多元Newman不等式与逼近逆定理

本文研究多元有理逼近的Newman不等式与逼近逆定理问题.在多元Müntz多项式空间中利用分解方法建立多元有理多项式的Markov型不等式与Nikolskii型不等式.同时,建立多元有理逼近的逆定理,即Steckin型不等式.本文所获结果不仅推广了一元的相应结果,而且包含了关于代数多项式的一些经典结果.     

单纯型上广义Bernstein算子

该文引进并研究定义在n维单纯型上的广义Bernstein算子.首先,证明该算子具有对称性和保持Lipshcitz性质.其次,借助多元Ditzian-Totik连续模,得到该算子逼近连续函数的一个强型正向估计和一个弱型逆向不等式.最后,给出参数sn满足不同条件的若干Voronovskaja型展开式.该文所获得的结果包含了经典的Bernstein算子的相应结果.     

删失场合下回归函数估计的强相合性

本文给出随机删失场合下非参数回归函数的一类核估计，得到核估计的强相合性，并证得对数律。     

距离空间中的神经网络插值与逼近

已有的关于插值神经网络的研究大多是在欧氏空间中进行的,但实际应用中的许多问题往往需要用非欧氏尺度进行度量.本文研究一般距离空间中的神经网络插值与逼近问题,即先在距离空间中构造新的插值网络,然后在此基础上构造近似插值网络,最后研究近似插值网络对连续泛函的逼近.     

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。     

压缩回归学习算法的泛化界

研究了压缩最小平方回归学习算法的泛化性问题.利用随机投影、覆盖数等理论以及概率不等式得到了该学习算法的泛化误差上界.所获结果表明:压缩学习虽以增大逼近误差的方式降低样本误差,但其增量是可控的.此外,通过压缩学习,在一定程度上克服了学习过程中所出现的过拟合现象.     

单隐层神经网络与最佳多项式逼近

研究单隐层神经网络逼近问题．以最佳多项式逼近为度量,用构造性方法估计单隐层神经网络逼近连续函数的速度．所获结果表明:对定义在紧集上的任何连续函数,均可以构造一个单隐层神经网络逼近该函数,并且其逼近速度不超过该函数的最佳多项式逼近的二倍．     

逼近已知函数微商的广义Lanczos算法

给出逼近已知函数微商的广义Lanczos 算法, 构造了一列逼近算子$D_{h}^{n}$以提高稳定近似解的收敛速率. 当$n=2$时, 逼近精度达到$O(\delta^{6 \over 7})$, 而对一般的自然数$n$逼近精度为$O(\delta^{\frac{2n+2}{2n+3}})$, 这里$\delta$是近似函数的误差界.     

关于Shepard算子的一点注记

本文给出了Lip ( - 1)类函数用Shepard算子逼近的最优阶估计，并给出了函数属于Lip (.1一1)的一个充分条件.     

凸体几何一些经典不等式的等价性

本文惊奇地发现,凸体几何中一些具有较高应用价值的经典不等式之间存在 着等价性,作者给出了精辟的论证.