END样本最近邻密度估计的一致强相合速度

利用扩展负相依(END)序列的Bernstein型不等式,研究END样本最近邻密度估计的一致强相合速度,给出了一致强相合性收敛速度的充分条件,并得到了与NA样本相同的一致强相合收敛速度.     

(~ρ)-混合样本下回归权函数估计的一致渐近正态性

在(~ρ)混合样本下,探讨固定设计回归模型的权函数估计的一致渐近正态性,并给出它的收敛速度:约为n-1/6.     

对多变量密度众数的估计

应用随机样本的核估计对多元函数的概率密度的众数进行估计,这个估计通过最大化对样本值的核估计来定义,证明了其强一致性,并且给出了几乎必然的收敛速度,这个收敛速度依赖于众数的值.     

流体拓扑优化的参数选择与分析

针对低雷诺数条件下翼型拓扑优化问题,基于改进的水平集方法研究了流体拓扑优化过程中参数选择对计算速度和结果准确性的影响。引入新参数m描述每次迭代时水平集函数进化的次数,用以控制进化的准确性与计算速度;通过数值推导选取适当的时间步长系数k,获得了影响数值计算收敛性及速度的参数选取规律。模拟计算研究结果表明:较大的m和k会导致计算收敛不稳定,无法获得精确的收敛数据;较小的m和k值会降低计算速度。分别建立m和k与迭代步数的函数,在满足优化准确性的前提下,可将收敛速度分别提高85%和80%,同时改进m和k的选取方式,可将收敛速度提高96%,采用改进的水平集拓扑优化方法有效地提高了计算收敛速度和收敛精度。     

基于Hybrid样本的学习过程一致收敛速度的界

学习过程收敛速度的界是统计学习理论的重要组成部分,这些界决定了学习机器的推广能力.以机会理论和Hybrid变量的概念为基础,讨论了基于Hybrid样本的学习过程一致收敛速度的界,并给出了这些界和函数容量之间的关系.     

END样本最近邻密度估计的相合性

在END样本下研究最近邻密度估计的相合性,给出弱相合性、强相合性、一致强相合性以及它们的收敛速度的充分条件,同时研究失效函数估计的一致强相合性.     

两指标鞅的一致收敛速度及对于平稳随机场的应用

根据平面格点序:(s_1,s_2)≤(t_1,t_2)当且仅当s_1相似文献   

相依样本时的线性经验贝叶斯估计

讨论了m相依样本时单参数总体中参数θ的线性经验贝叶斯估计，得到一致渐近最优收敛速度O(N^-1CN^-2)．     

具正负系数非线性中立型差分方程的稳定性

讨论一类具正负系数的非线性中立型差分方程??( x c x?)+p f x ()??q g x ()0, n N n n n k n n l n n r?=∈(0),其中k l r N f g C R R∈∈,且(0)(0)0;{}nf g c==为实数序列,{},{}n np q 为非负实数序列.利用反证法和分析的方法,结合均值不等式,给出了该方程零解一致稳定的充分条件.推广和改进了具正负系数的线性中立型差分方程已有的相关结果.,,(1),,( , )     

样本的k阶中心绝对矩的依概率收敛性证明

利用辛钦大数定律和随机变量序列依概率收敛的性质,通过不等式的放缩技巧,给出了样本的k阶中心绝对矩依概率收敛于总体的k阶中心绝对矩的证明.     

大维样本协方差矩阵谱分布收敛速度的一个注记

提高了在有限八阶矩条件下,p×n维大维样本协方差矩阵谱分布收敛到Marcenko-Pastur分布的速度.特别,如果样本维数比率y=yn=p/n接近1,p×n维大维样本协方差矩阵谱分布的期望收敛到极限分布的速度,改进为O(n-1/6).相似在y接近1的条件下,依概率收敛和几乎处处收敛速度为Op(n-1/6)和Oa.s.(n-1/6).     

逐次有理L2逼近的收敛性

设Rn(x)∈Rlm={P(x)/Q(x)},(n=1,2,…)是函数f(x)的第n次最佳L2逼近元,记Sn(x)=∑nk=1Rk(x),(n=1,2,…),在某些附加条件下证明了序列{Sn(x)}一致收敛于f(x),给出了序列{Sn(x)}一致收敛于f(x)的充要条件,并在另一较弱条件下证明了序列{Rn(x)}及其各阶导函数序列{R(k)n(x)},(k=1,2,…) 一致收敛于零.     

PA序列样本分位数估计的Berry-Esséen型界（英文）

主要利用PA随机序列的有关不等式,在合适条件下探讨了PA样本分位数估计的Berry-Esséen型界,获得了其一致渐近正态性的收敛速度且在三阶矩有限时,其收敛速度近似为O(n~(-1/6)).     

φ混合样本回归函数核估计的强一致收敛速度

设Ｘ和Ｙ分别是ｄ维和１维随机变量,（Ｘ,Ｙ）～Ｆ（ｘ,ｙ）。（Ｘｊ,Ｙｊ）,ｊ＝１,２,…,ｎ为来自（Ｘ,Ｙ）的样本。讨论了当样本为平稳φ混合随机序列时,回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的核估计ｍｎ（ｘ）（Ｎａｄａｒａｙａ于１９６４年提出的）的强一致收敛速度。在其他条件不变的情况下,得出了与独立样本相同时的强一致收敛速度。     

混合正态分布的收敛速度

研究了混合正态分布的收敛速度,得到了一致收敛速度.     

样本受零均值噪声影响下的学习理论的若干理论研究

学习理论的关键定理和学习过程收敛速度的界为支持向量机等应用性研究提供了理论基础，因此在统计学习理论中起着非常重要的作用.目前对这两部分内容的研究，人们总是假定所处理的样本不受噪声的影响，从而不会引起误差，但由于人为、环境等因素的影响，事实往往并非如此.基于此种考虑，文中给出并证明了样本受零均值噪声影响下的学习理论的关键定理并讨论了学习过程一致收敛速度的界.     

NA 样本下非对称损失函数截尾参数的经验Bayes检验

研究了负相关(NA)样本下具有非对称损失函数单边截尾参数的经验Bayes检验.其损失函数为L(θ,θ0 )=k1 (θ-θ0 )2I(θ＜θ0 ) [k1 (θ- θ0 )2 k2 (θ- θ0 )] I(θ≥θ0 ),ki≥0,i = 1,2.应用概率密度函数的核估计来构造检验函数,得到了它的收敛速率具有渐近最优性. 并发现对所提出的EB检验,在某些条件下,具有渐近最优性的收敛速率,能够任意接近于1.     

非线性方程求根迭代法收敛速度的数值估计

文章由迭代法收敛阶定义引出了收敛阶近似估计法,即通过对迭代偏差值取对数,然后使用数值拟合软件CurveExport1.3得到了拟合函数,最终得到了一般迭代法及newton法和割线法的近似收敛阶,与经典收敛阶结论一致,且该法适用于其他迭代法收敛速度的估计.     

LNQD样本最近邻密度估计的相合性

本文在LNQD样本下研究最近邻密度估计的相合性,给出弱相合性、强相合性、一致强相合性以及它们的收敛速度的充分条件,同时研究了失效率函数估计的一致强相合性。     

关于“狄尼定理的推广”一文的注记

本文给出狄尼(Dini)定理两种推广形式:(1)关于取值于某个一致空间的连续映射网一致收敛的定理.(2)关于取值于广义实值的半连续函数网的一致收敛定理.其中第一种形式可看成文[2]的推广.