球面散布数据点插值的误差估计

讨论球面上散布数据点插值的误差估计问题．一方面用深刻的新概念——正规生成集对插值节点集的特性进行刻画，同时给出它与基本系统、网格范数间的关系；另一方面得到了插值误差及导数的点态估计．     

一种神经网络算子及其逼近阶估计

讨论了一种神经网络算子f_n(x)=sum from -n~2 to n~2 (f(k/n))/(n~α)b(n~(1-α)(x-k/n)),对f(x)的逼近误差|f_n(x)-f(x)|的上界在f(x)为连续和N阶连续可导两种情形下分别给出了该网络算子逼近的Jackson型估计.     

Grǖnwald插值算子的加权Lp收敛速度

对以第1类Chebyshev多项式的零点为插值结点组的Grǖnwald插值多项式Gn(f,x),给出了如下的加权Lp(P＞0)收敛速度估计:[∫1 -1|Gn(f,x)-f(x)|p1/√1-x2 dx]1/p≤{Cp[ωφ(f,1/n+‖f‖/1/np],p＞1, Cp[ωφ(f,1/n+‖f‖/√n],0＜p≤1,并证明了,当p＞1时估计的阶是精确的.     

一种修正的插值算子在Lpw空间中的收敛速度

本文就一种修正的以第一类Chebyshev多项式Tn(x)的零点为插值结点的f的Grunwald插值多项式算子Gn(f,x),给出了Lpw收敛速度(∫1-1 l Gn(f,x)-f(x)lpdx);≤Cp{γ2np∥f∥p+w2(f,γnp)p|,(1＜p＜∞);∫1-1 | Gn (f,x)-f(x)|dx≤C{I√n n/√n∥f∥1+w2(f,(√Inn/√n)1/2)}.     

插值多项式对函数|x|α的逼近

研究插值多项式对|x|α达到最佳逼近度的一种构造方法,证明了当n=2m,m∈N,α∈(0,1]时, Fn(a)＜[2(2/3)]/na, 其中F2m(α)=max1≤x≤1||x|α-R2m(x)|,R2m(x)是以x0=0,xj=cos(j-1/2)π/2m(j=1,2,…,2m)为插值结点的对|x|α的Lagrange插值多项式,从而推广了M.Revers的结论.     

弱有效意义下向量集值优化的Kuhn-Tucker条件与对偶

借助于由广义Contingent切锥并用上图而引入有关集值映射的Contingent切导数，对约束集值优化问题的弱有效解建立了Kuhn—Tucker必要及充分性条件，由此建立了向量集值优化弱有效解的Wolfe型和Mond—Weir型对偶的弱定理、正定理及逆定理。     

具有导数的Marcinkiewicz-Zygmund型不等式

采用高阶Hermite插值的方法，证明了Marcinkiewicz—Zygmund型不等式∫^1-1|RN(x)|ω(x)dx≤Cqlnnn∑k=1q∑j=0|(√1-x^2k)^jR^(j)N(Xk)|/n^1 j，作为这类不等式的重要应用，用它估计了Gruenwald插值算子对连续函数的L^1逼近的精确阶。     

递归集的k-1-度上半格的不可补性与不可分配性

我们在[11]中证明了多项式时间强图灵归约≤_(sn)T 与多项式时间多一归≤_(pm)有表现在完全集上的本质差别,在本文中我们证明了递归集的≤_(sn)T-归约约度上半格〈(?)_k~1;≤〉不可分配,籍此得〈(?)_k~1;≤〉与〈(?)_m~p;≤〉不同构.这表明此二种归约有表现在其度结构上的差别.此外,使用对角线技术我们还证明了〈(?)_k~1;≤〉的某些初始片段不可补.     

Structures in the Upper Semilattice of K-1-Degrees

Let Г be a finite alphabet. Assume our sets are subsets of Г~*. Let NPbe the class of all sets accepted by nondeterministic polynomial-time boundedTuring macbines. co-NP = {A: A∈NP}. NP~- = NP- {φ,Г~*}. Let≤_m~p and≤_T     

一种修正的插值算子在L_w~p空间中的收敛速度

本文就一种修正的以第一类Chebyshev多项式Tn(x)的零点为插值结点的f的Gr櫣ｎｗａｌｄ插值多项式算子Gn(f,x) ,给出了Lpw 收敛速度 (∫1- 1｜Gn(f,x) -f(x) ｜pdx) 1p ≤Cp{γ2 np‖f‖p +w2 (f,γnp) p} ,(1相似文献