关于不定方程 5x(x+1 )(x+2 )(x+3 ) =6y(y+1 )(y+2 )(y+3 )

运用递归序列和平方剩余的方法,证明了不定方程5x(x+1)(x+2)(x+3)=6y(y+1)(y+2)(y+3)仅有正整数解(x,y)=(21,20).     

逻辑斯谛模型的递归分析与拟合

对逻辑斯谛模型进行了递归分析，得到递归公式．该式不仅为模型辨识提供了统计检验方法，而且可用于估计逻辑斯谛模型的二个重要参数：环境载力Ｋ和内禀增长率ｒ．用递归分析法拟合逻辑斯谛模型具有方法合理、计算简便和通用性强的优点．     

基于分形的递归调用实现三维树木可视化

三维树的可视化主要采用分枝模型技术来实现,采用分枝模型技术,即把植物外型抽象为由一系列的圆柱形(枝干)和多边形(树叶)所组成.     

采用尾递归方法提高Java代码的性能

算法中采用尾递归转换能提高java应用程序的执行速度,编译器能够自动把尾递归方法转换成循环,以提高程序的性能.     

基于递归特征消除和随机森林融合算法的大豆前体MicroRNA预测模型研究

随着大豆RNA基因的生物调控作用研究的不断深入,利用数据挖掘技术对大豆前体MicroRNA(pre-microRNA)进行有效的预测已成为该领域的重要发展方向。针对常规的随机森林算法在pre-microRNA预测模型中存在识别精度较低的问题,研究提出并构建基于递归特征消除(recursive feature elimination, RFE)与随机森林(random forest, RF)融合算法的大豆pre-microRNA预测模型。首先利用递归特征消除法筛选大豆pre-microRNA序列的最优特征子集;然后结合随机森林算法构建大豆pre-microRNA的预测模型;最后利用十折交叉验证法,将递归特征消除与随机森林(RFE-RF)融合模型的预测结果与单一随机森林和支持向量机分类模型的预测结果对比。研究结果表明:融合后构建的大豆pre-microRNA预测模型精度有明显提高,达到84.62%,相比于支持向量机算法(support vector machine, SVM)构建的模型精度提高了17.02%,相比于单独使用随机森林算法构建的模型精度提高了14.58%。该研究方法为大豆的pr...     

不定方程x(x+1)(x+2)(x+3)=33y(y+1)(y+2)(y+3)的整数解的研究

主要运用Pell方程、递推序列、同余式及(非)平方剩余等一些初等的证明方法,对不定方程x(x+1)(x+2)(x+3)=33y(y+1)(y+2)(y+3)的解进行了研究.证明了该不定方程仅有1组正整数解(x,y)=(9,3).同时给出了不定方程(x~2+3x+1)~2-33y~2=-32的全部整数解.     

常系数齐次线性递归数列线性空间

本文利用线性空间理论讨论了常系数齐次线性递归数列线性空间，并由常系数齐次线性递归数列的系数及其初始值求出其通项公式。     

神经网络在木材干燥过程中建模的应用

针对木材干燥过程的非线性特性,以及环境因素对木材干燥过程的干扰,造成木材干燥建模困难的问题,通过对神经网络的非线性、并行结构,学习、推理和多变量处理能力的研究,以干燥窑的加热阀开度、喷湿阀开度、排潮阀开度3个控制信号作为输入量,以窑内温度、湿度2个量作为输出量,利用时延神经网络和动态递归神经网络分别建立了木材干燥过程中的温湿度控制模型和木材干燥基准模型.并通过干燥实验进行网络训练和测试.结果表明:时延神经网络建立的木材干燥温湿度模型和干燥基准模型比动态递归神经网络的误差小、网络输出接近于真实值,能够较好的逼近实际系统.     

关于不定方程x3-1=26y2

用递归数列方法证明了方程x3-1=26y2全部整数解是(1,0),(3,±1),(313,±1086).