一类非线性映象不动点与变分不等式解的遍历收敛性

设C是Hilbert空间中的有界闭凸集,本文通过对Ishikawa迭代过程使用遍历性技巧,构造性地证明了C上H—半连续准压缩自映象不动点的存在性,同时证明了单调映象变分不等式解存在的充要条件.所得结果推广了Browder和Petry-shn[1],Ishikawa[2]和Bruck[3]的相应结果。     

非线性Lipschitz连续算子的定量性质（Ⅱ）——glb┐Dahlquist数

说明Ｇ．Ｓｏｄｅｒｌｉｎｄ所引入的ｇｌｂ－Ｄａｈｌｑｕｉｓｔ数从本质上刻画了非线性算子的增生性．利用这一结果，将在一致平滑Ｂａｎａｃｈ空间中熟知的Ｌｉｐｓｃｈｉｔｚ连续的一致增生算子与压缩算子的基本联系推广至任意Ｂａｎａｃｈ空间．另外，还将稳定矩阵理论的２个基本定理推广至非线性情形     

一类自适应遗传算法的理论分析与数值模拟

对孙建永等人提出的自适应遗传算法进行了理论与性态分析，通过随机过程分析，证明了所提出的遗传算法在概率意义下全局收敛，另外通过大数量数值模拟说明了所提算法不仅较古典二进制遗传算法有效，而且较灾编码遗传算法也更为快速有效，新算法可应用于求解广泛复杂工程优化问题。     

非线性Lipschita连续算子的定量性质（Ⅱ）：gld—Dahlquist数

说明Ｇ．Ｓｏｄｅｒｌｉｎｄ所引和的ｇｌｄ－Ｄａｈｌｑｕｉｓｔ数从本质上刻画了非线性算子的增生性，利用这一结果，将在一致平滑Ｂａｎａｃｈ空间中中熟知的Ｌｉｐｓｃｈｉｔｚ连续的一致增生算子与算子的基本联系推广至任意Ｂａｎａｃｈ空间。另外，还将稳定矩阵理论的２个基本定理推广至非线性情形。     

非线性方程组的分裂型多步单调迭代法

把分裂型一步单调迭代法推广到分裂型多步单调选代法。研究了该方法的收敛性和收敛阶,并且具体化到几种典型的分裂型多步单调迭代法。     

字典乘积图的点转发指数

路由选择的优劣直接影响网络通信性能的有效性.在大规模超级计算机系统中,某些元件和连线发生故障是不可避免的,故障的出现势必会对路由的选择产生影响.由于路由选择的点转发指数是用来度量网络节点的负载情况,因而它是衡量路由选择优劣的一个重要参数.本文利用图的字典乘积方法,用若干已有的小网络来构造规模较大的网络,通过分析这些小网络与所得大网络拓扑参数之间的联系,首次得到字典乘积网络点转发指数的一个紧的上界和紧的下界.     

基于S1／2建模的稳健稀疏-低秩矩阵分解

为实现稳健的稀疏-低秩矩阵分解,本文首次引入矩阵的S1／2范数以诱导矩阵的低秩性来构建新模型,并在ADMM算法框架下设计了高效的交替阈值迭代算法．该算法采用增广Lagrange乘子技术,在迭代过程中交替更新低秩矩阵和稀疏矩阵．由于这两个矩阵的最优更新具有显式形式、算法整体的计算精度和时间代价得以控制．大量的数值模拟实验说明：相较于目前最好的不精确ALM算法,交替闽值迭代算法的迭代次数与时间代价大幅降低,对噪声更为稳健,分解出的低秩矩阵的秩与稀疏矩阵的稀疏度更接近于真实值．在对监控视频进行背景建模这一实际问题中,交替闽值迭代算法得到的背景矩阵更为低秩,更符合问题先验,且时间代价相较于不精确ALM算法降幅高达一个数量级,这说明新模型与算法能有效解决相关实际问题．     

信息系统的属性约简

粗糙集理论是一种新的处理模糊和不确定知识的数学工具 .属性约简是粗糙集理论研究中的重要内容之一 ,现已证明寻找信息系统的最小约简是 NP-hard问题 .本文提出一个基于信息量的属性约简的启发式算法 ,该算法的时间复杂性为 $O( | A|^3 | U| ^2 )$ .通过例子分析 ,表明该算法是有效的.     

带信息反馈的凝聚层次聚类算法

本文针对传统的基于相似性的层次聚类算法存在的两个问题(相似性度量中方向信息的丢失和算法的适应能力弱)提出了一种带有信息反馈的凝聚层次聚类算法.首先将无法预知的复杂数据结构描述成3个基本的结构特征单元,并对其进行建模构建一种相似性度量定义的泛型和一种凝聚的层次聚类算法.在凝聚的层次聚类算法中加入类信息的反馈机制,并在不同阶段对相似性定义的泛型进行具体化,充分利用数据点对之间的方向信息和距离信息进行聚类.该聚类算法主要有两大优势:(i)算法的适应能力较强,不需要假设的前提下可以处理无法预知的复杂数据结构;(ii)算法对噪声具有较强的鲁棒性,在不需要对数据集进行预处理的情况下能够在聚类的过程中识别噪声点或者噪声类.从人工数据和真实数据的试验结果可以看出新算法的优越性能.     

近似指数型神经网络的本质逼近阶

针对一类比Sigmoid更为宽泛的指数型激活函数,证明了三层前向神经网络的本质逼近阶.特别地证明了对于定义在Rd中紧子集上的任意连续函数f,存在隐层单元数为m(n)=Bdm(fi,nn)<ε(n 1)d(其中222(,)11,1,Bdfn=2 π2dωfn 2ω2(f,·)为f的二阶连续模,n为不小于1/ε的任意正整数)的近似指数型神经网络Rnσ(d)使其逼近f的精度与速度满足222(,())11,1.d∞fRnσd≤2 π2dωfn 2同时,当f属于α-Lipschtz函数类时,网络达到其本质逼近阶n?α(0<α≤2),所获结果较完整地刻画了该类神经网络的逼近特征,并揭示了该类神经网络逼近性态与网络拓扑之间的相依关系.