交换封闭的理想语言及其准素分解

设X为一个有限集,X~*表示由X生成的自由么半群。X中的元素叫字母,X~*的元素与子集分别称为X上的字与语言。X~*的恒等元称为空字,记为λ。且记X~+=x~*-{λ}。 关于X上任一语言A,如下定义的X~*上的关系P_A是X~*上的同余:     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

广义序同态的特征性质与扩张定理的一个逆定理

设L为完备格,在L上定义关系如下:xy当且仅当xL,y≤supX时,存在 x~*∈X使x≤X~*z,记↓x={y∈L:yx}与↑x={y∈L:xy},如果xx,则称x为L的完全并素元,PO(L)表示L     

可结合的BCI代数

1966年由Imai及井关清志一起引进了BCK代数,即有下列:定义1 设X是具有一个二元运算*和一个常元0的一个集。那末X被称为一个BCK代数,是指它满足下列条件:(Ⅰ)(x*y)*(x*z)≤z*y;(Ⅱ)x*(x*y)≤y;(Ⅲ)x≤x;(Ⅳ)0≤x;(Ⅴ)x≤y,y≤xx=y;(Ⅵ)x≤yx*y=0。日本、斯里兰卡等国许多数学家,从事对这种代数系的研究,写出了大量的论文,得到了很多结果(文献[1])。本文要用到BCK代数的下列两个性质:     

由Fuzzy关系诱导的M-F连续映射性

定义1 T:X×Y→[0,1]是普通集合X到Y的单值Fuzzy关系,设x_2∈X,Υ(x,y)>0,令f~T(x_λ)=y_λT(x,y),称f~T为X到Y的M-F映射,记作f~T:X→Y。     

连续自映射——Ω爆炸

1.设(X,d)为紧致度量空间。用C~0(X,X)表全体X上连续自映射的集合并赋以C~0拓扑(一致收敛拓扑)。设f∈C~0(X,X)和任给ε>0。设x,y∈X。从x到y的一个ε链是指有限序列{x_0,…,x_n},使得x_0=x,x_n=y且d(f(x_(i-1)),x_i)<ε,i=1,2,…,n。用CR_ε(x)表X的这样的子集,使得y∈CR_ε(x)当且仅当存在从x到y的ε链。当y∈CR_ε(x)     

关于广义U、统计量的Jackknife与Bootstrap

设{X_j}_(j=1)~(n_1)、{Y_k)_(k=1)~(n_2) 分别为来自总体F_1与F_2的独立样本,{X_j}与{Y_k}相互独立。且设φ(x_1, …, x_(m_1); y_1,…, y_(m_2))为分别关于各x变元和各y变元对称的Borel可测函数。关于θ=Eφ的无偏估计可取以为核的广义U统计量     

一有限自动机的误差传播有界弱逆的结构

定义 设M=和M′=是两个有限自动机。任何s∈S和s′∈S′,若对任何x_0,x_1,…∈X都存在x_(_t),…,x_(-1)∈X使得λ′(s′,λ(s,x_0x_1…))=x_(-t)…x_(-1)x_0x_1…成立,且对任何l≥n≥0,任何x_0,…,x_l∈X和任何y_0~′,…,y_(n_1)~′,y_0,y_1,…,y_l∈y,都可由y_0…y_l=λ(s,x_0…x_l)推出λ′(s′,y_0 … y_l)=_(n+c)λ′(s′,y_0~′…y_(n-1)~′y_n…y_l),则称(s,s′)为延迟t步误差传播长度不大于e的匹配对,其中e是一非负整数,a_0a_1…a_l=_tb_0b_1…b_l表示a_t…a_l=b_t…b_l。对任何     

楔上的覆盖映照

在研究微分方程、积分方程的正解时,需要讨论楔上或锥上的映照是否为同胚。Banch空间中的集合K称为楔,若K是闭凸集,且(?)≥0有tK(?)K。设P、Q为楔,称映照f:P→p有线段提升性质,若(?)∈P,y_0=f(x_0),y_1∈Q,在P中存在道路x(t),0≤t≤1,x(0)=x_0,使得     

一个多元周期函数的Besov类的宽度估计

R~m表示m维欧氏空间,X=(x_1,x_2…,x_m),Y=(y_1,…,y_m)∈R~m,其数量积记作〈X,Y〉=sum form j-1 to m x_jy_j.用L_p(T~m)表示定义在T~m上的m维可测函数f(X)=f(x_1,…,x_m)的全体,此处T=[0,2π),这就是说f(x_1,…,x_m)对每一变量x_j都以2π为周期,并在T~上p幂可积(1≤p<∞)或本性有界(p=∞),赋以L_P范数如下:     

关于多元样条空间的维数

设D是矩形域D=[a,b](?)[c,d]。连接竖直和水平线x=x_i和y=y_i,i=1,…,m-1;j=1,…,n-1将D剖分成m·n个胞腔D_(ij)=[x_i,x_(i+1)](?)[y_j,y_(j+1)],其中x_0=a,x_m=b,y_0=c,y_n=d。于每个     

符号空间中子位移的测度熵与维数

1 定义与结论随着分形几何和动力系统的深入发展,符号动力学已成为研究浑沌和分形的一个有力工具,进一步讨论符号空间的有关分形特征是有用的.本文将给出符号空间中子位移的测度熵与维数的关系,证明Bowen的维数公式在非Markov结构下成立,从而得到关于维数的不变原理.设E={1,…,N},其中N≥2,赋与E以离散拓扑,设积空间∑_N=∏_i~∞=_1E,称∑_N为 n个符号组成的符号空间,它是一个紧致的可度量化空间.设P=(P_1,P_2,…,P_N)满足0相似文献   

t可约m×n 二部分竞赛图的得分表偶

设(X,Y)是m×n 二部分竞赛图T_(m,n)的顶点集合V(T_(m,n))的有序分划,其中X=(x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n},x_i、y_j 在T_(m,n)中的得分分别为a_i、b_j,l≤i≤m,l≤j≤(?),且a_1≤a_2≤…≤a_m,b_1≤b_2≤…≤b_n.记A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n),则T_(m,n)     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

关于吴氏非退化条件的一点注记

对多项式组PS:h_1(y_1…,y_n),…,h_s(y_1,…,y),由里特-吴整序原理,经适当更换诸yi的记法,可得一升列AS:f_1(u,)x_1),f_2(u,x_1,x_2),…,f_r(u,x_1,…,x_r),其中u=(u_1,u_2,…,u_d)。f_i关于x_i的最高次     

积分语言族的强可识性、半可识性与语言族的强替换性

令∑为有限字母表,∑~*为三生成的自由么半群。u∈∑~*为∑上的字,L ∑~*为∑上的语言,x L(∑)为∑上的语言族。∫XdV为关于字V的X的积分。c′(X)为X的强相容闭包。 郭聿琦等建立并讨论了语言族的强可识性,半可识性与强替换性。本文讨论积分语言族的强可识性与半可识性,建立了积分语言族强可识与半可识     

Banach空间的一类新特征函数

对于Banach空间X的每一点x,令其对应一个确定的f_x∈S(X~*),满足f_x(x)=||x||;并约定对任何a>0,f_(ax)=f_x。其中X~*是X的共扼空间,S(X~*)是X~*的单位球球面、考虑定义于[O,∞)的t的实函数f_(x十ty)(x)和f-(x十ty)(y)。空间X的许多几何性质可由这类函数的相应性质刻划。     

fd辖区与rf析取语言

一、引言 令X为一有限集合,X~+与X~*=X~+∪{ε}分别为X生成的自由半群与自由幺半群。 令L为X上一语言(即L(?)X~*),P_L为使得L是其若干等价类的并的X~*上的最大同余,即     

论一致分布与近似分析(Ⅱ)(数论方法)

命f(x)=f(x_1, …,x_s)为G_s上对每一变数都有周期1的函数。命α=(α_1,…,α_s)为一个有非负支量的矢量。当α_k=0时,置ρ_k=β_k=0,当α_k>0时,则置α_k=ρ_k+β_k,此处ρ_k为非负整数,0≤β_k<1。定义δ_h~kf(x)=(2i)~(-1)[f(x_1,…,x_k+h,…,x_s)-f(x_1,…,x_k-h,…,x_s)]。假定导数     

线性模型中最小二乘估计的强收敛速度

考虑线性模型如下:y_i=x_i~′β+e_i,i=1,2,…, (1)其中x_i~′=(x_(ij),…,x_(ij)为已知常值向量,β′=(β_r,…β_p)为未知参数向量。令设计矩阵X_n=(x_1…,x_n)′;Y_n=(y_1,…,y_n)′;S_n~(-1)=(X_n~′X_n)~(-1)(?)(S_(ij)~n)1≤i,f≤n。熟知β的最小二乘估计(n)有如下表达式