"Ljung"型随机算法的收敛性

本文研究了“Ｌｊｕｎｇ”算法的收敛条件,给出了两类条件下的收敛定理,并将收敛定理推广到观察值更复杂的情形     

Mcshane积分的LSRS收敛定理的新扩展

在Mcshane积分的LSRS收敛定理中建立了M-积分的LSRS收敛定理,并证明了该定理的条件比Lebesgue积分的控制收敛定理条件弱.本文首先证明一个引理,进一步证明了定理1,由此阐述了Mcshane积分的LSRS收敛定理中的定理比Lebesgue积分中Vitali收敛定理条件更弱,从而使Vitali定理成为LSRS定理的推论.     

函数序列关于几乎处处弱收敛概率测度序列积分的单调收敛定理

研究了函数序列关于几乎处处弱收敛概率测度序列积分的单调收敛性,在新的条件下得到了单调收敛定理,并推证出概率测度几乎处处弱收敛的若干新的等价条件.     

函数列局部一致收敛的条件

给出了函数列局部一致收敛的充要条件,并对其局部广义一致收敛、局部亚一致收敛的条件进行了刻划.     

“Ljung”型随机算法的收敛性

本文研究了“Ｌｊｕｎｇ”算法的收敛条件，给出了两类条件下的收敛定理，并将收敛定理推广到观察值更复杂的情形。     

一类新的AOR迭代法及比较定理

提出新的预条件AOR迭代法,并证明了收敛性,说明新的预条件AOR迭代法的收敛速度要优于经典AOR迭代法的收敛速度。给出数值例子验证了算法的有效性。     

H-矩阵及其比较矩阵的预条件Gauss-Seidel法的收敛性

讨论了新的预条件矩阵下的预条件Gauss-Seidel法.在更广义的分裂条件下,将此法应用于H-矩阵及其比较矩阵上,并得到了相应的收敛结果和谱半径的比较结果,从而说明应用于H-矩阵的预条件Gauss-Seidel法的收敛速度要比应用于它的比较矩阵的预条件Gauss-Seidel法的收敛速度快.最后,给出一个数值例子验证得到的结果.     

一种提高 CMAC神经网络收敛性的改进算法

为了克服CMAC(Cerebellar Model Articulation Controller)算法收敛不稳定问题,该文提出了一种提高CMAC神经网络收敛性的改进算法.首先将收敛条件扩展到一般情况,得出了当量化区间内训练样本均匀分布且学习速率不恒为1时,得到CMAC收敛的频域条件,分析并证明了学习速率对收敛范围的影响,并以此为基础提出改进算法.改进前后的算法进行对比仿真,结果表明改进算法能大大提高CMAC收敛过程的稳定性.改进算法用于克服CMAC的收敛不稳定性问题是可行的、有效的.     

一类随机微分方程欧拉格式的收敛性

本文研究随机微分方程的数值解,给出方程欧拉格式,证明方程的偏移系数和扩散系数均满足全局Lipsehitz条件时的收敛性,并求出了局部收敛阶和均方强收敛阶。证明过程中放宽了限制条件,也得到了与系数满足全局Lipsehitz条件和线性增长条件时相同的收敛阶。     

用压缩相似变换求正矩阵最大特征值的收敛条件

本文推广了 Brauer 的求正矩阵最大特征值的方法的收敛条件,并给出了一个收敛的压缩相似系数区间。     

关于拟牛顿法求解等式约束优化问题的超线性收敛条件

拟牛顿法是求解约束优化问题的有效方法之一,许多作者在理论上讨论了此类算法的全局收敛性和收敛速度,但关于收敛速度的条件讨论较少．Ｂｏｇｇｓ等人给出了一个拟牛顿方法求解等式约束优化问题的超线性收敛的充要条件,但假设条件较强．本文利用分析和代数的技巧,在较弱的条件下证明了该算法的超线性收敛的充要条件仍然成立．     

Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件

在一般假设下,提出并证明了Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件,分析了充分条件的优越性。分析结果表明:1)该充分条件的一个推论是文献[9]中定理1弱化后的结果;2)谱参数对谱共轭梯度法的全局收敛性起着重要的调节作用;3)该充分条件为构造全局收敛的谱共轭梯度法提供了依据。     

含Neumann边界条件的局部间断有限元方法的收敛性分析

针对一维常系数对流扩散模型方程,讨论了当含有Neumann边界条件时,局部间断有限元(LDG)方法的收敛性.证明了当边界条件为Neumann边界条件时,LDG方法为收敛的,且收敛阶可达到hk.     

HS与PR共轭梯度算法的整体收敛性

研究共轭梯度算法的整体收敛性,在放宽了的强Ｗｏｌｆｅ搜索（１８）、（１９）下证明了［１］中提出的修正ＨＳ共轭梯度算法的收敛性,在充分下降性条件下,βｋ＝ｍａｘβＨＳｋ,０｛｝时也具有整体收敛性,同时,βｋ＝ｍａｘ０,βＰＲｋ｛｝时,利用Ａｒｍｉｊｏ搜索和Ｇｏｌｄｓｔｅｉｎ搜索的共轭梯度法也具有整体收敛性．     

基于面板单位根方法的经济增长收敛性检验

在给出经济收敛性的随机定义的基础上,通过对99个国家和地区从1960到2003年44年的人均实际GDP数据进行面板单位根检验来验证收敛性假说是否成立。检验结果表明,绝对收敛性假说对所有的国家群体均不成立;在整个时间段(1960-2003)上OECD国家和EU国家和在APEC成立后(1989-2003)的APEC国家都出现明显的条件收敛迹象。     

EM算法收敛的必要条件

本文从变换Ｊａｃｏｂｉａｎ阵角度出发指出了ＥＭ算法收敛的必要条件，并给出了验证这一条件的近似方法，这为ＥＭ算法的实际应用提供了一定的帮助，而且避免了文章［２］，［４］中的纯数学条件     

PSD迭代方法收敛的一个充分必要条件

在线性方程组系数矩阵A为(1,1)相容次序矩阵及A的Jacobi迭代矩阵的特征根μj2＜1的条件下,得出了PSD迭代法收敛的一个充分必要条件,并给出了SSOR,JOR,PJ等迭代法收敛的充分必要条件.最后根据定理确定实例的收敛区间.     

关于对角变换法计算非负不可约矩阵的最大特征值和相应特征向量的注记

对角变换法是计算非负不可约矩阵最大特征值的有效方法之一,多年来受到人们的重视与研究.但是有关收敛性讨论往往比较繁琐.Pham Van At在文[1]中把对角变换法作了一般性定义,称之为F-方法。给出了方法收剑的充分条件,并作了较为简捷的证明.文[1]讨论了两类特殊的F-方法,一类叫FL-方法,另一类叫Fc-方法,均给出了较为实用的收剑条件.受文[1]的启发,本文讨论了一类新的F-方法,称其为FLW-方法,并给出了相应的收敛条件.     

一类非线性发展方程差分法的稳定性

研究了用差分法求解自治的发展方程时稳定性和收敛性这两个基本概念之间的联系,利用计算时间的有限性和紧致性,在可解集为开集的条件下,得出方程解的邻近也可解的结论.当近似方法同时具备收敛性和稳定性时,方程解必然具备逐点Lipschitz条件.方程解的邻近如果可解并具备逐点Lipschitz条件,则差分法收敛必有稳定界存在,从而差分格式收敛性保证其稳定性,因此可以放弃线性这一重要条件.     

基于共轭梯度法和最速下降法的非线性测量数据处理

将共轭梯度法与最速下降法有机结合起来，构造出一种解决非线性测量数据处理问题的新方法——混合算法。这种方法充分利用了共轭梯度法和最速下降法良好的收敛优点，既提高了共轭梯度算法的收敛速度，又解决了目标函数“性态不优”时，最速下降法难以解决的问题。文中的算例结果表明，混合算法与单纯的共轭梯度法或最速下降法相比，具有收敛速度快、收敛范围大、适应面宽等特点。