全局渐近稳定性的Jacobi猜想的证明

设f∈C~1(R~2,R~2),f(o)=0.考虑平面微分方程x=f(x) (1)很久以来人们猜测:如果(?)x∈R~2,f的Jacobi矩阵Df(x)的特征值都具有负实部,则微分方程(1)的零解全局渐近稳定.在文献中,此猜想被称为Jacobi猜想或平面Markus-Yamabe猜想.1963年,Olech证明此猜想等价于f的全局单射性.1988年,Meisters和Olech证明,当f是多项式映射时,Jacobi猜想成立.1991年Gassull,Llibre和Sotomayor证明,当f是Khovansky函数(一类解析函数)时,Jacobi猜想成立.本文对一般情况证明了Jacobi猜想成立.1 预备知识设S~k(R~2,R~2)={f∈C~k(R~2,R~2)|(?)_x∈R~2,Df(x)是稳定矩阵},k=1,2,…, ∞ .设f∈S~∞(R~2,R~2),则(?)_x∈R~2,Lyapunov矩阵方程Df(x)G(x)十G(x)(Df(x))~T=-I_2 (2)有唯一正定解G(x),其中I_2为2×2单位阵.显然G∈C~∞(R~2,R~(2×2)).定义微分方程(?)y=G(y)ν,ν∈R~2, (3)y(0)=x,     

渐近Bayes判别

设(θ,X),(θ_1,X_1),…,(θ_n,X_n)是取值于{0,1}×R~d的iid随机向量,P(θ=0)=P_0,P(θ=1)=P_1=1—p_0,而X在给定θ=i时的条件密度是f_i(x),i=0,1.记D(x)=P_1f_1(x)—P_0f_0(X),则I{D(x)≥0}(X)是θ的Bayes判别函     

截断参数估计的收敛速度

一、引言考虑双边截断参数分布族对于Lebesgue测度的密度函数为f(x;θ_1,θ_2)=k(θ_1,θ_2,)h(x)I_(θ_1,θ_2)(x),θ=(θ_1,θ_2)′∈△={(θ_1,θ_2)′:a<θ_1<θ_2相似文献   

Neutral方程解的渐近性态

在电力系统中往往会遇到如下的滞后微分系统x’(t)=Ax’(t-τ) Bx(t) Cx(t-τ),t≥0,(1)X(t)=(?)(t),-τ ≤t≤0,(2)这里A,B和C为N×N常数复阵,τ>0为常数滞后量,(?)(t)为已知向量函数,x(t)为未知向量函数.     

非自治时滞微分方程的渐近稳定性

许多人口动力学模型都能转化为下列形式的时滞微分方程x(t) λx(t) f(t,x(t-ι_1),…,x(t-ι_m))=0,t≥0,(1)其中具有生物意义的平衡状态被转化为(1)式的零解,全文均假设λ>0,ι_i>0(i=1,…,m),ι=(?)以及f∈C([0,∞)× R~m,R)且满足-a(t)M_t(-(?))≤f(t,(?)(t-ι_1),…,(?)(t-ι_m)≤a(t)M_t(?),t≥0,(2)其中(?)∈C_t(H)={(?)∈C([t-ι,t,]R):‖(?)‖_t=(?)|(?)(S)|相似文献   

一个数论函数的渐近公式

1 问题的转化对模n≥3,设整数1≤x≤n—l且(n,x)=1,我们知道存在唯一的1≤x≤n—1使得x·x≡l(modn)。设M(n)=sum from a=1 to n=1(a—a)~2,其中∑′表示对所有与n互素的整数求和。本文的主要目的是研究M(n)的渐近性质。关于这一问题,作者曾猜测:     

半参数模型估计有效性的一些结果

半参数模型是含参数和非参数的模型,非参数部分充当讨厌参数的角色,我们感兴趣的是参数部分。本文主要考虑模型Y-θ_1+g(T)+ε的渐近有效性,这里ε和T是独立随机变量,T服从[0、1]上均匀分布,θ_1是一未知实数,g(1)是一未知函数,ε的密度函数(?)(·)关于原点对称且大于0,     

非线性回归模型的几个二阶近似公式

给定非线性回归模型y=f(x,θ) ε,其中模型函数f(x,θ)关于未知p维参数θ二阶可导且一阶导数满秩。x,y,ε皆为n维向量。设随机误差ε服从N(0,σ~2I)。θ的最小二乘估计记为。估计量的偏差和残差分别记为b=E((?)—θ),e=y—f(x,(?))。 设V.和V..为f(x,θ)在真参数θ处关于θ的一阶和二阶导数,V..为p×p×n阶阵。V.可分解为V.=(U.,N)(R′,0)′,其中(U.,N)为n阶正交阵,U.为n×p阶,R为p×p阶非退化上三角阵。在参数空间中作坐标变换φ=R(θ—(?)),则模型函数关于φ的前二阶导数分别为U.和U..=     

任意初始点下的广义梯度投影方法

本文考虑问题(NP): 其中只={x∈E~n丨h_i(x)≤0,j=1,2,…,m}。 记I={1,2,…,m},g(x)=-▽f(x),φ_θ(x)=max{0,φ(x)},A(x)=(▽h_i(x),j∈I);H(x)为-n×n维对角矩阵,其主对角元为     

一类滞后量为[t]的一阶非线性泛函微分方程的渐近性和振动性

本文讨论tl,”比 x’(t)+户(t)x(t一[r])~o,,》o,(1)更广泛的一阶非线性方程 x‘(t)+沁)f(x(,一[r]))~0,,)0(2)的渐近性和振动性.(2)式中抓t))0(或风t)成0)为〔0,+co)上的连续函数,且在「。,+co)的任一子区间上试t)等0,f(,)为R上的连续函数,f(0)~0且当u钾。时,ut(“)>0. 定义1设袱t)是定义在〔O,+co)上的函数,并且满足条件 i)y(t)在[0,十co)上连续; ii)y(t)在〔0,+co)上任一整数点处存在单侧导数,在〔。,十co)上任一非整数点处可导; 111)在每个区间[,,二+z)〔[o,+co)(,~0,l,2,…)上y(t)满足方程(2),则称函数y(t)为(2)式在〔。,+co)上的一个…     

关于积分∫f(x,Nx)dx带准确余项的渐近展开公式

设r是一个正整数.假定二维区域(0≤x≤1,—∞相似文献   

一类具有变量时滞的非线性中立型微分方程组解的稳定性和渐近稳定性

考虑如下非线性中立型微分方程组(t)=A(t)x(t) f(t,x(t-△(t)),(t-(△t))),(1)其中时滞△(t)是连续函数,且满足条件0<△_0≤     

Hammerstein非线性积分方程非零解的个数及其应用

本文是作者工作的继续,利用Leray-Schauder拓扑度理论研究下面形式的Hammerstein非线性积分方程非零解的个数,这里G表Ⅳ维欧氏空间R~N中某有界闭域,函数f(u)在0≤u< ∞上连续、非负且f(0)=0,显然,对任何λ,φ(x)≡0都是方程(1)的解,我们证明了,在对k(x,y)     

指数族的自然参数空间

如所周知,指数型分布族,简称指数族,即 dP_θ(x)=C(θ)e~(θx)dμ(x),θ=(θ_1,…,θ_k)',(1)其自然参数空间是RA的凸集,参看文献。此处μ是(R~k,B~k)上的σ有限测度,B~k是Rk的一切Borel集构成的σ域,当k=1时此结论之逆也成立。本文研究一般的k的情况。 定理 任给R~k之一闭或开凸集(?),则存在指数族(1)式,以(?)为自然参数空间。当k>1时,对一般凸集此断言未必成立。     

Lienard方程零解的全局渐近稳定性

本文研究Lienard方程 x+f(x)x+g(x)=0 (1)的零解的全局渐近稳定性问题。已知的结果请参看文献[1—4]。以往大都采用Liapunov第二方法研究这个问题,而本文则采用Filippov变换的方法。所得结果包括已有的结果作为特例。本文总设 (ⅰ) f,g:R→R连续,xg(x)>0,x≠0。记F(x)=integral from n=0 to x f(s)ds,G(x)=integral from n=0 to x g(s)ds。令F_+(x)=max{O,F(x)},F_(x)=max{O,-F(x)},Γ_+(x)=integral from n=0 to x (1+F_+(s))~(-1)g(s)ds,Γ_(x)=integral from n=0 to x(1+F_(s))~(-1)g(s)ds,     

双边截断参数的无偏方差最小估计

考虑双边截断型密度族其中a和b固定,h(x)>0,a.e.(对Lcbesgue测度,下同)于(a,b),且h(x)对任何(θ_1,θ_2)∈△在[θ_1,θ_2]内L可积,而     

UMVUE不存在的一种分布族

设((?),(?)_x)为样本空间,{P_θ,θ∈(?)}是其上一分布族,对每一θ((?),P_θ关于σ有限测度μ具有密度f_θ(x)=dP_θ(x)/dμ(x)。假若此分布族存在完全充分统计量,那么由Rao-Blackwell定理知,任一可估实函数g(θ)均存在唯一的一致方差最小无偏估计。简记为UMVUE。但若完全充分统计量不存在时,g(θ)的UMVUE可能存在,也可能不存在,例如分布族     

单个守恒律解的衰减

其中f∈C~3且f″(u)>0,φ(x)是实轴上的可测函数且|φ(x)|相似文献   

一个数值微分公式的余项

微分插值公式f(x)=H_n(x)+R_n(x) (1)导出数值微分公式f(k)(x)=H_n~(k)(x)+R_n~(k)(x) (o≤k≤n),(2)这里H_n(x)为函数f(x)的n次插值多项式。设其节点为a_0,a_1,…a_n,则(1)式的余项可     

调和Hardy空间和混合模空间之间的连续嵌入

设D={x∈R~n;λ(x)<0}是一具有光滑边界的有界区域,λ∈C~∞(R~n)是D的一个定义函数,(?)λ在(?)D={x∈R~n;λ(x)=0}的某个邻域内处处不为零.对r>0,我们以dσ_r和dσ分别记(?)D_r={x∈R~n; λ(x)=-r}和(?)D上的n-1维Hausdorff测度,而以dm记R~n中的Lebesgue测度D上复值调和函数的全体记h(D)对f∈h(D)及非负整数m,置grad_mf为f的m阶梯度,其模为此处α=(α_1,α_2,…α_n)为n重指标,|α|=α_1+α_2+…+α_n,grad(?)=f.对0相似文献