可解BCI—代数的结构

本文引进了一般BCI—代数的换位理想的概念,并以此刻画了结合BCI—代数,进而解决了可解BCI—代数的构造问题。定义设x为BCI—代数,X中形如(x*y)*(y*x)的元称为它的一个换位子,记作〔x,y〕.令X_c为X的全体换位子的集合,称X_c在X中生成的理想为X的换位理想,记作C(X)。定理1 若X为广义结合BCI—代数,则C(X)恰由X的一切换位子所组成,并且 C(X)={x*(0*x)|x∈X}。定理2 若N为BCI—代数X的理想,则商代数X/N为结合的当且仅当C(x)N.特别地,X/C(X)是结合BCI—代数。推论 BCI—代数X为结合的当且仅当C(X)={0}。定理3 优BCI代数X是可解的当且仅当存在自然数n,使c~n(x)={0}。     

关于BCI-代数的P-半单子代数

本文旨在讨论每个子代数皆为理想的BCI一代数,得到了该类代数的一些充分条件与必要条件。设X是一个BCI—代数,x∈X,若0*(0*x)=x,则称x是一个P—半单元。用SP(X)表示X的全部P—半单元之集,则SP(x)是x的一个子代数。用P(X)表示X的BCK—部分,则P(X)是X的理想子代数,且易知P(X)∩SP(X)={0}。定理1 设X是一个BCI—代数,则SP(X)是X的理想当且仅当对任意x,x′∈P(X),y,y′∈SP(X),由x*y=x′*y′可推出x′=x,y′=y。定理2 设X是一个BCI—代数,若SP(X)是X的一个理想,则X中元可唯一地分解成P(X)中元与SP(X)中元之积。定理3 设X是一个BCI—代数.若M(X)非空,则P(X)≠{0},且SP(X)≠{O}。     

优BCI—代数的可解性

本文在优BCI—代数中引进了可解的概念,证明了优BCI—代数的一个可解性定理,并给出了优正则的BCI—代数可解的一个充要条件。     

关于弱关联BCI—代数

本文证明了弱关联BCI—代数必是弱可换的,建立了弱关联BCI—代数的一个结构定理:一个BCI—代数X是弱关联的当且仅当存在一个关联BCK—代数Y和一个p—半单BCI—代数Z使得X≌Y×Z。并讨论了弱关联、弱可换和弱正关联BCI—代数的关系。     

ZY3代数的理想和同构定理

本文讨论了ZY3代数的理想,并证明了同构定理8,9和11。定理8。设X是ZY3代数。若A是X的一个理想,则有同态f,使得X(?)X/A。定理9。设X_1与X_2是ZY3代数,且X_2中的基本二元关系“≤”是一个偏序。若X_1(?)X_2,则X_1/Ker f≌X_2。定理11。设X是ZY3代数。若A,K是X的理想,A(?)K,则X/A≌X/K/A/K。     

BCI—代数的诣零根

在 BCI—代数中,理想与子代数是两个独立的概念,多年来,许多人试图探讨这两个概念的内在联系〔如1,2〕,但只是在一些特殊的 BCI—代数类中进行.本文引入了幂零元概念,说明在 BCI—代数中,诣零性是一个根性;一个代数 X 是诣零代数当且仅当 X 的每个理想是子代数。从而彻底搞清了理想与子代数概念之联系.定义1 设 X 是一个BCI—代数,x∈X,若有正整数 n,使(…((0*x)*x…)*x=0, (n个*),则称 x 是一个幂零元.     

正则BCK—代数

本文给出了正则元、正则BCK—代数的概念。得到了如下的主要结果:〈X;*,0〉是一个正则BCK—代数当且仅当■x∈X,■y∈X,y≠x,若 x*(y*x)=0,则x=0。     

一类BCI一代数自同态的几点性质

型为（2．0）的代数（X;。,0）若满足以下公理：其中Z,y,Z为X中任意元素,则称X是一个BCI一代数。在BCI一代数中偏序关系＜定义为：二＜yp：。y＝0n」在任意BCI一代数X中以下结论成立：在BCI一代数X中,以x。y”记X中元素这里y出现n次。特别规定x。y’一x。gi理112］设X是一个BCi一代数,则对任意正整数足,以下结论成立：弓l理2［’］设X是一个BCI一代数,则以下结论成立：其中m,n是任意正整数,x,y,z是X中任意元素。设X是一个BCI一代数,对任意正整数n,定义X的自映射则由（9）易见0。是X的自同态。＊C工代数x的非空…     

模复形映射柱的一些性质

<正>本文对模复形映射柱的有关问题作了一些的探讨,得出了一些较好的结果.首先.我们叙述映射柱定理,然后,给出本文的结果及其证明.定理1:(映时柱定理)设f:(A,α)→(B,(?))是一个链映射,对每一个n,定义M_n=A_(n-1)(?)B△_n(f):M_n→M_(n-1)(α_(n-1),b_n)→(-α_(n-1)α_(n-1),(?)_nb_n+f_(n-1)α_(n-1))那么M=…→M_n(?)M_(n-1)(?)M_(n-2)→…是一个复形.     

有限优正则BCI—代数的Lagrange定理及正规理想

§1、引 言 1966年.日本数学家K.Iski引入了BCI-代数[1],即有下列: 定义1、一个BCI—代数是具有下列条件的(2,0)型的一个代数(X,(?);0):(?)x,y,2∈X BCI1,[(x·y)·(x·2)]·(z·y)=0, BCI2,[x·(x·y)]·y=0 RCI3,x·x=0     

GB代数的同态定理

本文对GB代数作了进一步研究,所得的主要结果为:定理2 设为GB代数,令G(X)={x_∈X|存在y∈X,使得x=y″},则是群伴代数且(X;*,e>∽.定理4 若是GB代数,令B(X)={x∈X|x″=e},那么为群伴代数且∽,这里Vx,y∈X,x～y当且仅当x*y,y*x∈B(X).     

对称BCI—代数类是一个BCI—代数簇的充要条件

1980年日本数学家K.Iséki提出这样的问题[1],即一个BCI一代数类是否是一个BCI一代数簇?文[2]中举出一例,说明这个问题的回答是否定的,並指出可结合BCI—代数类一定是BCI—代数簇。本文指出对称BCI—代数类是一个BCI—代数簇的充要条件是可结合的。并得到拟左(右)交错对称BCI—代数类都是BCI—代数簇。并证明了对称     

论测度的正则性

关于测度的正则性,本文证明如下的一个定理。 设X是拓扑空间, μ是X上定义的Borel测度,满足:开集都是F_σ的; (ii)开集都是σ紧的;(iii)X=UX_n,每个X_n是开集,μ(X_n) <+∞;(iv)紧集都是μ可测的。那么,μ是正则的。 文章举例说明这是Rudin书中一个著名的定理的推广。     

用代数方程求射影向量

设■=L(α_1,α_2,…,α_m)是R~n的一个子空间,α_1,α_2,…,α_m,β∈R~n是列向量,则β_0=X_10α_1+…+X_m0α_m是β在W上的正(内)射影,当且仅当(X_10,…,X_0)′是线性方程组的解,此处A′是A的转置矩阵。     

不分明Tychonoff空间

设I=[0,1],它在数直线中的相对拓扑记为,我们称乘积诱导不分明拓扑空间(I,F_(θ×θ_I)为乘积诱导不分明单位区间,记为ω[0,1]。定义1 不分明拓扑空间(X,F)叫做不分明完全正则的,当且仅当对任一不分明开集A∈F和任一点P_(x_0)~α∈A,都有一个不分明连续映像T:(X,F)→ω[0,1],使得T(x_0)=0,T[X～～υ_α(A)]={1}。这里υ_α(A)=U{U:P_(x_0)~α∈N_U~βA},N_U~β是点P_(x_0)~α的邻域胚。不难看出,当α<1时,对任何A∈F都有υ_α(A)=σ_α(A),即A的强α—截割。定理1 若不分明拓扑空间(X,F)是不分明完全正则的,则它一定是拓扑生成的,也就     

关于弱正则—N(2，2，0)代数的若干结果

引入了弱正则*—N(2，2，0)代数的概念，着重探讨了弱正则*—N(2，2，0)代数的投射集P(S)及Q(S)的性质，得到了投射集构成群的一个必要条件；证明了在弱正则*—N(2，2，0)代数中，每一个幂等元集都是投射集。     

最近邻预测问题中条件风险估计量的完全收敛性

设(X,θ)是随机向量,X∈R~d、θ∈R~1;(X_i,θ_i)是(X,θ)的i.i.d.随机样本,i=1,…,(?)bjL_n是平方损失下最近邻(NN)预测的条件风险.设是L_n的估计量,其中θ_(nj),是按训练样本(X_1,θ_1),…,(X_(j-1),θ_(j-1)),(X_(j+1),θ_(j+1)),…(X_n,θ_n)与观察到的X_j对θ_j所作的NN预测。众所周知,在一定的条件下,L_n→2R~*,α,s.,其中R~*是Bayes风险。本文得到了L_n的完全收敛速度,即在E|θ|~(2+δ)<∞(δ>0)及其它条件下证明了     

关于Co(X)上的Korovkin逼近

设X为局部紧的Hausdorff空间,C_0(X)为X上在无穷远消失的连续函数全体构成的空间。本文证明了如下的Korovkin型定理: 定理:设为C_0(X)的子集,使得中所有函数均是正的,且区分的点,则由{f~i}_i=1,2,3;f∈张成的子空间为C_0(X)中的Korovkin空间,就是说,如果C_0(X)上正线性算子网(T_α)_α A是等度连续的,即supα∈A||Tα||<+∞且对任意h∈有lim||Tαh-h||=0,那么对所有f∈C_0(X),也有lim||Tαf-f||=0。     

正则SM—代数

本文对正则的SM—代数给出一个构造定理。作为这一定理的应用,还给出了次直既约的正则SM—代数和内射SM—代数。     

具有不正确设计阵和散布阵的随机回归系数和参数的G-M估计

考虑随机效应线性模型Y=Xβ+ε,E（β′,ε′）=0,Cov（（β′,ε′）′）=diag（б_1~2,б_2~2）,其中X,V≥o U≥0及A均为已知阵,α,б_1~2和б_2~2为参数,记此模型为 L（Xβ,Aα;б_1~2V,б_2~2U）,在 L（X_0β,Aα;б_1~2V_0,б_2~2U_0）下,假定X_0Aα和X_0β的G-M估计存在,我们求解下列问题:在什么条件下, L（X_0β,Aα; б_1~2V_0,б_2~2U_0）下的每个可估函数ω′_1α,ω′_2β及ω′_1α+ω′_2β的G-M估计也是L（Xβ,Aα;б_1~2V,б_2~2U）下相应待估函数的a）无偏估计;b）G-M估计