我们在全息模型中检查传输，该全息模型通过非线性规范的场扇区描述了载流子之间的一般非线性相互作用。 通过使用几何形状引入缩放指数，该几何形状在红外中是非相对论的并且违反了超缩放。 在标称场扇不对几何形状发生反作用的稀薄电荷极限中，一个特别简单的非线性理论再现了铜价奇特金属R〜T和cotθH〜T2的电阻率和霍尔角的温度异常关系，同时还允许 对于线性熵S〜T，并预测磁场h的值较小时的磁阻应缩放为〜h2T-4。 我们的研究提供了这样的观点，即铜酸盐的奇怪金属行为主要取决于熵的线性温度依赖性。

我跷跷板的类型代表了标准模型中最受欢迎的扩展之一。 该模型的先前研究主要集中在其解释中微子振荡的能力以及通过瘦素生成的重子不对称性上。 最近，有人指出，由于对希格斯势的重中微子阈值校正，我的跷跷板类型也可以解释电弱标度的起源。 在本文中，我们首次展示了跷跷板类型的所有这些功能彼此兼容。 整合一组重的Majorana中微子会导致标准模型中微子的质量变小； 重结晶通过共振瘦素形成来完成。 并且希格斯质量完全由重中微子一环图诱导，只要树级希格斯势能满足紫外线中尺度不变的边界条件。 可行的参数空间的特征是重中微子的质量尺度大约在106.5⋯7.0 GeV范围内，并且质量几乎在简并的重中微子状态之间分裂，直至几个TeV。 我们的发现对高能风味模型和低能中微子观测物具有有趣的意义。 我们得出的结论是，我的跷跷板类型可能是所有已知粒子的质量和宇宙学丰度背后的根本原因。 在存在keV级无菌中微子的情况下，这种说法甚至可能扩展到暗物质。

我们显示，最近由ALICE合作发布的，在sNN = 5.02 TeV处p-Pb碰撞的已识别强子的横向动量（pT）光谱的实验数据展现出独特的普遍行为-夸克数定标。 我们进一步表明，结垢是强子化的夸克（重新）结合机制的直接结果，可以看作是p-Pb中强子产生的潜在来源与构成性夸克自由度的强烈指示。 如此高的能量碰撞。 我们还预测其他强子的产量。

当前，复杂网络已迅速形成了一门贯穿多领域的交叉性学科，其相关理论被应用于诸多领域.为了解复杂网络的研究现状，首先从复杂网络的定义与统计特性两个角度介绍了复杂网络的基本概念，然后列举了几种典型的复杂网络模型，以及在此基础上对其进行改进后所建立的模型并讨论其优缺点，围绕复杂网络结构特性与网络动力学两个方面进一步分析了当前复杂网络的研究现状并列举了近几年的研究成果，最后得出结论并对复杂网络未来的热点研究方向做出展望.

无标度BA网络上对立舆论的传播规律

互联网是一个不断生长与消亡的具有小世界与无标度特性的网络。基于此,在聚类系数可变的无标度网络上建立病毒传播模型。研究节点消亡速度、网络平均度、计算机连接度对病毒传播的影响。实验结果表明:节点的消亡速度越快,越能减缓病毒的爆发速度;网络的平均度越大,病毒传播越快;病毒爆发常发生在连接度较高的计算机上。这些结论对于防范病毒在互联网上的传播,具有重要的现实意义。

基于BA无标度网络模型，融合微博用户网络的特征，构造一种微博谣言传播网络模型。提出一种新的SIR（susceptible-infected-removed）模型，通过数值仿真探讨微博谣言的传播动力学行为。研究表明，当微博用户规模以及节点间新建连接数量不断增大时，微博谣言的最终感染程度显著增大，网络的传播临界值却大幅降低。研究还发现，拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。

本文基于对层次分析法在处理多目标决策问题时计算量较大、易出现误差的情况提出改进的目的，采用修改标度值和简化判断矩阵的方法，有效地解决了层次分析法在处理多目标决策问题时由于标度值差异太小而容易引起误差的情况，同时通过采用三角矩阵对判断矩阵进行简化，大大减少了求解过程中的计算量，有效地提高了判断矩阵的一致性。最后举例对改进前后两种方法进行了比较，结果表明改进后的方法能更好地适用于多目标决策问题。

将远程随机感染引入到经典的SIRS模型来研究复杂网络上疾病传播行为，考虑到感染节点在以一定概率把疾病感染到其邻接节点的同时，随机选取网络中一个不存在边连接的非邻接节点，并以一定的远程感染概率进行感染。针对小世界网络和无标度网络，分别采用重连概率相关和度相关的远程感染概率，利用平均场的方法求得改进的SIRS模型在这两种网络上的传播阈值以及稳态感染密度。数值仿真结果表明：对于小世界网络，有效传播率在一定范围内，重连概率对稳态感染密度和传播速度有明显的影响，超过这个范围，重连概率对稳态感染密度的影响可以忽略；而

DFA 算法是一种用于估计长期时间相关性的标度分析方法。 描述：去趋势波动分析（DFA）算法是一种缩放分析方法，用于估计幂律形式的长期时间相关性。 换句话说，如果事件序列具有自相关缓慢衰减的非随机时间结构，则 DFA 可以量化这些相关衰减的速度，如 DFA 幂律指数所示。 我们在这里介绍了作为神经生理学生物标志物工具箱的生物标志物实现的 DFA 算法。 您可以在http://www.nbtwiki.net下载此工具箱。 关于去趋势波动分析的教程可以在这里找到： http ://www.nbtwiki.net/doku.php? id= tutorial:detrended_fluctuation_analysis_dfa