基于采样控制研究了时滞神经网络的指数同步问题。首先,建立了驱动-响应时滞神经网络的数学模型并设计了采样控制器。其次,在输入延迟法的框架下,通过构造时间依赖的李雅普诺夫泛函,并结合自由权矩阵方法,建立了保证驱动-响应系统取得指数同步的线性矩阵不等式形式(LMIs)的判据。最后,通过两个数值仿真算例验证了结果的可行性。

考虑物理层安全辅助的私密文件传输问题，提出了带有边缘计算服务器的智能基站作为中继协助完成文件压缩、传输与解压的安全传输方案。首先使用空间泊松点过程刻画多个潜在窃听者场景下的安全传输概率，然后构建两跳总安全传输概率约束下的时延及能耗最小化问题。通过一维搜索结合线性规划，得到了最优压缩与解压方案。仿真结果表明，给定安全概率约束下私密信息速率小的链路在传输前需要进行文件压缩，反之不需要压缩，可直接传输。

Au(I)催化1,5-烯炔不对称环丙烷化及环异构化反应的密度泛函研究---Ⅰ.催化剂与烯炔形成的配合物的结构与性质，张宝辉，李明，用密度泛函方法(DFT)研究了Au(I)催化剂与3-羟基-1,5-烯炔的配位方式，以及所形成的配合物的结构与性质。在B3LYP/6-31G*(Au分别采用Lanl2dz和MHF

python udp 周期发包和时延统计工具。client 周期发送报文，并统计RTT试验。server 是个echo 服务器。

针对NoC任务映射问题中时延难以预测和启发式算法效率低的问题, 提出一个时延改进模型和近邻随机遗传算法。该模型从宏观的链路负载分布和单个节点的排队时延两方面来构建NoC映射的时延模型, 通过引入时延因子、权重系数来刻画不同映射方案对时延性能的影响, 避免了NoC通信时延精确建模的难题。提出近邻随机思想来构建遗传算法的初始种群, 并且运用该算法实现了面向时延的NoC映射, 在达到全局最优的情况下, 比经典遗传算法效率提升将近20%。实验结果表明, 该算法优于现有的经典遗传算法和随机映射方案。

泛函分析讲义(MIT辅助教材)Functional analysis lecture notes by T.B. Ward，英文非扫描版

DFT的matlab源代码微小的DFT Tiny DFT是一种简约的原子密度泛函理论（DFT）代码，主要用于教育目的。 它仅支持球对称原子和局部交换相关功能（目前仅支持Dirac交换）。 在设计代码时，请牢记以下条件： 它仅取决于已建立的科学Python库：，和（鲜为人知）。 后者是用于算法区分的库，用于计算分析交换（-相关）势和网格变换。 数值积分和微分算法应足够精确，至少应为总能量的6个有效数字，但在许多情况下，数值精度会更好。 （通过分析计算出高斯基函数上的一些积分。泊松解算器使用具有勒让德多项式的伪谱方法。） 如果DFT和光谱方法具有一定的背景知识，则总行数应最少，源代码应易于理解。 与大多数原子DFT码一样，在一对角和主量子数内，对轨道的占据数都赋予相同的值，以获得球对称密度。 该代码仅跟踪每对量子数的电子总数。 “安装” 确保已安装依赖项：Python 3和（> = 1.4.0），（> = 1.0.0），（> = 2.2.4）和（> = 1.2）的最新版本。 如有疑问，请向您当地的Python专家寻求帮助。 如果您拥有Python 3，则始终可以使用pip安装或升级用户帐户

适合作为泛函的基础教材，容易切入而不失全面。我特别喜欢它对于谱论和算子理论的特别关注，这对于做learning的研究是特别重要的。Rudin也有一本关于functional analysis的书，那本书在数学上可能更为深刻，但是不易于上手，所讲内容和learning的切合度不如此书。

实变函数论与泛函分析的上册，第二版，夏道行等编著，非常著名的经典教材

针对具有通信时延的二阶多智能体系统的有限时间一致性控制问题，分别研究了具有固定拓扑和切换拓扑网络结构情形下的二阶多智能体系统的有限时间一致性。为使多智能体系统能在有限时间内可以达到一致，引入一致性控制增益矩阵并设计了相应的基于相对位置和相对速度的时延状态误差有限时间一致性控制算法，利用系统模型转换，泛函微分方程稳定性理论和有限时间Lyapunov稳定性定理得到了使系统在有限时间内达到一致跟踪的最大时延上界值。最后，仿真实验结果验证了所得理论的正确性和有效性。