一类函数最小点及最小值的插值解法

本文用等距节点插值法,推导出一类在闭区间[x_(n-1),x_(n+1)]上函数值满足f_(n-1)≥f_n,f_n≤f_(n+1)的函数的最小点及最小值的计算公式。     

模糊映射次微分在最小值点集合上的性质及其运算

在模糊数空间中，介绍了模糊数及模糊映射次微分等概念，引入模糊数的加法与乘法运算法则及序关系，定义了锥N（C，x0），证明了模糊映射在最小值点集合上的性质，通过实例，利用模糊数的定义、运算法则、序关系和模糊映射次微分的定义及性质对模糊映射的次微分作了尝试性的计算。     

函数值比微商值的个数多的Hermite插值公式的推导

文章给出了函数值比微商值的个数多的Hermite插值公式及其推导。     

求函数最值的初等方法

论述了函数的最值问题,总结归纳出求函数最值的７种初等方法。     

求函数最值的初等方法

论述了函数的最值问题,总结归纳出求函数最值的7种初等方法。     

二阶三点数值微分公式的外推算法

利用Taylor公式，给出了二阶三点数值微分公式在各点的截断误差的渐近展开式，并利用Richardson外推算法，提高二阶三点数值微分公式的收敛阶数，得到高精度的二阶数值微分公式．     

函数具有最小值的充分和必要条件

给出了广义的实值函数f分别在R^N和在R^N的闭子集S上具有局部最小值点x的一阶和二阶充分和必要条件．     

求最大值和最小值的思想方法及解题技巧

函数的最大值和最小值是数学中的重要概念，求最大值和最小值的方法和技巧，对于学好数学，加强实际应用，意义深远。     

一道最小值问题解的反馈信息

通过对几何题的分析,使学生明确解最小值的问题的特征,巩固了基础知识提高解题能力。     

一类矢量最小值的普遍解法

介绍了一种类型矢量最小值的普遍解法，并举例说明了该解法的应用。     

多个区间上平稳序列的最大值及最小值

在条件D(υ_n,u_n),D′ (υ_n,u_n)下,本文将平稳序列的最大值与最小值的渐近独立性推广到有限个不相交区间上,得到定理 {ξ_n}为平稳序列,满足D(υ_n,u_n),D′(υ_n,u_n),u_n=x/a_x+b_x,υ_n=-y/c_n+d_n,a_n>0,c_n>0,J=(α_in,β_in,),i=1,2,…,s,0≤α_1<β_1≤α_2<β_2≤…≤α_n<β_n<∞.如果P(α_n(M_n-b_n)≤x,c_n(M_n-d_n)>-y)→G(x,y)     

多元函数最大值,最小值的一个判定方法

从Ｒ＾ｎ→Ｒ＾ｎ同胚映射的角度研究了多元函数最大值、最小值问题，获得了相应的判定定理（充分条件）。     

费尔马问题的最小值公式

用两种方法给出费尔马问题最小值的解析表达式，并给出费尔马点的几何作法。     

一种用于噪声估计的改进最小值搜索方法

含噪语音短时功率谱的最小值搜索是噪声估计的基础。为了提高非平稳噪声估计的准确性,减小噪声水平上升时的噪声估计延时,提出了一种同时使用大、小两个搜索窗进行并行搜索的方法,最小值搜索的最终结果由两个并行搜索结果和基于噪声分类的语音存在二值判决共同决定。实验结果表明:对于高度非平稳的噪声,该方法能够有效地减小噪声估计的延时问题,显著提高增强后语音的质量。     

多元函数最大值、最小值的一个判定方法

从Ｒｎ→Ｒｎ同胚映射的角度研究了多元函数最大值、最小值问题，获得了相应的判定定理（充分条件）．     

对波菜尔改进拉格朗日插值公式思想方法的研究

R．Méray、波莱尔（E．Borel）及C．Runge等人已指出利用拉格朗日（Lagrange）插值公式所得多项式在一些情况下不能很好逼近被插函数．如何改进拉格朗日插值公式使之更好地逼近被插函数是当时数学家思考的一个重要问题，波莱尔即为其中之一．基于原始文献，利用历史分析和比较的方法，搞清了波莱尔改进拉格朗日插值公式的思想背景，分析了他的改进方法，探讨了其思想在当时的重要影响．     

一类混合边值问题的最小值原理

推导了一类混合边值问题的转换最小值原理和加权最小值原理。     

关于高斯最小值猜测的一个注记

高斯分布又叫正态分布,在数学、统计学、物理及工程等领域具有非常重要的作用,人们熟知的中心极限定理也彰显了它的特殊性。跟高斯分布相关的不等式与许多领域密切相关,吸引了众多学者的关注。一个著名的例子是“高斯最小值猜测”,该猜测说的是：如果$n\geq 2$, $(X_i,1\leq i\leq n)$为中心化高斯随机向量,则不等式 $E\left(\min_{1\leq i\leq n}|X_i|\right)\geq E\left(\min_{1\leq i\leq n}|Y_i|\right)$成立,其中$Y_1,\ldots,Y_n$为相互独立的中心化高斯随机向量并且满足$E(X_i^2)=E(Y_i^2)$, $i=1,\ldots,n$. 在这篇注记里,我们证明该猜测成立当且仅当 $n=2$.