Spectral method for solving nonlinear wave equations

In this paper,we consider the following nonlinear wave equations:(■~2φ)/(■t~2)-(■~2φ)/(■x~2)+μ~2φ+v~2x~2φ+f(|φ|~2)φ=0,(■~2x)/(■t~2-(■~2X)/(■X~2)+α~2x+α~2x+v~2x|φ|~2+g(X)=0with the periodic-initial conditions:φ(x-π,t)=φ(x+π,t),x(x-π,t)=x(x+v,t),φ(x,0)=■_0(x),φ_t(x,0)=■_1(x),X(x,0)=■_0(x),x_t(x,0)=■_1(x),-∞相似文献   

集论公理的简约与基数的方幂

如命 tran_R m 指(uRv ∧usm→·usm),而 xR_*y 指m(tran_Rm∧ysm→·xsm),则集论的六条公理(对偶、联集、幂集、分出、替换、无穷)可合并为一条:x!yφ(x,y)→sy(yssx(xs_*axp_*b·φ(x,y)),这里“!y”指“最多只有一个 y”,而 xpb 指“x 为 b 的幂集”.给定无穷基数 a 后,可定义:f_0(α)=μβ(α~β>α),σ_0(α)=μγ(γ~(f_0(α))>α);f_(k 1)(a)=μβ(γ<σ_k(α))γ~β>α,σ_(k 1)(α)=μγ(γ~(f_(k 1)(α))>α).则有定理:当1≤βγ,则有:当g(δ)≤α≤g(δ)~β时α~β=g(δ)~β,对此外的α,则必α~β=α.     

柱面上一类微分方程的研究(Ⅰ)

<正> §1.前言研究方程(d~2φ)/(dt~2)+α(dφ)/(dt)+F(φ)=β(1)其中α>0,β>0,F(φ)满足下列条件:(i)F(φ)=F(φ+2π),F(φ)=-F(-φ),F(0)=0,F(φ)∈C~1.(ii)在[0,π]上,φ=0,φ′_1,…,φ′_(n-1),π为 F(φ)=0之单根.(iii)在[0,π]上,曲线 y=F(φ)在φ_1~*,…,φ_n~*处取极值,不妨设在φ_1~*,φ_3~*,…处取极大值,在φ_2~*,φ_4~*,…处取极小值.     

关于二阶平稳马尔可夫过程的样本序列是否存在无后效性的讨论

本文指出了工程界关于高阶马尔可夫过程的一个错误定义,证明了(p=2)满足这个定义的平稳高斯过程是不存在的。本文还指出了,如果二阶微分方程的特征根是实的,那么由微分方程 x"(t)+α_1x′(t)+α_2x(t)=ε(t)(式中ε(t)是白噪声)描写的随机过程x(t)的平稳解的任意均匀采样序列都不可能是AR(2)序列,而由下面微分方程 x"(t)+α_1x′(t)+α_2(t)=ε′(t)+βε(t)描写的随机过程的平稳解,当β~2>max(c_1~2,c_2~2)时,(c_1,c_2是特征方程z~2+α_1z+α_2=0的根)至少存在一个采样间隔△_1,使相应的样本序列是AR(2)。如果特征方程有共轭复根。那么存在可列个离散采样间隔△_k,使方程的平稳解的相应样本序列是二阶平稳广义马尔可夫序列。     

具p-Laplacian算子型奇异方程组边值问题正解的存在性

本文讨论了一类具p-Laplacian算子型奇导方程组边值问题(φp(x'))'+α1(t),f(x(t),y(t))=0,(φp(y'))'+α2(t)g(x(t),y(t))=0,x(0)-β1x'(0)=0,x(1)+δ1x'(1)=0,y(0)-β2Y'(0)=0,y(1)+δ2y'(1)=0正解的存在性,其中φp(x)=|x|p-2x,p>1.通过使用不动点指数定理,在适当的条件下,建立了这类奇异方程组边值问题存在一个或者多个正解的充分条件.这些结果能用来研究椭圆型方程组边值问题径向对称解的存在性.     

犯两类错误概率相等的检验函数

设有总体X具有概率密度或概率分布列f(x,θ),θ未知,θ∈(?)={θ_0,θ_1},要检验假设(?),样本X_1,X_2、…、X_n 本文为克服最优势检验中原假设与备择假设地位不对称的矛盾,提出了一种检验法则:此检验函数具有与最优势检验形式相同的检验函数,且犯第一、第二两类错误的概率相等。本文证明了这样的检验验函数是存在的,并且举例以说明之。     

回归函数递旧核估计相合的充要条件

对α-混合,φ-混合样本,本文给出回归函数递归核估计m_a(x)弱、强相合的充要条件.在E|Y|~(1+δ)<∞,δ>0,sum from n=1 to ∞(φ~1 ~2(n))<∞时.得出m_n(x)的强、弱相合是等价的.另外,还给出核估计m_n(x)弱相合的充分条件。     

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     

Hammerstein型积分方程组的非零解及其对两点边值问题的应用

本文研究Hammerstein型积分方程组 (Ⅰ)φ(x)=∫_G K_1(x,y)f_1(φ(y),ψ(y))dy, ψ(x)=∫_G K_2(x,y)f_2(φ(y),ψ(y))dy非零解的存在性(其中G为R~N中有界闭区域,mesG=1,并将所得结果应用于二阶常微分方程两点边值问题 (Ⅱ)(t)=-f(x(t),(t)), α_0x(0)-β_0(0)=0, α_1x(1) β_1(1)=0。其中α_0、α_1、β_0、β_1≥0,|α_0 β_0 -α_1 α_1 β_1|≠0。所得结论与[1]第四章及[3]第六章所述结论具有不同形式,且不能用[1、3]的方法得出,特别当f(u,v)是多项式情况下所得结果是[2]中部分结果的推广和补充。     

关于双曲型方程的狄里赫利问题的两点注记

1°在文献[1]中D.Bourgin与R.Duffin研究了絃振动方程在矩形区域上可适定的狄里赫利问题,他们指出对于问题:若设(i)a=T/s为K阶代数无理数,(ii)φ(x),φ_1(x)∈C~(K+4)[0≤x≤s],ψ(t),ψ_1(t)∈C~(K+4)[0≤t≤T],φ(0)=φ(s)=φ_1(0)=φ_1(s)=ψ(T)=ψ_1(0)=ψ_1(T)=0,则定解问题(A)存在唯一解y(x,t)∈C~2[0≤x≤s,0≤t≤T]。他们的结果系利用代数数论中Liouville定理。由于Liouville定理已被Roth在1955年改进成最佳形式,     

共轭Bochner—Riesz平均在H~p上的弱型估计

设K(x)=P(x/|x|)|x|~(-n)为一球调和核,P(x)为一m次齐次调和多项式。f(x)在R~n上的δ阶共轭Bochner-Riesz平均记为 (_(1/ε)~δf)(x)=∫_(|t|<1/ε)(t)(t)(1-|εt|~2)~δe~(iαt)dt.作者在本文中得到如下的弱型估计: |{x∈R~n:sup ε>0|(_(1/ε)~δf)(x)-_ε(x)|>λ}|≤C(‖f‖_(H~p)/λ)~p,此处δ=(n/p)-(n 2)/2,n/(n 1)≤p<1,f∈H~p(R~n),以及 _ε(x)=(2π)~(-n)∫_(|y|>ε)f(x-y)K(y)dy 。设f∈L(R~n),其δ阶的Bochner-Riesz平均为 (σ_(1/ε)~δf)(x)=∫_(|t|<1/ε)(t)(1-|εt|~2)~δe~(iαt)dt.     

SL(2,R)上一类极大算子的(H_(∞,s)~1,L~1)型

本文我们引入了函数类B_δ(G//K)={φ一L~1(G//K||L~1(G//K)||φ(t)|≤Δ~(-1)(t)(1+t)~(1-δ),δ>0),对f∈L~p(G//K),1≤p≤∞,和极大算子M_δf(x)=sup|φ*f(x)|,证明了这类算子 >0 φ∈B_δ(G//K)是(H_∞~1,L~1)型的.     

NECESSARY AND SUFFICIENT CONDITIONS OF EXISTENCE AND UNIQUENESS OF LIMIT CYCLES FOR A CLASS OF POLYNOMIAL SYSTEM

In this paper, we discuss the limit cycles of the systemdx/dt=y·[1+(A(x)]oy/dt=(-x+δy+α_1x~2+α_2xy+α_5x~2y)[1+B(x)] (1)where A(x)=sum form i=1 to n(a_ix~), B(x)=sum form j=1 to m(β_jx~j) and 1+B(x)>0. We prove that (1) possesses at most one limit cycle and give out the necessary and sufficient conditions of existence and uniqueness of limit cycles.     

含错线性序列的极大似然纠正

本文中讨论二元序列时,其元素间的运算均在二元域 F_2={0,1}中进行.设α=(α_t)_t≥0是 F_2上由多项式 c(x)=1+c_1x+…+c_(d-1)x~(d-1)+x~d 生成的线性序列,即有α_t+c_1α_(t+1)+…+C_(d-1)α_(t+d-1)+a_(t+d)=0,t≥0.(1)如果有二元干扰序列 e=(e_t)_(t≥0)迭加于α,其中 e_0,e_1,…是独立同分布的,Prob(e_t=1)=s<1/2,则迭合序列 b=(b_t)_(t≥0)=(α_t+e_t)t≥0称为α的含错序列,其错误率为 s.从已知的含     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

关于 Poincaré 型方程解的渐近性态的若干注记

<正> Ⅰ.引言假若 n 阶线性微分方程y~(n)+α_1(x)y~((n-1))+…+α_n(x)y=α_0(x) (**)的系数α_v(x),当 x 无限增长时渐近于常数α_v:(?)α_v(x)=α_v (v=1,2,…,n)则称方程(**)为 Poincaré 型微分方程(简称为 P 型方程).θ(λ)=λ~n+α_1λ~(n-1)+…+α_n=0称为它的特征方程.     

迁移理论中控制参数方程的解及其离散纵标逼近之收敛性

本文考虑中子迁移理论中板几何的新的参数(称为控制参数)方程μαφ(x,μ)/α_x-1/δ[integral from -1 to 1(k(x;μ,μ′)φ(x,μ′)dμ′-σ(x)φ(x,μ))]=f(x,μ),(x,μ)∈[-a,a]×[-1,1],满足边界条件φ(a,μ)|_(μ<0)=0,φ(-a,μ)|_(μ>0)=0的解。我们得到如下结论:存在正常数ρ、使得当β=1/δ,0<β<ρ时,该方程在Banach空间B中有唯一解,且用离散纵标法计算得到的解必收敛于相应的解。     

拟线性次椭圆方程组在Morrey空间上的部分正则性

证明了拟线性次椭圆方程组-X_α~*(a_(ij)~(αβ)(x,u)X_βu~j)=-X_α~*f_i~α+g_i,i=1,2,…,N,x∈Ω的弱解广义梯度Xu在Morrey空间L_x~(p,λ)(Ω,R~(mN))(p2)上的部分正则性,其中光滑实向量场族X=(X_1,X_2,…,X_m)满足H(o|¨)rmander有限秩条件,X_α~*是X_α的共轭;而且主项系数a_(ij)~(αβ)(x,u)关于x一致VMO(Vanishing Mean Oscillation的缩写,消失平均震荡)间断,且关于u为一致连续.     

部分参数先验估计与分段回归的进一步讨论

Helge Toutenburg考虑了线性回归模型y=X_1β_1+X_2β_2+ε存在β_1的先验估计b_1~*=β_1+φ,φ～(0,V)的情况,比较了参数β=的三个估计b(广义最小二乘估计)b~*(V)(部分参数有先验估计的估计)和 b_R(V)(b_1~*=β_1+φ下的线性随机约束估计),得到结论 1.当V=0或V≈0时,△_1(V)cov(b)-cov(b~*(V))≥0;2.当V=0或V≈0时,△_2(V)cov(b_R(V))-cov(b~*(V))≥0。本文的工作是:i)作为结论1的补充,我们证明了:如果S_(12)=0,则当V≤σ~2S_(11.2)~(-1)时,△_1(V)≥0,当V≥σ~2S(_11.2~-1)时,△_1(V)≤0;若V-σ~2S(_11.2~-1)不定,或V≥σ_2S(_11.2~-1)或0相似文献   

指数分布族参数的渐近最优与可容许的经验Bayes估计

在平方损失下 ,构造了指数族 { f(x|λ) =λe-λx,λ >0 ,x >0 }的参数λ的渐近最优与可容许的经验Bayes估计 ,即δn=(n +u + 1n1φ(n) + 1) β1+ βX,其中X1,X2 ,…Xn(历史样本 )和X(当前样本 )独立同分布于 f(x) ,Sn= ni=11n(1+ βXi) ,φ(n) =1n(Sn+ 1n(1+ βX) +v- 1) ,u >0 ,v >0 ,β >0 (已知 )为任意的实数 ,并证明了该估计的收敛速度为O(n- 1)。