广义Lipschitz伪压缩映射黏滞迭代逼近方法的强收敛

K是Banach空间E的一个非空闭凸子集,T:K→K是一个广义Lipschitz伪压缩映射.对Lipschitz强伪压缩映射f:K→K和x_1∈K,序列{x_n}由下式定义:x_n+1=(1-α_n-β_n)x_n+α_nf(x_n)+β_nTx_n.在{α_n}与{β_n}满足合适条件的情况下,每当{z∈K;μ_n‖x_n-z‖~2=inf_(y∈K)μ_n‖x_n-y‖~2}∩F(T)≠φ时,{x_n}强收敛到T的某个不动点x~*.     

M 序列反馈函数的构造方法Ⅰ

设 f(x_0,x_1,…,x_(n-1))=x_0+f_0(x_1,…,x_(n-1))是一 n 元非奇布尔函数,其中加法是模2加.假定二元域 F_2上的无穷序列 α=(a_0,a_1,a_2,…),a_i∈F_2,i≥0,满足a_(k+n)=f(a_k,a_(k+1),…,a_(k+n-1),(?)k≥0,则称α是以 f 为反馈函数的 n 级移位寄存器序列,并以(?)(f)记所有以 f 为反馈函数的亭列组成的集合.因为 f 非奇,所以(?)(f)中的序列都是周期序列.对于 α∈(?)(f),α     

具有等变量极值的多元函数

定义.D是n维欧氏室空中一个点集,n≥2,f(x_1,x_2,…,x_n)是定义在D上的一个n元函数。如果f在D上极值存在,并且位于诸变量相等时,那末,称f在D上具有等变量极值。定理. 设f(x_1,x_2,…,x_n)(n≥3)是定义在D上的一个n元函数。如果f(x_1,x_2,…,x_n)在D上具有极大(小)值,且任意固定     

n=3时的費尔馬問题

华罗庚教授在其所著“数论导引”一书中,借域R(ω)(R是有理数域,ω为1之三次原根)証明了方程 x~3+y~3+z~3=0,xyz≠0无整数解。本文给出一个比较初等的証法,而无需涉及复数域。先証以下引理: 引理1.不定方程 x_1x_2…x_n=w~3(x_1,x_2,…,x_n两两互质) (1)之一切整数解均可由公式 x_1=α~3,x_2=β~3,…,x_n=τ~3,w=αβ…τ (2)表出,其中α,β,…,τ两两互质。 証.由(2)确定的x_1,x_2,…,x_n,w显然适合(1).今设x_1,x_2,…,x_n,w为(1)之一组解,令 x_1=α~3x′_1,x_z=β~3x′_2,…,x_n=τ~3x′_n,使x′_1,x′_2,…,x′_n为不再含有立方因数之正数。因x_1,x_3,…,x_n两两互质,故α,β,…,τ与x′_1,x′_2,…,x′_n皆两两互质。由(1)知α~3β~3…τ~3|w~3,即αβ…τ|w;设w=αβ…τw_1,代入(1),便得x′_1x′_2…x′_n=w_1~3。若w_1有质因数p,则应有p~3|x′_1x′_2…x′_n。因x′_1,x′_2,…,x′_n两两互质,所以p~3整除某x′_s,这与x′_s沒有     

对称多项式基本定理的推广

关于x_1,x_2,…,x_n的对称多项式都可表为初等对称多项式σ_1,σ_2,…,σ_n的多项式。本文推广了此定理的结论。定义设f_i=f_i(x_1,x_2,…,x_n)(i=1,2,…,n)为关于x_1,x_2,…,x_n的i次对称多项式,且由它们组成的方程组 (这里a_i(i=1,2,…,n)为常数)是独立的n个方程组成的方程组。即f_i不能表为上述其它n-1个多项式的多项式。则称f_i,f_2,…,f_n为n元对称多项式的一组基。引理对于任意的1≤i≤n,f_i可表为σ_1,σ_2,…,σ_i的多项式。证明因为f_i是x_1,x_2,…,x_n的i次对称多项式。由对称多项式的基本定理可设 f_i=g(σ_1,σ_2,…,σ_n)在多项式g(σ_1,σ_2,…,σ_n)中若存在含σ_i(i相似文献   

交替码的最小距离下限的扩张及其译码

在[1]中定义如下的一般交替码:令(?)(1.1)这里所有元素∈GF(q~m),p_1,p_2,…,p_n 为非0;α_1,α_2,…,α_n 各不相同;B 为非奇异阵,且 mt相似文献   

关于对称平均数定理及其应用

我们把n个正数α_1,α_2,…,α_n的k次对称平均数定义为其中k≤n为正整数;根号内分子部分是n个正数每次不重复地取k个的乘积之和,共有C_n~k项。为简单计,我们把(1)记为∑_n~k(α_1,α_2,…α_n),或者有时就记为∑_n~k。显然, ∑_n~1(α_1,α_2,…α_n)=(α_1 α_2 ……α_n)/n即为n个正数的算术平均数,而∑_n~n(α_1,α_2,…α_n)=则是n个正数的几何平均数。本文先介绍有关n个正数的k次对称平均数的重要性质的两个定理,然后给出它的一些应用。首先,我们证明定理1.(∑_n~k)~(?)k≥(∑_n~(k 1))~(k 1)·(∑_n~(k-1))~(k-1)(k=1,2,…,n-1) (这里规定∑_n~0=1)。证明.为书写方便,记(∑_n~k)~k=P_n~k。因而我们要证明的就是 (P_n~k)~2≥P_n~(k 1)·P_n~(k-1)(P_n~0=1,k=1,2,…n-1)     

移位寄存器因子关联图的同构与自同构

§1.引言设 f(x_0,x_1,…,x_(n-1))是一非奇 n 元开关函数,我们用(?)(f)记二元域 F_2上以 f 为反馈函数的移位寄存器序列全体组成的集合,用 G_f 记 f 的状态图,用Γ_f 记因子 G_f 的关联图.Γ_f 是一个无向图,它的顶点集 V (Γ_f)由 G_f 的全体圈组成,边集为 F~(n-1)_2,即Γ_f=(G_f,F~(n-1)_2)。称α=(a_1,…,a_(n-1)_∈F~(n-1)_2是圈σ_1和σ_2之间的一条边,如果共轭点对 a=(a_0,     

关于M序列反馈函数的构造方法

n级非奇异移位寄存器的反馈函数f(x_1,x_2,…,x_n), f(x_1,x_2,…,x_n)=x_1( )f_0(x_2,…,x_n)的重量ω(f),是指n-1个变元的布尔函数f_0(x_2,…,x_n)的重量ω(f_0),即f_0(x_2,…,x_n)取值为1的点的个数。设f(x_1,x_2,…,x_n)是n级M序列的反馈函数,我们知道,当n>2时,有     

关于Lekkerkerker格点分布定理的注记

<正> §1 引言我们用 x,c 等表示 n 维实矢量,用|x|=|(x_1,…,x_n)|=(x_1~2+…+x_n~2)~(1/2)表示矢量 x 的长.用∧表示 n 维格(Lattice),即下面诸矢量的集:u_1α_1+…+u_nα_n,(u_1,…,u_n 为整数),其中 α_1,…,α_n 是 n 维实欧氏空间的一组固定的线性无关矢量,称为∧的基底,并把|det(α_1,…,α_n)|称为格∧的行列式,记为 d(∧),它是不依赖于基底选取的不变量.我们还用∧_0表示以单位矢 e_i(i=1,2,…,n)为基底的格.     

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.     

在K—NN判别和预测中条件风险函数的估计量的强收敛性

设(θ,x),(θ_1,x_1),……,(θ_n,x_n)是独立同分布的随机向量,θ_(j 1)~((k))(θ_(k 1)~((k)))是(θ_1,x_1),……,(θ_i,x_i)和x_(j 1)对θ_(j 1)的K—NN判别(预测)值。本文用来作为L_n~((k)))的估计,并讨论了其强收敛性,即在很一般的条件下,证明了:其中L_u~((k))(L_u~((k)))是K—NN判别(预测)的条件风险函数,■     

关于一个积分不等式的Djokovi(?)''''s猜想(英文)

在1965年,Djokovi,D.Z提出[1]:设x_0(1-α_1)(x_2-x_0)时,(4)不成立,一般说,(4)式是否成立和点x_0相似文献   

Hermite—A插值样条

设-∞<α相似文献   

初等对称多项式的一个重要性质

对于变元x_1,x_2,…,x_n,若记σ_1(n)=∑x_1,σ_2(n)=∑x_1x_j,σ_3(n)=∑x_1x_jx_k,…σ_2(n)=(n),…,σ_n(n)为关于变元x_1,x_2,…,x_n的初等对称多项式。为方便起见,本文规定σ_o(n)=1,则当变元x_1,x_2,…,x_n为实数时,我们得到初等对称多项式σ_o(n),σ_1(n),…,σ_n(n)的一个重要性质: 定理对于实数变元x_1,x_2,…,x_n及σ_o(n),σ_o(n),     

联合概率密度函数的一个性质

本文引进n元实变函数的广义n阶导数,证明:若n元分布函数F(x_1,…,x_n)有概率密度函数f(x_1,…,x_n)且f(x_1,…,x_n在点(x_1,…,x_n)处连续,则f(x_1,…,x_n)等于F(x_1,…,x_n)在点(x_1,…,x_n)处的广义n阶导数,但当n≥2时,f(x_1,…,x_n)并不总等于F(x_1,…,x_n)在点(x_1,…,x_n)处的n阶混合偏导数?~nF(x_1,…,x_n)/?x_1…?x_n     

On the Polynomials in Several Indeterminates Which can be Extended to Permutation Polynomial Vectors Over Z/p~lZ

Let m be a number, and f_1 (x_1 ,…,x_n ),…,f_k(x_1,…,x_n )∈ Z(x_1,…,x_n), k≤n. Iffor any(α_1,…α_k) ∈ Z~k, the congruenee systemhas just m~(n-k) solutions, then the system f_1,…,f_k is called an orthogonal system     

关于一个Ляпунов函数的讨论

定义函数(?)是正数.s=1,2,…,n.令φ(x)=(φ_1(x_1),φ_2(x_2),…,φ_n(x_n))及V(x)=φ(x)·x=sum from (?)=1 to n φ_s(x_s)x_s,(1)则 V(x)为无限大定正函数,V(x)在 R~n 中满足 Lipshitz 条件.又定义(?)则有:命题1 任给 n 维常向量 x,f,则(?)1/h(V(x+hf)-V(x))=sum from s=1 to n φ_s(x_s+β(x_s)f_s)f_s.式中 x_s,f_s 表 x 及 f 的第 s 个分量.     

非负定函数正则的充要条件

§0.引言为了下面解释的方便起见,我们首先给出如下几个定义:定义1 称一个连续实变复值函数φ(t)为一个非负定函数,如果对任何 n≥1,实数t_1,…,t_n 及复数λ_1,…,λ_n,有 sum from i,k=1 to n λ_iλ_kφ(t_i-t_k)≥0.而当φ(0)=1时,此φ(t)被称为标准非负定函数(实际上就是概率论中的特征函数).定义2 称非负定函数φ(t)是正则的,如果存在 f(x)∈L~1(-∞,∞),使φ(t)为f(x)的 L~1-Fourier 变换.而称产 f(x)为φ(t)的密度函数.定义3 设 g(t)是 L~1(-∞,+∞)中某函数的 L~1-Fourier 变换,若     

一次预报最佳子集回归

假定预报量y与预报因子x_1,x_2,…,x_n之间有如下的线性关系: y=β_1x_1 β_2x_2 … β_nx_n e, (1)其中y为随机变数,x_1,…,x_n为非随机变数,β_1,…,β_n为常系数,e为随机误差,其分布不依赖于x_1,…,x_n,均值为0,方差为σ~2。 假定我们已有N组独立的数据,把它们写成矩阵形式,即