离散指标下的最近邻判别分析

设(θ,X),(θ_1,X,),…,(θ_n,X_n)是独立同分布的随机向量,θ∈{0,1},X∈x{0,1,2,…相似文献   

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     

相依指数分布次序统计量的随机比较

本文研究了相依指数分布的最大与最小次序统计量的随机比较。设X_i～E(λ_i),X_i~*～E(λ_i~*),i=1,2,…,n,且两组随机变量间的相依性用生成元为Φ的阿基米德Copula进行刻画。得到如下结论:(1)当(λ_1,λ_2,…,λ_n)≥_m(λ_1~*,λ_2~*,…,λ_n~*)时,有X_(n:n)≥_(st)X_(n:n)~*成立;(2)当(λ_1,λ_2,…,λ_n~*)时,在t/(Φ'[Φ~(-1)(t)])关于t单调递增的条件下,有X_(1:n)≤_(st)X_(1:n)~*成立;在t/Φ'[Φ~(-1)(t)]关于t单调递减的条件下,有X_(1:n)≥_(st)X_(1:n)~*成立。     

有界变量次序统计量之一极限定理

设(X_1,…X_n)是在区间[0,1]中取值的r.v.X的iid样本,(X_1~(n),…,x_n~(n))是(X_1,…,X_n)的次序统计量,k=k_n是不超过n的正整数。本文对r.v.X的密度作了一些适当的限制后,确定了sup n/k_n (X_(i+k)~(n)—X_i~(n))的值,同时也证明了当k_n≥400logn时,上述上极限a.s.有界,而当k_n=o(logn)时结论不成立。     

高阶Hermite-Fejer插值算子的新估计

<正> 设函数f(x)∈C[-1,1],T_n(x)=cosnθ(x=cosθ)是第一类Chebyshcu多项式,x_k=x_k~(n)-cosθ_k=cos(2k-1)/2n π(k=1,2,…,n)是T_n(x)的零点.1975年Sharma和Tzimbalario考虑了由条件L_n(f,x_k)=f(x_k)L_n~(S)(f,x_k)=0(s=1,2,3;k=1,2,…,n)所唯一确定的4n-1次Hermite-Fejer插值多项式L_n(f,x),并且     

一个最优设计问题

设试验点集是X={x(t)=kt b:t∈[0,1],|k|≤B_1,|b|≤B_2},其中B_1>0,B_2>0都是已知数,参数空间={θ:θ∈L_2[0,1]}。被观察的随机过程为 Y(x,t)=∫_0~tθ(u)x(u)du N(t),t∈[0,1]其中{N(t),t∈[0,1]}是Weiner过程。本文得到关于线性泛函脉θ_0~*(θ)=∫_0~1θ(u)du的线性估计的最优设计为ξ_0=(x_1,x_2 α, 1-α)其中x_1=-B_1t-B_2,x_2=B_1t B_2,α满足0≤α<1。在得到这个设计时用到了Spruill[2]的一个定理。发现Spruill[2]中(16)式的证明是错的,因为他的叙述“因是对称的且凸的,对充分小的ε>0,(β-ε)θ~*∈”是错的,本文已将这个错误订正。     

平面上变系数Allen-Cahn方程的multiple-end解（英文）

平面上Allen-Cahn方程具有multiple-end解,进一步推广,变系数Allen-Cahn方程可以构造一类类似的整体解.给定k≥1,可以发现一个解集远离紧集,且它的零点集渐近于2k条直线(称为ends).这些解具有这样的性质:存在θ_0 …θ_(2k)=θ_0+2π,j=0,…,2k-1,且θ是(θ_j,θ_(j+1))的紧子集,使得■关于θ一致成立.     

关于均匀钱币投掷过程的可达性

设样品空间Ω={0,1},{X_m,m≥1}为一列相互独立的具有相同分布的随机变量满足P(X_1=0)=P(X_1=1)=1/2.Ω_n=ΩXΩx……XΩ为Ω的n维乘积空间,Ω_n~k={(a_1,a_2,…,a_n)|(a_1,a_2…,a_n)∈Ω_1,sum from i=1 to n ai=k},k=0,1,2,…,n.对Ω_n中之每个元素A定义TA(X_1,X_2,…)=(?)易见T_A(X_1,X_2,…)就表示事件A在过程{X_m,m≥1}中首次出现的时间。设A,B为Ω_n中任意二个不相同的元素,如果P(T_A相似文献   

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。     

超空间的乘积性和仿紧性

本文讨论了基本空间乘积的超空间和超空间的乘积的关系。例如,(2~(X_1)×2~(X_2),2~(τ_1)×2~(τ_2)和(2~(X_1×X_2),2~(τ_1×τ_2)的关系。给出了关于这些集合和拓扑结构的一些结果。我们也讨论了关于2~X的仿紧、a—仿紧、z—仿紧和完全正规的某些性质。并且给出了关于2~X正规性的一充分必要条件。     

Cartan引理的推广

本文将现代微分几何中著名的Cartan引理,推广到二次外形式空间(?)~2(V~*),得出两个定理.     

三粒子GHZ态隐形传输令牌环网的保真度分析

通过对三粒子纠缠GHZ态隐形传输令牌环网通信过程的分析,得到了影响保真度的2个关节点,并分别对其保真度进行了计算.计算结果表明：当|a|=0、|b|=1或|a|=1、|b|=0时,保真度达最大值1;当|a|=|b|=2/2时,Bell基测量时的保真度为0.5,平均保真度为0.67.Von Neuman测量时的保真度与分析角θ有关,若θ=π/4±kπ （k=0,1,2,…）,保真度取最大值1;若θ=π/4±kπ/2 （k=0,1,3,5…）时,保真度取最小值0,平均保真度为0.5.     

测度的一个新的定义及其应用

本文首先将以往正抽象测度的定义中无限可加性改为半可加性,并且又给出了一个函数f,利用函数f又给出了测度的另外一个定义,使得此测度既具有以往的正测度的含义,又能够应用到模糊集合、矩阵、组合论、群论等其它方面上去。     

涉及重级零点和分担值的亚纯函数的正规定则

设F是区域D内的一族亚纯函数,k,m,q均为正整数,P(w)=wq+aq-1(z)wq-1+…+a1(z)w,H(f,f′,…,f(k))为f的微分多项式且满足γH*0;a(z)≠0,b(z)≠0为区域D内的解析函数,任意的f∈F的零点重级至少为k+1且满足f(z)=a(z)当且仅当P(f(k)(z))+H(f,f′,…,f(k))=b(z),则F在D内正规.     

多维正态分布参数估计的损失函数和风险函数的Bayes估计

在N P（θ,Σ）和方差Σ已知情况下,给出了多维正态分布多维参数均值θ=（θ1,θ2,…,θΡ）估计的损失函数和风险函数的Bayes估计。     

多维平稳序列对线性系统的外推问题(续上期)

<正> 四最优解的明显表达式以下我们求h_(λ)的明显表达式.设x(t)是满秩正则的n维平稳序列,那么可以证明η(t)也是满秩正则的。事实上,在定理3的证明中已提到η(t)是满秩的。至于正则性,在满秩情况下只需证明(见[4]):     

限制偏导数的函数的多项式逼近

<正> 1.引言在一元函数中用一个与它单调性相同的多项式来逼近的问题已经有许多数学工作者作了精辟的论述[1——16]。作者在[17]中研究了二维偏单调函数的共单调多项式逼近。本文研究了限制偏导数的函数的多项式逼近,得出了与偏共单调逼近有关的一些结论。     

半群PO(X,Y,θ)的格林关系及正则元

设X和Y是有限非空集合,PO(X,Y)表示从X到Y的所有部分保序映射构成的集合.取定θ∈PO(Y,X),在PO(X,Y)上定义运算,如:αβ=αθβ,则(PO(X,Y),)是一个半群,称为有限部分保序夹心半群,记为PO(X,Y,θ).半群PO(X,Y,θ)的格林关系及其正则元被刻划了.     

关于Weibull分布顺序统计量的分布性质

设{Xk,1≤k≤n}独立同分布,X(1)≤X(2)≤…≤X(n)为其顺序统计量,当X(k)服从参数为m和η的韦布尔分布时,得到了其顺序统计量的联合概率密度函数和极端顺序统计量的密度函数,进一步得到X(1)和X(n)数学期望与方差的表达式。此外还证明了当参数m≠1时,X(1),X(2)-X(1),…,X(n)-X(n-1)不独立且不同分布;当参数m=1时,X(1),X(2)-X(1),…,X(n)-X(n-1)独立但不同分布。