关于Kuhn多项式求根算法的效率

按照Smale一种算法称作是良好的,如果计算复系数多项式一个根的成本,随多项式阶数增加不是指数式的。对于形如f(z)=x~z c_1z~(a-1) … c_m,所有|c_k|<1的多项式,Smale证明了Newton方法算一个根的成本按[100(n 2)]~9/μ~7增加,这里μ是允许论断失败的概率,0<μ<1(BulletinAMS,4(1981),1—36)。     

超越函数零点Kuhn算法收敛的一个充分条件

多项式零点的Kuhn算法,已经实际用于复平面上超越函数的零点计算(中山大学学报,1981,3:15—21)。本文给出Kuhn零点算法收敛的一个充分条件,并由此得到关于一类连续函数零点分布的结果。     

Kuhn算法的单调性质

不动点算法已经表现为非线性问题数值解的有效方法。算法的进行,常常是以某个参数(高度)的变化为标志,计算向高层发展,直至达到精度要求。有时这种发展是“迂迴”的,上升一段,又倒退一点。这种对算法效率不利的现象,在文献中称为YO-YO行为。     

Kuhn算法的成本和复杂性理论

我们证明了以下定理。定理1 已给是复多项式。应用Kuhn算法,不大于     

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   

关于密度估计的最优收敛速度

设X_1,…,X_n是取自具有密度函数f的m维总体的iid样本。f属于某个密度函数族。我们考虑的问题是用形如γ_n(x_1…x_n,x)(以下简记为γ_n(x))的估计量来估计f(x)。在具有相合性的情况下,种种意义的可能的最佳收敛速度问题。     

最近邻密度估计的一致收敛速度

一、引言和主要结果设X_1,…,X_n取自具有分布F和密度f的总体。为估计f,Loftsgarden和Quesenberry提出了最近邻方法。即指定自然数k=k_n≤n,对固定的x,找最小的a_n(x),使区间[x—     

最近邻密度估计的一致收敛速度

设总体有分布F,密度f,而X_1,…X_n,…为抽自该总体的独立随机样本,为估计f,Loftsgarden和Quesenberry(AMS,1965,p.1049)提出了如下的方法:选自然数K_n≤n,找最小的α_n(x),使[x-α_n(x),x α_n(x))这个区间包含样本X_1,…,X_n中的至少     

R-M随机逼近序列的收敛速度

自Robbins-Monro于1951年发表先驱性的工作以来,随机逼近(s. a.)的问题受到很多学者的注意.然而,现已发表的关于R-M过     

PL过程振动模的收敛速度

设X_1,X_2,…,Y_1,Y_2,…,T_1,T_2,…是三组相互独立的随机变量序列,而且各自为独立同分布的实值随机变量,X_i具有连续分布函数F,Y_i具有普遍分布函数G和T_i具有的分布函数D.在未删失和未截尾下,人们常常考虑基于数据X_i 1≤i≤n对其分布 F(·)的统计推断问题,此时F(·)的非参数极大似然估计是广为使用的经验分布函数F_n(·).     

关于强大数律收敛的速度下限

设X_1,X_2,…为iid的随机变数列,E|X_1|<∞。周知,如果0相似文献   

平稳过程大数法则指数收敛速度

一、主要结果设X_1,X_2,…,为一强平稳过程。大数法则的收敛速度一般是指概率趋于零的速度,这里ε>0。在Hipp,Lai等的工作中,其结果都是属于这种类型的。我们这里考虑何时P_n=O(ρ~n),0<ρ<1。     

具有Elitist选择的遗传算法的收敛速度估计

模拟进化计算是近年来信息科学、人工智能与计算机科学的“热点”研究领域,而由此派生的遗传算法是一族通过模拟自然进化过程搜索最优解的方法。其基本思想源于60年代,Holland在研究机器学习过程中,受达尔文进化论——适者生存的启发,而获得的一种概率搜索算法。该方法在早期作为一种自适应机器学习方法,而近几年在解全局优化问题、人工神经网络的训练与结构优化、程序设计自动化中的查错处理等方面已取得成功的应用,显示了非常广泛的应用前景。     

NN判别中错判概率的指数收敛速度

设(X_1,θ_1),…,(X_n,θ_n)是由总体(X,θ)中抽取的iid样本,通常称为训练样本,其中(X,θ)是取值于R~d×{1,…,S)的随机向量。又设ρ是R~d中与欧氏距离等价的一个距离函数。对于X=x,我们可以按照ρ(X_j,x)的递增次序把(X_j,θ_j),j=1,2,…,n,重新排列(当“结”出现时,用比较下标方式消除之),我们便得到一个随机向量(R_1,…,R_n),其中X_(R_i)(x),对所有i,是x的第i个近邻。于是我们可取θ_(R_1)(x)作为目的对于X=x的NN判别。一般言     

一般核下最近邻估计的一致收敛速度

§1.引言及主要结果 设X_1,…,X_n是来自某个具有分布F和密度f的一维总体的iid样本。为估计f,Loftsgarden和Quesenberry提出了如下方法:选定一个与n有关的自然数走k_n找最小的     

无界ρ-混合序列强律的收敛速度

文献[1]限制r.v.|η_n|≤1,a.s.,n≥1。文献[1,2]设1/2<α≤1,αp≥1,并对{η_n:n≥1}要求,本文提     

线性模型中最小二乘估计的强收敛速度

考虑线性模型如下:y_i=x_i~′β+e_i,i=1,2,…, (1)其中x_i~′=(x_(ij),…,x_(ij)为已知常值向量,β′=(β_r,…β_p)为未知参数向量。令设计矩阵X_n=(x_1…,x_n)′;Y_n=(y_1,…,y_n)′;S_n~(-1)=(X_n~′X_n)~(-1)(?)(S_(ij)~n)1≤i,f≤n。熟知β的最小二乘估计(n)有如下表达式     

m相依随机场渐近正态的一致收敛速度

称定义于同一概率空间(Q,J,P)上的随机变量族{X(Z),Z∈Z~p}为p维随机场。对VZ~p,记由{X(Z),Z∈V}产生的自然σ域为μ(V)。如果对任何V_1,V_2Z~p,d(V_1,V_2)>m,有μ(V_1)与μ(V_2)独立,则该随机场称作m相依的。     

相依数据的非参数分位数回归估计的最优收敛速度

文献[1]把通常的一维数据的分位数思想成功地应用于条件分位数线性回归.正如文献[2]中所表述的那样,由数据计算出的各条分位数回归曲线比一条均值回归曲线更能完整地描述一组数据的分布.关于独立观测数据的分位数线性回归.因为线性假设对模型限制太严,实际数据不一定满足这种模型假设.     

快速输入一元二次方程求根公式

作为一名初中生,你正在学习一元二次方程,所以有时你需要在Word文档中输入一元二次方程的求根公式,每次都得费力地使用插入公式功能进行输入.其实,只要你使用的是Word2007,即可让"数学自动更正"功能帮助你快速输入二元二次方程的求根公式.