Bernstein-Fan插值算子的逼近阶估计及其算法程序

本文研究了具有三角形波基函数的Bernstein-Fan值算子的收敛定理和逼近阶估计，并给出了它的算法程序。     

广义极限鞅的一个收敛定理

本文引进了广义极限鞅的概念,证明了 L~1有界的广义极限鞅 a.s.收敛于—可积随机变量。这样推广了通常极限鞅的相应收敛定理,并回答了 Stout 提出的问题:L~1有界的弱鞅在一定的条件下是 a.s.收敛的。     

牛顿弦截法预估校正迭代格式的收敛阶

研究如下形式的牛顿弦截法的预估校正(P.C.)格式:P(预估):~xk+1=xk-(xk-xk-1)f(xk)f(xk)-f(xk-1)C(校正):xk+1=xk-(~xk+1-xk)f(xk)f~(xk+1)-f(xk)证明了它的收敛阶为2.618.     

相依随机变量的强大数定律的收敛速度

本文讨论在φ-混合情况下随机强大数定律的收敛速度。此结果与i.i.d.情况一致。     

求解非线性方程的一个新方法

提出了一种求解非线性方程的数值方法，此方法不需要导数的计算，其收敛阶与抛物线法相同，但计算量要比抛物线法小得多。     

一类半参数回归模型的估计理论

考虑半参数回归模型Y=X’β+g(T)+e,其中(X,T)为取值于R^p×[0,1]上的随机向量,β为p×1未知参数向量,g为定义于[0,1]上的未知函数,e为随机误差,Ee=0,Ee²=σ²>0,且(X,T)与e独立。本文综合最近邻和最小二乘的方法定义了β,g和σ²的估计量,g_n^*和。在适当条件下证明了和的渐近正态性,并得到了g_n^*的最优收敛速度。     

多时滞随机神经网络的稳定性

通过构建李雅普偌夫函数的方法和利用半鞅收敛定理对一类随机时滞神经网络的全局指数稳定进行了分析,提出了易于判定随机时滞神经网络几乎必然指数稳定性新的代数判据,推广了[1]中的主要结论.     

元回归模型中最大值点的BRPA估计的收敛速度

BRPA估计是Changchien (1990)提出的一种具有良好性质的回归函数最大值点的估计, Chen, Huang and Huang (1996), Bai and Huang (1999), 吴and王(2000)和Bai, Chen and Wu (2003)分别讨论了BRPA的极限性质\bd 本篇文章中, 我们在很一般的条件下研究了$x$为多维向量时BRPA估计的收敛速度, 推广了Bai, Chen and Wu (2003)的结果     

B值随机变量阵列加权和的完全收敛性

设{X_ni:1≤i≤n,n≥1}为行间独立的B值r.v.阵列,g(z)是指数为1/p的正则变化函数,r>0,{ani 1≤t≤n,n≥1}为实数阵列,本文得到了使(?)成立的条件,推广并改进了Stout及Sung等的著名结论.