求多项式方程全部实根的单侧逼近迭代算法

<正> 不可能用解析法求出它的全部实根,只能用迭代法求根.而用通常的迭代法,例如简单迭代法,牛顿迭代法求根时,首先要选取一个比较好的初始近似值x_0使得由x_0得到的迭代序列{X_n}收敛于方程(1)的根.若X_0选取不适当,生成序列{X_n}发散.特别是,求出方程(1)的若干个根x_i~*后,一般都需要把含有已求出根的因子(x-x_i~*)分析出来,即     

Chebyshev加速法在斜对称化情况下迭代参数ρn的确定

在使用迭代法求解大型稀疏非奇异线性方程组时,引进由Chebyshev多项式形成的迭代向量{x(n)},对迭代过程进行加速,这是一种系统使用参数来加速的迭代法·在迭代向量序列{x(n)}形成的过程中,需要确定迭代参数序列{ρn}·对于斜对称化情况,迭代矩阵的特征值为纯虚数,且共轭成对地出现在虚轴上,而迭代参数序列{ρn}的确定恰取决于G迭代矩阵的谱半径S(G)的信息,即迭代参数序列{ρ2k}及{ρ2k+1}分别是单调增加和单调减少地收敛到同一个值,那么{ρn}必收敛且极限也是这个值,这样就可以利用极限值来选择一个最佳的迭代初值,从而使Chebyshev加速过程达到最优·     

关于最优停止问题中单调情形的注记

1.设(Ω,J,P)为一概率空间。{X_n,J_n}称为随机序列,若(i)(J_n)为一单调上升的J的子σ代数,(ii)对每个n,x_n为关于J_n可测的可积随机变量。设t为关于(J_n)的有限停时(也称停止变量),使EX_t~-<∞的有限停时全体记为C,则V=sup t∈C EX_t称为随机序列{X_n,J_n}的值。若有限停时t使EX_t=V,则称t为最优的。寻找最优停时即为最优     

强大数律的充要条件

设{X_n,n≥1}为定义在概率空间(Ω,■,Ρ)上的随机变量序列,EX_n=0,n=1,2、…,人们熟知{X_n}服从强大数律的必要条件为(i){X_n}服从弱大数定律,(ii)(X_n)/na、c、0·但其逆命题不成立。当(i)和(ii)成立时,还需加上什么条件才能使{X_n)服从强大数律?本文给出条件(iii),对任-ε>0、存在0>δ<ε,使得P{∩∪(ε-δ≤(|S_n|)/n<ε)}=0使(i),(ii),(iii)合起来才是强大数律的充要条件。并且(iii)和(i),     

WOD样本下最近邻密度估计的一致强相合速度

设{X_n,n≥1}是同分布WOD随机序列,具有共同的未知密度函数f(x)。利用WOD序列的Bernstein不等式,在适当的条件下,获得了WOD样本下最近邻密度估计的一致强相合速度。     

关于Banach空间X的Maluta常数D(X)的遗传不变性

Banach空间X的Maluta常数D(X)定义为D(X)=sup{limsup d(X_(n+1),co(x_1,… ,x_n)):{X_n}是X中的序列且diam(X_n)=1}.本文主要讨论任何无限维闭子空间的Maluta常数不变的Banach空间同时建立了Maluta常数与光滑模的一个不等式.     

Smarandache-Pascal派生逆序列的几个恒等式

引入了Smarandache-Pascal派生逆序列的定义,并利用初等及组合方法讨论了Smarandache-Pascal派生逆序列的性质,得到几个有趣的恒等式,从而证明了如果任何基序列{Tn}是一个二阶线性递推序列,那么它所产生的Smarandache-Pascal派生逆序列{bn}也是一个二阶线性递推数列,且当基数列{Tdn+1}是一个二阶线性递推数列{Tn}的子列时,则它的派生逆序列{bn}的线性表示式更为简洁.     

随机狄里克莱级数的收敛性

利用随机变量序列的强大数定律,研究了随机变量序列{X_n}在独立(可不同分布)情形下的性质,并当随机狄里克莱级数(s=σ+it)满足 (i)M>0,1≤p≤2; (ii)00,使得,C为非零正常数等条件时,得出收敛横坐标的简洁公式。     

Banach空间中渐近拟非扩张型映象不动点的具误差的Ishikawa迭代逼近

设E是实的一致凸Banach空间，D是E的非空有界闭凸集．Γ：D-D是一半紧的一致L-Lipschitzian的渐近拟非扩张型映象，{Xn}是具误差的Ishikawa迭代序列,在最近有关文献定理中的条件“对任意子列{xni}包含{xn}，当‖Txni^ni-xni‖→0时就有‖Txni-xni‖→0”的情况下，证明了{xn}强收敛到T的某一不动点，所以定理推广和改进了原有的有关结果。     

Banach空间随机元的强极限定理

Hanson等人得出了如下两个结果: 定理A 设{X,X_n;n≥1)是独立同分布的实随机变量序列,EX=μ,m(θ)=Ee~(OX)对某个含μ的开区间是有限的,{t_n;n≥1}是一个正整数序列且t_n≤n(n≥1),t_n/1gn→∞,那么     

偏序随机过程本质收敛性的一个注记

本文在最一般的情况下讨论了本质收敛、随机收敛和a.s.收敛三者之间的关系,证明了本质收敛蕴含着随机收敛,且本质收敛的过程必有一个等价的、具有某种意义的可分性修正,它a.s.收敛于相同的极限。     

一致连续Φ-半压缩映射不动点的带混合误差Ishikawa迭代逼近过程

设X为Banach空间,K为X的非空凸子集,且K+K K.设T:K→K为一致连续Φ-半压缩映射.设{αn}n∞=0和{βn}n∞=0为[0,1]中的2实数列,{un}n∞=0和{vn}n∞=0为K中序列并满足一定条件.如果{Tyn}有界,则带误差项的Ishikawa迭代序列{xn}n∞=0强收敛于方程T的唯一不动点.     

$F$-完备抛物仿射超球

设 $x:M\rightarrow R^{n+1}$ 是局部强凸超曲面, 由定义在凸域$D \subset R^{n}$上的局部强凸函数 $x_{n+1}=f(x_{1},...,x_{n})$给出. 在$M$上定义 $F$- 度量 $\tilde{G}=F(\rho)\sum\frac{\partial^{2}f}{\partial x_{i}\partial x_{j}}dx_{i}dx_{j}$.研究$F$-完备抛物仿射超球,得到了相应的Bernstein性质.     

Research on a Class of Equations over Finite Fields

Let F_q stand for the finite field of odd characteristic p with q elements(q=p~n,n∈N)and F_q~* denote the set of all the nonzero elements of F_q.In this paper,by using the augmented degree matrix and the result given by Cao,we obtain a formula for the number of rational points of the following equation over F_q:f(x _1,x _2,...,x _n)=(a_1 x_1 x_2~d+a_2 x_2 x_3~d...+a_(n-1)x_(n-1)x_n~d+a_n x_n x_1~d)~λ-bx_1~(d1)x_2~d2...x_n~(dn),with a_i,b∈F_q~*,n≥2,λ0 being positive integers,and d,d_i being nonnegative integers for 1≤i n.This technique can be applied to the polynomials of the form h_1~λ=h_2 with λ being positive integer and h_1,h_2∈F_q[x _1,x _2,...,x _n].It extends the results of the Markoff-Hurwitz-type equations.     

关于非扩展映象的弱收敛定理

首先讨论一个由非扩展映象的有限族所定义的迭代格式,主要证明了:设E为满足Opial条件的一致凸的Banach空间,C是E的非空间凸子集,Fi:C→C(i=1,2,…,r)为有限非扩展映象,且∩ri=1 F(Ti)非空,设x1∈C,迭代地定义序列{xn}如下:xn+1=Wnxn,(V)n≥1.其中Wn(n=1,2,…)为由T1,T2,…,Tr生成的W-映象.则{xn}弱收敛于T1,T2,…,Tr的共同不动点.     

Banach空间中的逼近问题

设E为实Banach空间,C为E上的非空闭凸子集且为E上的收缩核,P:E→C的保核收缩映象,文章在文献[2]的基础上,对带误差的迭代序列进行了修改,并证明了序列{xn}收敛于T1,T2,…,TN的公共不动点的充分必要条件为:limn→∞inf d(xn,F)=0,最后给出了在此基础上的两个推论.     

关于判定函数极值的一个注记

给出了函数f(x)在x0的左右两侧均非单调,但在x0处仍可取得极值的一个例子.     

赋范Fuzzy蕴涵代数

运用泛函分析的方法和技巧考虑非经典数理逻辑问题,首先引入赋范Fuzzy蕴涵代数及蕴涵距离的概念,并给出它们的若十性质;其次对赋范Fuzzy蕴涵代数中的序列和蕴涵开(闭)球进行研究.证明了:①每一半径不小于球心范数的蕴涵开(闭)球都是MP滤子;②每个收敛序列都有唯一的极限;③每个收敛序列都是Cauchy列;④如果一个Cauchy列{xn}的某个子列收敛于点x,则该Cauchy列本身也收敛于点x.     

独立同分布随机变量列加权和的弱大数定律

证明了{Tnbn}(对某些{bn})依概率收敛于1,并指明这些{bn};推广了文[2]中的结果.     

由混合序列生成的线性过程加权和的极限定理

假设线性过程Xt=∑〖DD(〗∞〖〗j=0〖DD)〗ajξt-j, t≥1, 其中{ξt,t∈Z}为一零均值的混合序列, {aj, j≥0}为一实数序列, 满足∑〖DD(〗∞〖〗j=0〖DD)〗j〖JB(|〗aj〖JB)|〗<∞, {ani,1≤i≤n,n≥1}为一实值的三角阵列, 在适当的假设条件下, 利用混合序列的中心极限定理及相应的概率不等式, 证明了由混合序列生成线性过程加权和的极限定理.