一类非自治非线性系统零解的稳定性

dx_i/dt=A_i(t)x_i,(i=1,…,r) (3)的一个线性关联。这里x_i=col(x_1~((i)),…,x_(ni)~((i)))(i=1,…,r),n_1 … n_r=n,x~T=(x_1~T,…,x_r~T),A_i(t)为n_i×n_i(i=1,…,r)阶实对称矩阵,其特征方程的根关联项A_(ij)(t)为n_i×n_j阶矩阵,A(t)的每一元素连续有界,设|a_(ij)(t)|     

随机中立型微分方程稳定性

设ω(t)=(ω1(t),…ω_m(t))~T是完备概率空间(Ω,(?),p)上的Brownian运动,τ>0为时滞,A,B,C为n×n实阵.σ:R_ ×R~n×R~n→R~(n×n)是局部Lipschitz连续的.定理1 若存在对称半正定的n×n矩阵D,使得     

t可约m×n 二部分竞赛图的得分表偶

设(X,Y)是m×n 二部分竞赛图T_(m,n)的顶点集合V(T_(m,n))的有序分划,其中X=(x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n},x_i、y_j 在T_(m,n)中的得分分别为a_i、b_j,l≤i≤m,l≤j≤(?),且a_1≤a_2≤…≤a_m,b_1≤b_2≤…≤b_n.记A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n),则T_(m,n)     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

增长曲线模型中存在UMRU估计的充要条件

本文采用下列记号.对于矩阵 A 和 B,A>B 表示 A—B 是正定对称阵;AB 表示A 和 B 的 Kronecker 乘积;R(A),A′和 A~-分别表示 A 的列空间、转置和广义逆;P_A=A(A′A)~-A′;对于 s×t 矩阵 B=(b_1…6b),用 vec(B)表示 st 维向量(6_1~′…6_~′)′.trA 表示方阵 A 的迹.由 Potthoff 和 Roy 提出的增长曲线模型定义为     

一类褶积矩阵方程的解

设x~((n))=(x_0,x_1,…,x_n)~T,x_i,i=0,1,2,…,n为实数,T为转置,x~((n))的z变换记为x_n(z),它在单位圆周上的值为x_n(w),记[x~((n))]~*=(x_n,…,x_0)~T,它的z变换记为X_n~*(z),称矩阵Δ(x~((n))=[a_(ij)],i,j=0,…,n,为褶积矩阵,其中     

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     

非线性正系统的结构特性

这里扼要给出我们在非线性正系统方面所得到的几个结论,有关定义见文献[1].文献[2]中通过矩阵给出了线性正系统的概念.以下定义是更一般的:定义设某系统在零时刻由x 出发的轨线为φ(t,x),并记R_+~n={(x_1,x_2,…,x_n)~T∈R~n|x_i≥0,i=1,2,…,n).若对任意的x∈R_+~n,有φ(t,x)∈R_+~n,(?)t≥0,则该系统为一正系统.其中t 对于连续系统属于实数集R,对于离散系统属于整数集Z.     

一类含时滞的偏泛函微分方程解的稳定性

考虑含常时滞的偏泛函微分方程其中A(t),B(t)是在R~+=[0,+∞)上连续的n×n矩阵,D(t)=diag(d_1(t),…,d_n(t)),C(x,t)=diag(c_1(x,t),…,c_n(x,t)),而d_i(x,t)>0,c_i(x,t)≥0,i=1,2,…,n。φ是Ω×[—τ,0]上适当光滑的已知n维     

利用Fuzzy矩阵的Schein秩求本征集

e=(1,1,…,1)~T,对应本征方程为 AX=X,E.Sanchez证明了定理1 A的最大本征元X_M=A_(n+1)X_1=A_e~n。利用Schein秩定义,王鸿绪等证明了定理2 A的Schein秩ρ_s(A)=s的充要条件是不定方程A=X_(n×m)Y_(m×n)当m=s时有解,当     

具有低维正则奇流形的偏微分方程

关于Fuchs型偏微分方程,即已有许多工作,(1)式中A,Q均为及之m次多项式,系数在(t,x)∈C~(1 n)={(t,x),x=(x_1,…,x_n)}中原点附近解析。Kashiwara与Oshima称(1)式为具有正则奇流形t=0,其余维数为1。Malgfange对具有正则奇点的Fuchs常微分方程     

区间对称矩阵渐近稳定的充要条件和充分条件

对区间对称矩阵G[B,C]={A|A=(a_(ij))_(n×n)=A~T,b_(ij)≤a_(ij)≤a_(ij)},(1)B=(b_(ij))_(n×n)=B~T,C=(C_(ij))_(n×n)=C~T∈R~(n×n),Bialas研究了G[B,C]渐近稳定的充要条件.后经有关文献(略)得到结论:G[B,C]渐近稳定当且仅当其子集H[B,C]={A|A=(a_(ij))_(n×n)∈G[B,C],a_(ij)=b_(ij)或C_i}(2)渐近稳定.我们进一步构造K[B,C]如下:     

一个多元周期函数的Besov类的宽度估计

R~m表示m维欧氏空间,X=(x_1,x_2…,x_m),Y=(y_1,…,y_m)∈R~m,其数量积记作〈X,Y〉=sum form j-1 to m x_jy_j.用L_p(T~m)表示定义在T~m上的m维可测函数f(X)=f(x_1,…,x_m)的全体,此处T=[0,2π),这就是说f(x_1,…,x_m)对每一变量x_j都以2π为周期,并在T~上p幂可积(1≤p<∞)或本性有界(p=∞),赋以L_P范数如下:     

收敛系统和回归模型中最小二乘估计的强相合性

考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为     

多重Fourier级数及其共轭Fourier积分的球形求和

设E_K为K维欧氏空间,E_K中的点x记为x=(x_1,x_2,…,x_k),Q_k{x∈E_k;-π≤x_i<π,1≤i≤K},B(x_0,r)={x∈E_k;|x-x_0|≤r},Q={x∈E_k;|x|=1},K(x)=P(x/|x|)|x|~(-k)为球调和核,此处P(t)为n次齐次调和多项式。     

关于U-统计量理论的一些结果

设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下:     

关于本原矩阵严格Hall指数的一个猜想

设B_n是所有n阶布尔矩阵的集合,对A=(a_(ij)),B=(b_(ij))∈B_n,若a_(ij)≤b_(ij),i,j=1,2,…,n,则记A≤B。如果存在正整数k,使A~k=J_n(全1方阵),那么A∈B_n称为本原矩阵。这样最小的k称为A的本原指数,记作γ(A)。B_n中所有本原矩阵的集合记为P_n。如果存在置换矩阵Q,使Q≤A,那么A∈B_n     

RS_K积分与普通RS积分的关系

A.M.Russell定义并研究了RS_K积分.本文将研究各类RS_K积分与普通RS积分的关系,指出在所有RS_K 积分存在条件下,都可把它化成RS 积分.定义设f、g 是定义在[a′,b′]上的实函数,分法Γ(x_(K+1),…,x_(n+K-1)):a′≤x_(K+1)<…0,(?)δ(ε)>0,当‖Γ‖=max (x_i-x_(i-1))<δ(ε),ζ_i∈[x_i,x_(i+K)]     

丢番图逼近论与近似分析

1.命r=(r_(11),…,r_(t1),…,r_(1s),…,r_(ts))表示st维欧氏空间R_(st)中的点,引入记号r_i=(r_(1i)…,r_(ti))(1≤i≤s),(?)_j=(r_(j1),…,r_(js))(1≤j≤t);q=(q_1,…,q_t)k=(k_1,…,k_s)与m=(m_1,…,m_s)为整系数矢量;(x,y)=sum from i=1 to s (x_iy_i)表示矢量x与y的     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为