Lp空间Shepard算子逼近的正逆定理

本文引入了一种修正的积分型Shepard算子,建立了相应的Jackson型定理,并通过建立Bernstein型不等式,给出了算子在L[0,1]p空间中一种新的逼近阶刻画的等价形式,得到了逼近的逆定理．     

单变量Sigmoidal型神经网络的逼近

引入了一种新的sigmoidal型神经网络,给出了其对连续函数逼近的点态和整体估计.结果表明这种新的神经网络算子具有多项式逼近所不能达到的很好的逼近速度.为了改进对光滑函数的逼近速度,我们进一步引入了一种新的神经网络的线性组合,并给出了这种组合逼近的点态估计和整体估计.最后给出了一个数值例子.     

一类多元Gauss-Weierstrass算子线性组合的逼近

本文主要讨论一类多元Gauss-Weierstrass算子的线性组合的逼近性质,建立了一致逼近下的正、逆定理,并给出了逼近阶的特征刻画.     

球面卷积算子逼近

研究d维欧氏空间R~d中单位球面上卷积算子的逼近问题.利用球面乘子理论以及K-泛函与光滑模等价关系,建立一类球面卷积算子逼近的正、逆定理.特别地,给出了逼近的强型逆向不等式,从而揭示了该类球面卷积算子的本质逼近阶.此外,作为应用,给出了球面Jackson-Matsuoka卷积算子与Abel-Poisson卷积算子逼近上、下界的相同阶估计.     

一类多元Gauss-Weierstrass 算子线性组合的加权Lp-逼近

本文研究一类多元Gauss-Weierstrass算子的线性组合加Jacobi型权逼近的性质,利用加权矩量不等式及加权K-泛函、光滑模等工具,建立了这类算子在Lp(1≤p≤∞)空间的正、逆定理和逼近阶的特征刻划.     

Baskakov算子线性组合的点态估计

本文利用Ditizian-Totik模给出Baskakov算子线性组合点态和整体逼近正逆定理的统一形式,得到了较高的逼近阶,并且刻画了该线性组合算子的逼近特征。     

对于局部有界函数的积分型Szász-Bézier算子的逼近估计

引入一种积分型的Szász-Bézier算子,并研究其逼近性质,得到了此类算子对局部有界函数的逼近阶估计公式.     

Post-Widder算子线性组合加Jacobi权的Lp同时逼近

给出了Post-Widder算子线性组合加Jacobi权的Lp同时逼近的正、逆定理和逼近阶的特征刻划．     

对于局部有界函数的积分型Szász-Bézier算子的逼近估计

引入一种积分型的 Szász- Bézier算子 ,并研究其逼近性质 ,得到了此类算子对局部有界函数的逼近阶估计公式     

关于Bernstein算子的收敛速度

本文对一类函数建立了Bernstein算子的一致逼近定理,而且给出了其逆定理的一个简短证明。     

Approximation by neural networks with sigmoidal functions

In this paper, we introduce a type of approximation operators of neural networks with sigmodal functions on compact intervals, and obtain the pointwise and uniform estimates of the ap- proximation. To improve the approximation rate, we further introduce a type of combinations of neurM networks. Moreover, we show that the derivatives of functions can also be simultaneously approximated by the derivatives of the combinations. We also apply our method to construct approximation operators of neural networks with sigmodal functions on infinite intervals.     

Approximating smooth and sparse functions by deep neural networks: Optimal approximation rates and saturation

Constructing neural networks for function approximation is a classical and longstanding topic in approximation theory. In this paper, we aim at constructing deep neural networks with three hidden layers using a sigmoidal activation function to approximate smooth and sparse functions. Specifically, we prove that the constructed deep nets with controllable magnitude of free parameters can reach the optimal approximation rate in approximating both smooth and sparse functions. In particular, we prove that neural networks with three hidden layers can avoid the phenomenon of saturation, i.e., the phenomenon that for some neural network architectures, the approximation rate stops improving for functions of very high smoothness.     

修正的Bernstein-Durrmeyer算子的同时逼近

本文的目的是证明修正的Bernstein-Durrmeyer算子同时逼近的正逆定理,在点态意义下,我们得到了一个同时逼近的等价特征刻画。     

修正的Szász算子的强逆不等式(英文)

本文证明修正的Szász算子逼近的强型正定理和逆定理,从而得到该算子逼近特征的刻画.所获结果类似于Szász算子相应的结果.     

修正的Szász算子的强逆不等式

本文证明修正的Szász算子逼近的强型正定理和逆定理,从而得到该算子逼近特征的刻画.所获结果类似于Szász算子相应的结果.     

Pointwise Simultaneous Approximation by Combinations of Baskakov Operators

In this paper, we investigate the relation between the rate of convergence for the derivatives of the combinations of Baskakov operators and the smoothness for the derivatives of the functions approximated. We give some direct and inverse results on pointwise simultaneous approximation by the combinations of Baskakov operators. We also give a new equivalent result on pointwise approximation by these operators.     

多元Bernstein-Durrmeyer型多项式及其逼近特征

作为Bernstein-Durrmeyer多项式的推广,定义单纯形上的Bernstein-Durrmeyer型多项式.以最佳多项式逼近为度量,给出Bernstein-Durrmeyer型多项式Lp逼近阶的估计,并且以一个逆向不等式的形式建立其Lp逼近的逆定理,从而用最佳多项式逼近刻画该多项式Lp逼近的特征.所获结果包含了多元Bernstein-Durrmeyer多项式的相应结果.