余代数的有限性之间的关系

我们先给出Beckenbach不等式的进一步推广。 定理1 设α,A,B,β_1,β_2,…,β_λ(λ≥2),k_j,1≤j≤n,均为正实数,又已知0相似文献   

关于迭代方程sum from i=1 to n(λ_if~i(x))=F(x)解存在性的讨论

一、引言本文讨论迭代方程λ_1f(x)+λ_2f~2(x)+…+λ_nf~n(x)=F(x),其中:f~o(x)=x,f~k(x)=fof~(k-1)(x),λ_i∈R~1。关于方程(1)的讨论直接源引于迭代根问题:求适当连续函数f:[a,b]→[a,b]。使     

关于仿射球的几个定理

设A~(n+1)是n+1维幺模仿射空间,M是n维C~∞流形,x:M→A~(n+1)是一个局部严格凸的具有等积仿射法化的超曲面。λ_1,λ_2,…,λ_n表示x(M)的仿射主曲率,令     

关于5阶KdV方程及其变形方程的Backlund变换和非线性叠加公式

5阶KdV方程为通过变量代换u=2(lnf)_xx,方程(1)可写为利用双线性算子的性质,我们证得了如下的结果。定理 1方程(2)的一个Backlund变换(BT)为(3b)其中λ为任意参数。定理2 设f_o是方程(2)的一个解,而f_1、f_2分别为由f_o出发经参数为λ_1、λ_2的BT(3)     

作为随机差分方程求解问题的统计-动力天气预报

t_0表示起报时刻,x为某物理量,λ为物理参数,(1)式右端为t_0时刻的空间项。统计离散化(1)式得x(t_0 1)=β_ox(t_0) θ_0F(x,λ,t_0) η_0,(2)当β_0=1,θ_0=△t,η_0=0时复回(1)式,β_0、θ_0为系数,η_0为随机噪声。同理有     

球面凸区域第一特征值的估计

设Ω是半径为R的两维球面上的凸区域,其边界为分片光滑。设此区域关于Dirichilet边界的Laplace算子的第一特征值是λ_1(Ω),则λ_1(Ω)≥1/4 h(Ω)~2,此处h(Ω)是Ω的Chee-     

完美匹配树最小正特征值的界

设G为n阶简单图,称其邻接矩阵A(G)的特征值为G的特征值。因A(G)是实对称方阵,故G的特征值均为实数,可按大小顺序排列:λ_1(G)≥λ_2(G)≥…≥λ_n(G)。若G是     

半局部环上辛群的自同构

本文定出了半局部环(2是单位)上辛群的自同构.定义1 取(β,ν)=(0 1/-1 0),令 T_i(λ)=I~(2n) λE_(osm i)~(2n)),T_(ij)(λ)=I~(2n) λ(E_(isn j)~(2n) E_(isn i)~(2n)),R_(ij)(λ)=I~(2n) λ(E_(ij)~(2n)-E_(n j,n i)~(2n)).T′_i(λ),T′_(ij)(λ)分别表示T_i(λ),T_(ij)(λ)的转置方阵.上面三种形式的阵生成的群记为SP′_(2n)(R).     

广义Bell不等式

Bell利用定域隐参量理论证明了Eins-tein定域性同量子力学的统计预言是不相容的。Bell的3个基本前提如下。(Ⅰ)自旋双值粒子系:关联粒子的自旋分量α_1·(?)和α_2·(?)只能有两个可能值,即A((?),λ)或B((?),λ)=±1,其中(?)、(?)为单位矢量,λ为隐参量。     

Boole算子Fuzzy逻辑中的广义归结原理

王湘浩、刘叙华的广义归结方法在一阶逻辑中推广了Robinson的归结原理,使得可以将归结方法用于一种非子句形式的公式集-广义子句集上.从而不仅可以避免从一般的公式集到子句集的转化过程所产生的大量符号冗余,同时也保持了对问题描述的自然性.我们在文献[2]中提出了Boole算子Fuzzy逻辑(以下简称BOFL),同时将归结方法简洁自然地引入BOFL.在BOFL中,一般地,对任意给定的公式G,可以将G转化成形如{λ_1,…,λ_m,λ_(m+1)∨C_1,…,λ_(m+n)∨C_n}的子句集S,其中λ_1,…,λ(m+n)是Fuzzy算子,C_1,…,C_n是不含Fuzzy算子的普通形式的子句,则对于任意的Fuzzy算子λ,公式G是λ-恒假的当且仅当子句集S是λ-恒假的.在将归     

紧李群上Fourier系数的Riemann-Lebesgue引理

设G为一紧李群,A_λ(x)是G的以λ为首权的单值不可约酉表示,d_λ是A_λ(x)的秩,则{Φ_λ(x)=d_λ~(1/2)A_λ(x),λ∈Λ(G)}的矩阵元素全体构成了L~2(G)的完备就范正交系。若G为环群时,熟知的Riem-     

∏_1空间上循环自共轭算子不变子空间

由文献[1],不妨设∏_1循环自共轭算子A在空间分解下有以下矩阵形式表示: A={λ_0,A_p,G,Q},(1)其中Z=[z],Z~*=[Jz],z为∏_1的非零零性向量,λ_0 ∈ R,A_p为P上自共轭算子,Q=Q~*。     

主成分分析、神经网络及矩阵特征值

主成分分析(PCA)是数据压缩及待征提取的一个基本方法. 近年来,主成分分析的神经网络算法引起众多学者的兴趣.设x是一个均值为0的n维输入随机向量,PCA的目的是找出p(p<< n)个向量ω_1,…,ω_p使(1)E[(ω_i~Tx)~2]为极大;(2)ω_i~Tω_i=δ_(i,j~i),j-1,…p.记A=E(xx~T)为相关矩阵,则上述ω_1,ω_2,…,ω_p即为A的最大的p个特征值所对应的特征向量.因此,PCA问题的求解与求正定矩阵A的最大特征值及相应的特证向量有关.在众多的算法中,收敛性的讨论都归结成相应微分方程的稳定性和渐近稳定性,但对全局稳定性讨论甚少. 正如Oja在文献[2]中指出,对于任意初始条件下的整体收敛的讨论是一个挑战性的问题,另一方面,几乎所有文章都假设A的特征值满足λ_1>λ_2>…>λ_n. 很自然地要问,当某些λ_i为重根时结果又如何. 本文的目的就是回答上述两个问题.     

收敛常数和标度因子的重正化群逼近

在一维单峰映像x_(n+1)=f(λ,x_n)中,每个k周期“窗口”内都含有k,k~2,…,k~∞的周期轨道。类似于倍周期分岔序列,它们的超稳轨道参数(?)_1,(?)_2,…,(?)_∞也都有其收敛常数δ_k,并且在无穷累积点(?)_∞(K)处,仍有普适的函数     

关于Campbell和Leach的三个问题

给定二个单重复数序列空间A,B,记(A,B)是从A到B的乘子空间。更确切地说,(A,B)={λ_n}_0~∞:{λ_nα_n}_0~∞∈B,对一切{α_n}_0~∞∈A。记λ*α是序列{λ_nα_n}_0~∞。我们把一个     

解析广义函数

设Λ是n维复数空间C~n中的一个开区域.对任意λ=(λ_1…,λ_n)∈Λ,有一个单变数的广义函数T_λ,如果对任意φ∈(?),是λ∈Λ的解析函数,我们就称T_λ为λ的解析广义函数.在盖尔芳特和希洛夫的名著[1]中,许多重要而有趣的例子都是解析广义函数(Λ(?)C~1).     

单位稳定环上的K_2(R,I)

若I为R的理想,λ_1:R→R/I,则S_t(λ_1):S_t(R)→S_t(R/I)的核,记为S_t(R,I),是由所有的x_(ij)(a)(a∈I)在S_t(R)中生成的正规子群。令φ表S_t(R,I)到E(R,I)上的同态映射,映射的核记为K_2(R,I)。由文献[1]知K_2(R,I)(?)CentSt(R,I)。当R为交换     

泛可积模的可约性

设是A=(α_(ij))_(i,j=1)~n是一个可对称化的广义Cartan矩阵,(η,π,π~v)是A的一个实现,其中π={α_1,…,α_n};π~v={α_1~v,…,α_n~v}。设(A)是结合于A的Kac-Moody代数,{e_i,f_i|1≤i≤n}是(A)的Chevalley生成员的集合。P={λ∈η~*|<λ,α_i~v>∈Z,1≤i≤n}     

不可约g(A)模的某些性质

设g(A)是结合于n×n广义Cartan矩阵A的kac-Moody代数,为Cartan子代数,π={α_1,…,α_n},π~v={α_1~v,…,α_n~v}分别为根基和对偶根基。P_+表示支配整线性函数的集合。g(A)上不可约可积模L(Λ)的权系记为P(Λ)。本文首先证明了如果λ是P(Λ)中的一个支配权,那么P(λ)P(Λ)。进一步,如果A—λ也是支配的,那么就有mult_(λμ)≤mult_Λμ,_μ∈P(λ)。此外还证明了文献[1]中命题11.2(b)中的条件不仅是充分的也是必要的,并利用P(Λ)给出P(λ)的一个刻划。本文中所用的符号均与文献[1]中的相同。     

负Ricci曲率紧Riemann流形上第一特征值的估计

本文在n维紧Riemann流形M上考虑下述问题:—△u=λu,得到了关于具负下界Ricci曲率的流形的第一非零特征值λ_1的两种互不包含的估计,改进了文献[1]的主要结果。