根据广义的惠更斯-菲涅耳原理, 研究了涡旋光束在湍流大气中的传输特性。研究结果表明, 涡旋光束在湍流大气中传输时, 截面光强会从空心分布转化为高斯分布。光束所带的拓扑电荷数以及大气湍流均会影响光强分布的变化。研究结果还表明, 涡旋光束能够抑制大气湍流对光束扩展的影响, 这一现象得到了实验上的证实。通过杨氏双缝干涉的方法, 还研究了涡旋光束经过湍流大气传输后的拓扑电荷数。研究发现, 涡旋光束经过湍流大气后, 拓扑电荷数将发生波动。

(1) 等副瓣电平； (2) 在相同副瓣电平和相同阵列长度下主瓣 窄，称为 佳阵列； (3) 单元数多，且副瓣电平要求不是很低时，阵列两端单元激励幅度跳变大，使 馈电困难。 在此之前我们分析的阵列天线，其副瓣电平均较高。为了使雷达系统具有较 高的抗干扰、抗反辐射导弹等的能力，往往要求雷达天线的副瓣尽量低。采用道 尔夫—切比雪夫综合法、泰勒综合法等设计的阵列天线就可实现低副瓣。 2.1.1 用单位圆说明实现低副瓣阵列的概念 在第一章§1.7 节利用谢昆诺夫单位圆分析等间距阵列天线中，阐述了阵列

在高斯白噪声信道中提出的各种多用户检测方法在脉冲噪声存在的情况下出现了明显的质量下降，而实际的物理信道中又经常伴随着脉冲噪声。将α-稳定分布噪声作为背景噪声模拟实际物理信道中存在的脉冲噪声，根据脉冲噪声的特殊性质，在恒模多用户检测算法的基础上将广义恒模算法应用到了多用户检测技术中去。仿真结果表明该算法在高斯白噪声以及α-稳定分布的脉冲噪声中均取得的良好的性能，具有很好的鲁棒性。

生成具有增强的复杂广义高斯随机变量协方差矩阵 Ta = [2*s 0; 0 2*s]; 和形状参数 c，其中 c = 1 对应于高斯情况。 x = cggd_rand(c,s,N) 用圆形生成复杂样本的向量 1xN 具有形状参数 c 和方差 2*s 的高斯分布。 [x,xa] = cggd_rand(c,s,N) 生成一个额外的增广矩阵 2xN， xa = [x;conj(x)]。 样本是根据以下结果生成的： Mike Novey、T. Adali 和 A. Roy“复杂的广义高斯分布--- 表征、生成和估计” IEEE 翻译Signal Proc.，第 58 卷。第 3 期，2010 年 3 月

通过分析动力分散式高速动车组多动力单元制动过程中制动力和速度之间的关系，根据动车组制动过程中的运行数据和制动特性曲线，建立高速动车组制动过程多动力单元的分布式三阶自回归模型;采用多 变量广义预测控制方法，实时生成各动力单元所需制动力，实现制动过程中对动车组各动力单元给定速度的跟 踪控制。采用 MATLAB软件和给出的建模方法以及跟踪控制方法，以 CRH380A 型高速动车组为例进行跟踪控 制仿真。结果表明:由仿真计算得到的动力单元速度与其实际速度的最大正负误差之绝对值均小于2km·h-1，均方根误差小于1km·h-1，均满足高速动车组运行过程的速度误差要求，验证了所建模型的准确性;高速动车组在制动过程中各动力单元对给定速度跟踪控制的最大绝对误差仅为0.195 8km·h-1，大大优于传统的多变量比例积分微分控制方法，满足制动过程中对动车组运行安全、舒适和停靠准确的要求。

为了从广义parton分布（GPD）的测量中有效学习，希望使用一个框架将它们进行计算，该框架可能将经验信息与标准模型的基本特征联系起来。 我们基于QCD的Dyson Schwinger方程的彩虹梯形（RL）截断，并以介子的化合价化夸克GPDHÏv（x，Î，t）为例，勾勒出了这种计算的方法。 我们的分析主要集中于¾= 0，尽管我们也将

鉴于简化Bishop法作为一种简单实用且精度较高的极限平衡方法却仅限于分析圆弧破坏的缺陷,提出将Bishop 法应用于任意滑裂面的广义方法.基于极限平衡理论和简化Bishop法的简化条件,推导其用于一般滑裂面破坏的边坡安全系数计算公式.通过实例分析考证比较该法的精度,并提出取矩中心的确定方法,以保证竖向力简化假设下的精度,为土坡稳定性分析提供了一种简单通用的方法.

广义正交匹配追踪(Generalized OMP, gOMP)算法可以看作为OMP算法的一种推广。OMP每次只选择与残差相关最大的一个，而gOMP则是简单地选择最大的S个。之所以这里表述为"简单地选择"是相比于ROMP之类算法的，不进行任何其它处理，只是选择最大的S个而已。

 针对工业过程中常见的非线性、慢时变及多变量耦合等系统，在西门子S7-300 PLC上，设计了一款通用型多变量广义预测控制算法模块。首先，选取了一种广义预测隐式算法加以分析，初步验证了其控制性能和在PLC上的可移植性；然后，采用符合IEC61131-3标准的结构化控制语言实现了PLC平台上的算法模块编程；最后通过硬件PLC结合工业组态软件的试验给出了模块应用于PLC程序设计的一般步骤；试验结果验证了该模块的有效性和通用性。

使用Python实现广义回归神经网络（GRNN）用于数据预测，压缩包中源码GRNN.py主要用于使用训练数据集进行模型训练，同时对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为保存预测的值及预测误差值。