于其它分区,表明分区Ⅷ不确定性更大。由于基于高维Copula函数联合分布模拟既考虑了分区降水的独立分布,又考虑了它们之间的相依性,而且能够给出分区需水的置信范围,因此认为最大权函数法推求区域农田灌溉需水更为合理。

广义Gauss-Laguerre-Radau求积公式

对[0,∞)上的广义Laguerre权函数wα(x)=xαe-x,讨论多重端点情形下的广义Gauss-Laguerre-Radau求积公式,从而推广和统一现有的一些结果.

Gauss-Weierstrass算子线性组合在Orlicz空间的加Jacobi权逼近

Gauss-Weierstrass算子是逼近论中非常重要的逼近工具,也是调和分析研究的主要内容。在实际应用中,利用Gauss-Weierstrass算子可以实现图像的低通滤波,从而达到图像平滑的效果。国内外学者主要研究了Gauss-Weierstrass算子在L_(p)空间,Besov空间中的讨论。关于Gauss-Weierstrass算子线性组合在Orlicz空间的讨论是一个难题,研究成果较少。本文主要研究了加Jacobi权Gauss-Weierstrass算子的线性组合,利用Holder不等式,Jensen不等式,Hardy-Littlewood极大函数,K-泛函推导出该算子线性组合的Jacobi权函数在Orlicz空间中的逼近定理.

重端点的Gauss-Laguerre求积公式

本文对[0,∞]上的权函数W_μ(x)=x~μe^(-x)(μ>-1)讨论了在端点x=0重数>1情形下的Gauss型求积公式.特别地,对Laguerre权函数W(x)=e^(-x).给出了重数为2的Gauss-Laguerre显式公式.

基于改进灰色聚类分析的电力变压器故障诊断

提出了基于高斯白化权函数的灰色聚类算法和高斯白化权函数参数σ的选择方法,通过对34组故障变压器DGA数据的学习,初步确定了σ参数值。实验分析证明,本文提出的故障诊断方法与实际检测结果一致,具有一定的有效性和实用性,并且具有分析速度快、实时性好的优点。

权函数在非局部损伤模型中的应用研究

分析了非局部损伤模型在模拟损伤发展中的特性,介绍了在非局部损伤模型中计算非局部等价应变时光滑权函数的特点及选取原则。通过算例表明,采用B-Spline权函数和Gauss权函数的非局部模型可以较好的避免有限元实现时,计算结果的对网格的依赖性和零能量消耗问题。

双输入型模糊前向神经网络的构建

利用高斯型隶属函数作为隐层神经元激励函数,构建了四层模糊前向神经网络.根据从训练数据集中提取出的插值样本数量来确定隐层神经元个数.网络结构确定后,基于二元函数逼近论确定最优权值,得到双输入型近似插值神经网络,说明了最优权值的双输入型模糊前向神经网络的实现过程.计算机数值仿真实验表明所构建的网络在运行时间、逼近精度与去噪效果等方面是有效的,丰富了多输入神经网络的构建方法.

关于Dirichlet L-函数的一个k次加权均值

利用Gauss和的定义及其解析方法研究了Dirichlet L-函数的k次加权均值分布,得到一个有趣的加权均值分布的渐近公式.

采用加权最小二乘准则的影像仪自动对焦方法

针对影像测量领域中自动对焦方法存在的对焦准确性不高、对焦过程复杂等问题,提出了一种采用加权最小二乘准则的自动对焦方法。首先,根据不同种类图像清晰度评价函数的评价特性,选定对焦过程中所用的图像清晰度评价函数。其次,在图像清晰度评价函数的基础上进行两阶段对焦,即粗对焦阶段与精对焦阶段。然后,分析了加权最小二乘准则中加权系数的确定原则并给出了其具体确定方法。最后,对精对焦阶段所得清晰度评价值进行归一化处理,采用加权最小二乘准则进行高斯曲线拟合求取极值,极值位置即最终正焦平面。实验结果表明:在步距为0.1mm的条件下,该方法与现有的洛伦兹(Lorent)、Gauss拟合方法相比,对焦误差由0.05mm降低到0.02mm,有效地提高了现有曲线拟合法的对焦准确性。

Dirichlet L-函数的一个加权均值公式

利用Gauss和的定义、特征和的性质及其解析方法研究了DirichletL-函数的4次加权均值分布问题,得到一个加权均值分布公式.

推广的Dirichlet L—函数的加权均值公式

利用Gauss和的定义、三角和估计、特征和的性质及其解析方法讨论了Dirichlet L─函数的2k次加权均值分布问题,得到一个有趣的加权均值分布公式。

Dirichlet L-函数的一次加权均值

利用Gauss和的定义、三角和估计及其解析方法,研究了Dirichlet L-函数倒数的一次加权均值分布,得到一个有趣的加权均值分布的渐近公式.

关于Dirichlet L-函数的2k次加权均值

本文的主要目的是利用特征和估计及其三角和方法研究Dirichlet L-函数的2k次加权均值,并得到了一个较为精确的渐近公式.

Dirichlet L-函数加权均值的推广

本文利用Gauss和的定义及其解析方法给出DirichletL -函数的加权均值分布问题的一个推广 。

Dirichlet L─函数的一次加权均值

利用Gauss和的定义、三角和估计及其解析方法研究了Dirichlet L─函数倒数的一次加权均值分布,得到一个有趣的加权均值分布的渐近公式。

关于Dirichlet L-函数的二次加权均值分布(英文)

利用Gauss和的定义与性质、特征和的性质及其解析方法研究了DirichletL-函数的二次加权均值分布问题,得到一个有趣的加权均值分布的渐近公式.

有导师学习神经网络的大米识别

为了利用智能算法来识别大米的种类属性,提出一种基于有导师学习神经网络的大米识别方法。该方法将训练样本的参数数据构造成测试集的标准数据,建立每种稻米的GRNN和PNN模型,并利用MATLAB软件对包含有不同几何特征参数的GRNN和PNN模型进行仿真。在已有训练样本数据的指导下,分析稻米米粒几何参数与稻米种类之间的关系,识别出其他样本的类别。结果显示,提出的方法能够精准地识别稻米的种属,而且GRNN模型的准确率要低于PNN模型,该方法容易实现,无庞杂计算,避免繁琐迭代过程。

关于Dirichlet L-函数的偶次加权均值

利用三角和估计、Gauss 和的定义、特征和估计及其解析方法讨论了Dirichlet L–函数的偶次加权均值分布问题,得到一个有趣的加权均值分布公式:

关于Dirichlet L-函数的一个加权均值公式

利用Gauss和的定义,三角和估计,特征和估计及其解析方法,研究了DirichletL-函数的二次加权均值,并得到了其均值分布的一个渐近公式.

Dirichlet L-函数的偶次加权均值分布(英文)

利用Gauss和的定义、三角和估计及其解析方法,讨论了DirichletL-函数的偶次加权均值分布问题,得到一个有趣的加权均值分布的渐近公式.