关于算术图的几个结果

图G=(V，E)(其中q=|(E(G)|称为(k，d)-算术图如果不同的点能用不同的非负整数标号，使得由端点标号之和所得边的值构成序列k，k d，k 2d，…，k (q-1)d．本文我们对(k，d)-算术图进行了讨论，得到了(k，d)-算术图的几个结果．     

Pell序列和Lucas序列的性质

利用参考文献[2]中的引理3，给出Pell序列和Lucas序列的又一通项公式及一些性质，最后利用[2]中定理4证明了[7]中的猜想．     

基于时间冗余的一种新的切变系统的稳定条件及其算法

提出了一种新的时间冗余的切变系统的稳定条件及其算法，用最小/最大持续时间和时间冗余的概念作为分析李亚普诺夫意义下稳定的条件，得到的结果比现有的由多重李亚普诺夫函数得到的稳定条件更为实用。     

中国撒拉族线粒体DNA序列遗传多态性研究

目的　以无关个体为对象 ,研究撒拉族人群线粒体DNA(mtDNA)序列遗传多态性。方法　应用PCR扩增产物直接测序法 ,对 10 0名撒拉族无关个体线粒体DNAD 环区高变区Ⅰ (HVSⅠ )进行测序分析。结果　在mtDNAHVSⅠ 16 0 91～ 16 4 18之间与Anderson相应序列比较共发现有 83处突变 ,构成 75种单倍型。点突变的主要形式为碱基替代 ,其中转换 83.5 4 % ,颠换 12 .6 6 % ,碱基插入 1.9% ,缺失 1.7%。撒拉族线粒体DNAHVSⅠ基因差异度为 0 .9912 ,偶合概率为 0 .0 189。结论　撒拉族与其他群体比较有其独特的线粒体DNA序列遗传特点 ,与亚洲其他人种及高加索人有明显差异。线粒体DNA序列多态性在群体遗传学调查及法医学个体识别方面有广泛的应用前景。     

基于时间序列神经网络的气象预测研究

月平均气温是气象的主要特性参数，也是影响气候变化的重要因素．文中配合实例介绍了一种基于时间序列的人工神经网络学习算法的流程，给出了该算法的实验结果并对不同情况下的结果作了比较，同时就在实现该算法的过程中所出现的问题以及解决方案进行了阐述．员后提出了将L—M神经网络与时序分析方法相结合的设想．     

宽间隔跳频伪码序列的研究

利用６４级ｍ序列＋非线性变换的方法产生宽间隔跳频码序列，结果显示：在跳频间隔１ＭＨｚ以内，其均匀性和同性能良好，非线性化和抗破译能力大大增强。     

混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.