一类非主型亚椭圆微分算子

<正> 设区域Ω(?)R~n,P(x,D)为Ω上的 m 阶线性微分算子,其系数属于 C~∞(Ω).如果对于每个给定的开子集ω(?)Ω,及每个 u∈(?)(Ω),条件 P(x,D)u∈ C~∞(ω)隐含 u∈C~∞(ω),则称 P(x,D)在Ω中是亚椭圆的.寻求亚椭圆性的判别条件,一直是线性偏微分方程一般理论的一个中心课题.早在1955年,L.H(?)rmander 在[1]中首次提出了亚椭圆性的概念,并对于常系数情     

关于具多项式系数的线性偏微分方程解的光滑性

§1定义了两类非正规的拟微分算子,并讨论了它们的映射性质;§2引进(?)-亚椭园性、F-亚椭园性及D-亚椭园性的概念,用以描述线性偏微分方程P(x,D)u=f的解的条件光滑性质,并对常系数情形得到了F-亚椭园性的条件:§3专门讨论具多项式系数的方程,收到了D-亚椭园性的某些充分条件。     

一阶Fuchs型发展算子的部分亚椭园性

本文对具重特征的拟微分算子用拟基本解方法研究了它的部分亚椭园性,文中给出的方法可能应用到更广泛的一类算子。 在研究“重特征”问题时,Fuchs型算子很自然地成为大家注目的对象,并已获得许多引人注目的结果。其中,对椭园Fuchs型的情形的讨论是比较早的,例如,法国数学家P.Bolley,J.Camus,B.Helffer及C.Zuily等人以传统的先验估计法出发对多种情况的椭园Fuchs型微分算子进行了大量的研究([1],[2],[3]),他们还用此法讨论了非Fuchs型的情况([4]).与此同时,F.Trèves研究了椭园Fuchs型拟微分算子([5]).但是,上述作者均未对一般的拟微分算子类进行研究,并且将他们所用的方法用于一般拟微分算子类时似乎并不十分容易。当然,无容置疑,对一般的拟微分算子类研究椭园Fuchs型算子是十分有意义的,这是因为应用拟微分算子及Fourier积分算     

一个最小可行图的判定条件

设有n个集合X_1,…,X_n,一个以X=U_(i=1)~nX_i为顶点集的图G称为是一个关于(X_1,…,X_n)的可行图,如果对每一个X_i(i=1,…,n),导出子图G_i=G[Xi]是连通的。关于集合序列(X_1,…,X_n),含最少边数的可行图称为是最小可行图。本文证明,关于(X_1,X_2,X_3)的可行图G=G_1∪G_2∪G_3是最小可行图的充分必要条件是:当X_i∩X_j∩X_k≠φ(i,j,k)=1,2,3)时,G_i∩G_j∩G_k是树。它发展了由D.-Z.Du(堵丁柱)在1986年得到的一个结果。     

The Berry-Esseen Theorem and Non-Uniform Estimate for U-Statistics

Let X_1,X_2,…,X_n be independent random variables. Define a U-statistic by U_n(?)~(-1)sum from 1≤i≤j≤n (h(X_i,X_j), where h(x,y) is a symmetric function of two variables x,y and that Eh(X_i,X_j)=0(i≠j, i,j=1,2,…,n). Write g_j(X_i)=E(h(x_i,x_j)|x_i),g(X_1)=1/n-1 sum from j=1 j≠i to n g_j(X_i) We give the following two theorem: Theorem 1 Suppore that     

混合的极限律及其在极值理论中的应用

1.引言.在随机变量的三角阵 X_(j,n),1≤j≤N(n),n=1,2,…中,我们考虑X_(1,n),…,X_(N,n)的顺序统计量X_(1,n)~*≤X_(2,n)~*≤…≤X_(N,n)~*,N=N(n).本文考虑两种情况:(1)X_(1,n),…,X_(n,n)是随机变量的可换无穷序列之一段;(2)X_(1,n),…,X_(N,n)是 i.i.d.随机变量,N=N(n,ω)是与这些 X_(j,n)独立的正整数值随机变量.为证明关于极值的极限定理,本文首先讨论了混合的可识性,推广了[1]中的结果.本文还讨论了关于混合的极限律,对[2]中的定理2.1作了两方面的推广.对上面提到的(1)和(2)这两种情况,[2]得出第 k 个上极值的极限分布存在的充     

多复变数完全拟凸映射的分解定理

设Ω_1C~(n1),Ω_2C~(n2)为凸的Reinhardt域,f(z,w)=(f1(z,w),f2(z,w))'为Ω_1×Ω_2上的正规化全纯映射.本文证明f为Ω_1×Ω_2上的正规化双全纯完全拟凸映射当且仅当 f(z,w)=(Φ_1(z),Φ_2(w))'其中φj:Ωj→C~(nj)是Ωj(j=1,2)上的正规化双全纯完全拟凸映射。     

关于构造泛相容近邻概率权函数使用的随机距离的一个注记

C.J.Stone曾在其Consistent Non-Parametric Regression一文中提出了构造泛相容的近邻概率权函数系列{W_(Ni):i=1,…,N;N=1,2,…}的一般方法。其中W_(Ni)=W_(Ni)(X;X_1,…,X_N)代表在子样X_1,…,X_N的布局下计算在X点的条件概率经验分布时在X_i点的资料Y_i,所占的权;而(X,Y),(X_1,Y_1),…,(X_N,Y_N)则是i.i.d的d+d′维随机矢量。其步骤是先构造在布局x;x_1,…,x_N之下的距离PN:X;X_1,…,X_N(简记为PN)。然后用PN衡量各X_i(i=1,…,N)到X的远近。由近及远赋予X_i从大到小     

半线性抛物型方程解的C~(1 α),(1 α)/2模估计及解的存在性和可微性

利用 Laray-Schauder 不动点原理研究拟线性椭园型方程,得到了较完善的结果。[1]作了极好的总结。但证明比较繁复。而[2]仅用各向同性连续函数空间的内插不等式,给出了半线性椭园型方程解的存在性和可微性的简单证明。本文引进了各向异性连续函数空间 C~(k a)·(k a)/2,证明了此空间的内插不等式,并用来解决了半线性抛物型方程第一边值问题,斜导数问题及方程组一般边值问题解的存在     

Hilbert空间L^2[α，6]上m个微分算子积的自伴性

考虑[a,b](-∞＜a＜b＜∞)上n阶复值系数正则对称微分算式ly＝∑n j＝0 aj(t)y(j).本文首先给出由lmy(m∈N且m≥2)生成的微分算子T(lm)自伴边条件一种新的描述,其次研究了由微分算式ly生成的m个微分算子Tk(l)(k=1,…,m)的积Tm(l)…T2(l)T1(l)的自伴性并获得其自伴的充分必要条件.     

Hilbert空间L2[a,b]上m个微分算子积的自伴性

考虑 [a ,b]( -∞   

一致混合序列最大值的强极限律

设{X_i}是一个随机变量序列,用(?)(X_i,1≤j≤m)和(?)(X_j,j≥m)分别表示由(X_1,…,X_m)和(X_m,X_(m+1),…)产生的 σ-域.若对任意 A∈(?)(X_j,1≤j≤m)和 B∈(?)(X_j,j≥m+l+1)有|P(A∩B)—P(A)·P(B)|相似文献   

关于Kahan定理的一个注记

设A∈C~(n×n),B∈C~(k×k)均为Hermite矩阵,它们的特征值分别为{λ_j}_(j=1)~n和{μ_j}_(j=1)~k(k≤n);Q∈~(n×k)为列满秩矩阵.令 (1) 则存在A的k个特征值λ_(j_2),λ_(j_2),…,λ_(j_k),使得 (2) 其中σ_k为Q的最小奇异值,||·||_2表示矩阵的谱范数.这是著名的Kahan定理·1996年曹志浩等在[2]中将(2)加强为 (3) 这是Kahan的猜想.在本文中,我们讨论将Kahan定理中“B为k阶Hermite矩阵”改为B为k阶(任意)方阵后,特征值的扰动估计,有以下结果. 定理 设A∈C~(n×n)为Hermite矩阵,其特征值为{λ_j}_(j=1)~n,B∈C~(k×k)的特征值为{μ_j}_(j=1)~k,而Q∈C~(n×k)为列满秩矩阵.则存在A的k个特征值λ_(j_1),λ_(j_2),…,λ_(j_k),使得     

一类非主型偏微分算子局部可解性的必要条件

<正> 一 自从H.Lewy提出了第一个不可解算子之后,偏微分算子的可解性问题受到许多人的注意.现在,对于这一课题的研究,已经取得了相当一般的结果. 一个具C~∞系数的线性偏微分算子P(x,D),我们说它在分布意义下是局部可解的,是指:在Ω中x_o∈Ω,存在x_o的一个邻域U,使得f∈C_o~∞(U),有P(x,D)u=f成立.     

由Hrmander向量场构成的抛物方程的W_*~(1,p)正则性

设X_1,…,X_q(qn)是有界区域ΩR~n上的一组光滑Hrmander向量场.考虑下面的散度型抛物方程:u_t+X_i~*(a_(ij)(x,t)X_ju)=X_i~*f_i,其中X_i~*是X_i的形式伴随,系数a_(ij)(x,t)(i,j=1,2,…,q)是定义在Ω_T=Ω×(0,T)∈R~(n+1)上满足一致椭圆性条件的有界可测函数.在系数属于VMO_(loc)∩L~∞函数空间的情况下,得到了抛物方程弱解的内W_*~(1,p)正则性.     

K-近邻预测后验风险的指数限

设(X,θ),(X_i,θ_i),i=1,…,n,为iid随机向量,取值于R~d×R~1.要根据X,借助于样本Z~n={(X_i,θ_i),i=1,…,n},去预测θ之值,Cover在[1]中把k近邻方法用于这个问题。其法如下:在R~d上引进距离‖x-y‖,把X_1,…,X_n按其与X的距离重排为(当等号出现时,可采用“足标小的排前”的原则),取定自然数k,     

关于一类插值样条

在S_(n△)。中有唯一解.令P_△f=s(x),s(x)是对f(x)关于上述插值问题(1)的解,J.Tzi-mbalario证明投影算子P_△:C~(-1)[a,b]→S_(n△)是有界的,这里C~(-1)[a,b]是[a,b]上有界函数全体所成的空间. J.Tzimbalario的证明是错误的,因为从[1]中(3.6)式通过计算得到的不是(3.7)式,     

M—估计量的收敛性

Ω为参数空间(p维欧氏空间的子集),X_i,i=1,…,n,为k维随机向量样本(iid.)取自未知分布F,p(x,t)为定义在R~k×Ω上的实函数(Ω为Ω之闭包),且假定p(x,t)≥C>-∞.具体的例子可见[1]与[2].关于M-估计量的统计性质,我们首先关心的θ_n是是否收敛,即当n→∞时,是否有     

可换序列上,下极值的联合渐近分布

设X_(j,n),1≤j≤N,n=1,2,… 为一r.v.三角阵,X_(1,n),…,X_(N,n)的顺序统计量为 X_(1,n)~*≤X_(2,n)~*≤… ≤X_(N,n)~* [1]考虑了两种情况:(i)N=n,X_(1,n),…,X_(n,n)为可换r.v.无穷序列的一段及(ii)X_(1,n),…,X_(N,n)为i.i.d.r.v.,N=N(n,ω) 为与这些X_(j,n)独立的正整值r.v.,并给出     

MITC元的分析

1 引言 有限元求解厚薄板通用的R-M(Reissner-Mindlin)模型板问题,单元只需具有C°连续性,这一点优于需具有C~1连续性的Kirchhoff模型薄板单元.但是当板厚趋于零时,通常的低阶C°元却不收敛,这就是所谓的Locking现象.Bathe和Brezzi等将R-M板模型转化成2阶椭园问题与Stokes问题的耦合形式,据此提出求解R-M板问题的混合扦值单元MITC~([1]、[2]、[3]):设挠度ω的形函数空间是W,转角β=(βx,βy)的形空间是B,在计算剪切应变时,分别将βx,βy按不同方式投影到空间和.数值结果表明这类单元具有很好的收敛性.本文分析MITC元,导出投影算子的显表达式,根据[5]关于Locking现象的一个数学分析,证明当板厚趋于零时,投影算子的选取方式使剪切应变部分对应于特定点上的Kirchhoff条件,引起Locking现象的因素被消除,从而显式证明MITC元避免了Locking 现象. 2 MITC元的整体性质 考虑R-M板弯曲问题,求挠度,转角,使下列板的能量泛函达极小: (1) (2) 其中E是杨氏模量,υ是Possion比,0<υ<1/2,t是板厚,k是剪力校正因子,Ω是板的中面占有的平面区域,f是横向荷载.(1)的第一项是弯曲应变能,第二项是剪切应变能. 设有限元空间是W_h×B_h,W_hH_0~1(Ω),B_h[H_0~1(Ω)]~2,J_h是Ω的单元部分,Ω=K,K是单元,对(1)的直接离散是求(