在L~2空间上用插值型算子逼近的一个註记

设定义在[a,b]上的权函数W(x)满足W(x)>0(a,e)和integral from n=a to b (W(x)) dx< ∞;以 (a<)x_n~(n)相似文献   

关于Hermite-Fejér型算子

§1.引言 设ω(t)是给定的连续模,H_ω={f;ω(f,t)≤ω(t)}。P_n~(α,β)(x)(α,β>-1)表示n阶Jacobi多项式;P_n(x)=P_n~(0,0)(x)为Legendre多项式。 定义1 (见[1,555页])设{x_κ~((n))}_(κ=1)~n(n=1,2,…)为属于区间[-1,1]的节点系。     

三次样条用端点值估计时的几个准确常数

设Δ_n(n=1,2,…)是把[a,b]分成n段的各种分划的全体,也即 Δ_n{(x_0,x_1,…,x_n):a=x_0相似文献   

Hermite-Fejer Interpolation With Moved End Points

Let Z_n={z_(kn)=cosθ_(kn):θ_(kn)=(2k-1)/(2n)π,k=1,2…,n}be the zeros of T_n(x)=cosnθ(x=cosθ,θ∈[0,π]).For 0≤ε≤1,let α_n=:α_n(ε)=:cos(1-ε)/(2n)π,β_n=:β_n(ε)=:cos(2n-1+ε)/(2n)π=-α_n,X_n~(1)=(Z_n-{z_(1z)})∪{α_n},X_n~(2)=(Zn-{z_(nn)})∪{β_n},X_n~(3)=(Z_n-{z_(1n),z_(nn)})∪{α_n,β_n},Y_n~(1)=Z_n∪{α_n},Y_n~(2)=Z_n∪{β_n},Y_n~(3)=Z_n∪{α_nβ_n}.     

关于保凸Spline插值方法

§1.引言 本文讨论保凸插值方法和单调保凸插值问题.设a=x_0相似文献   

二次样条的一种推广

在样条函数的讨论中,除了通常的多项式样条,T-样条等外,[1,2,3]分别讨论了更为一般的样条,本文考虑二次样条的一种推广,二次多项式样条是满足一定光滑性条件的分段二次多项式.设Δ:0=x_0相似文献   

一个三次样条插值定理

C.Davis和W.J.Kammerer曾先后用不同的方法证明了如下定理: 设y_0,y_1,…,y_n为实数,满足y_0>y_1,y_1y_3,…,则存在唯一的一个n次多项式P_n(x)和一组点x_0,x_1,…,x_n使得P_n(x_i)=y_i(i=0,1,…,n),P′_n(x_i)=0(i=1,2,…,n-1),0=x_0相似文献   

Banach空间非扩张映像不动点强收敛定理

设E是具弱序列连续对偶映像自反Banach空间, C是E中闭凸集, T:C→ C是具非空不动点集F(T)的非扩张映像.给定u∈ C,对任意初值x0∈ C,实数列{αn}n∞=0,{βn}∞n=0∈ (0,1),满足如下条件:(i)sum from n=α to ∞α_n=∞, α_n→0;(ii)β_n∈[0,α) for some α∈(0,1);(iii)sun for n=α to ∞|α_(n-1) α_n|<∞,sum from n=α|β_(n-1)-β_n|<∞设{x_n}_(n_1)~∞是由下式定义的迭代序列:{y_n=β_nx_n (1-β_n)Tx_n x_(n 1)=α_nu (1-α_n)y_n Then {x_n}_(n=1)~∞则{x_n}_(n=1)~∞强收敛于T的某不动点.     

关于有理逼近的注记

设△为区间[a,b]的一个给定剖分: △:a=x_0相似文献   

一类广义样条插值

设△:0=x_0相似文献   

Weierstrass型函数图象的分形维数

考虑函数f(x)=sum from i=1 to ∞(?)~(-1)φ((?) θ_n)和w(x)=sum from n=1 to ∞(?)φ_(?)((?)x θ_(?)),式中0<α<(?)是任意实数,在一定条件下,估计了函数f图象的Hausdorff维数的下界,并求得了w函数图象的Box维数和Packing维数。     

五次缺插值样条的渐近性态

f(x)定义于[0,1]。将[0,1]n等分,记x_j=jh,j=0,…,n.h=1/n,且 f~(α)(x_j)=f_j~(α),j=0,…,n;α=0,1,…,5。 A.Meir和A.Sharma提出五次缺插值样条函数,即满足下面条件的函数s_n(x): (i)s_n(x)∈C~3[0,1], (ii)在区间[x_j,x_(j 1)]上(j=0,…,n-1),s_n(x)是五次多项式, (iii)s_n(x_j)=f_j,s″_n(x_j)=f″_j,j=0,…,n, (iv)s′_n(0)=f′_0,s′_n(1)=f′_n。 (1) [1]还考虑了把(1)中的(iv)换成 (iv′)s′′′_n(0)=f′′′_0,s′′′_n(1)=f′′′_n (2)的五次样条。为叙述方便,我们分别称之为(Ⅰ)型、(Ⅱ)型缺插值样条。[1]证明了(Ⅰ),(Ⅱ)型插值样条在n为奇数时是唯一存在的。[2,3,4]继续了这方面的工作,得到了一     

关于二次插值样条误差的一个最佳估计

设△_n={i/n=xi}是区间[0,1]上的等距分划,h=1/n,s(x)是△_n上的二次周期样条,即s(x)∈C~1[0,1],在每一区间[x_i,x_i+1]上是二次多项式,并且s(0)=S(1),S＇(0)=S＇(1). 又设f(x)∈C[0,1],满足f(0)=f(1),据此可以认为f(x)是以1为周期的连续函数.记f_i=f(xi),fi-1/2=f(xi-n/2),则由条件 si-1/2=fi-1/2,i=1,2,…,n,     

Hermite样条对可微函数类逼近的准确估值

1.设m为任意非负整数.以C~m表示[0,1]上具有m次连续导数的全体函数组成的集(C~0=C). 设n为正整数.以Δn表示区间[0,1]的n节分割 0=x_(0,n)相似文献   

渐近Bayes判别

<正> 一、引言设(θ,X),(θ_1,X_1),…,(θ_n,X_n)为 iid 随机变量,其中 X 取值于只 R~d(d≥1),θ只取0,1两个值,记 P(θ=0)=η_0,P(θ=1)=η_1=1-η_0,设 X 在给定θ=i 时的条件密度为 f_i(x)dx,i=0,1.(θ_1,X_1),…,(θ_n,X_n)是已知的样本,常称为训练样本,在实际应用上,常需借助于它们,以根据 X 之观测值,对θ的值做出判別.记 f(x)=η_0f_0(x)+η_1f_1(x),则后验概率为     

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

沿齐次曲线的强奇异积分算子在调幅空间上的有界性

设Γ_θ(t)为R~n(n≥2)中的齐次曲线,定义沿齐次曲线的强奇异积分算子T_(n,α,β)f(x)=p.v.∫_(-1)~1f(x-Γ_θ(t))(e~((-2πi|t|)~(-β))/(t|t|~α))dt,α,β>0.本文讨论了上述奇异积分算子在广义调幅空间上的有界性.     

一阶三角样条插值投影算子的模

§1.引言 设区间[0,1]的分划如下: △:0=x_0相似文献   

Hermite—A插值样条

设-∞<α相似文献   

三次样条插值的收敛性

设f(x)∈C_[a,b],△_n是区间[a,b]的分划 △_n:a=x_0相似文献