学习算法的稳定性与泛化(Ⅱ):有界差分稳定框架

根据有界差分条件,提出了学习算法的有界差分稳定框架.依据新框架,研究了机器学习阈值选择算法,再生核Hilbert空间中的正则化学习算法,Ranking学习算法和Bagging算法,证明了对应学习算法的有界差分稳定性.所获结果断言了这些算法均具有有界差分稳定性,从而为这些算法的应用奠定了理论基础.     

包含度族的一些性质

本文研究半序集（Ｌ，≤）中的包含度族的凸性、不交性及格。     

区域收缩算法的一般化理论与应用(Ⅱ)

1.引言本文继续建立区域收缩算法(以下简称 RCA)的某些一般化理论.主要包括:①提出RCA 对方程解存在性的计算检验准则,构造性的证明几个标准的存在性定理;②在更为广泛的条件下拓广[1]所引进的 RCA 及收敛性结论,并应用所拓广的算法理论到一些新的非线性映象类.     

局部域反馈神经网络的全局收敛性

本文针对具有-般投影映射的连续型局部域反馈神经网络,给出了在一可验证条件下的临界全局收敛性分析.所获得的结果极大地改进了现有典型的收敛性结论.数值试验进-步证实了所得结果的正确性和可行性.     

Cardaliguet-Eurrard型神经网络算子逼近

研究多维Cardaliguet-Eurrard型神经网络算子的逼近问题.分别给出该神经网络算子逼近连续函数与可导函数的速度估计,建立了Jackson型不等式.     

非交换Lipschitz-φ算子代数

本文引入由紧距离空间(K,d)到给定Banach代数A中的Lipschitz-φ算子构成的非交换Banach代数L~φ(K,A)与l~φ(K,A),证明了它们都是由K到A的全体连续算子构成的非交换Banach代数C(K,A)的子代数,并且关于范数||f||φ=L_φ(f)+||f||∞是Banach代数,研究了不同 Lipschitz尺度函数φ对应的大(小)Lipschitz代数之间的关系。特别当φ(t)=t~α时,引入了极限代数lim_(α→0+)l~α(K,A),lim_(α→+∞)l~α(K,A),lim_(α→0+)L~α(K,A)与lim_(α→+∞)L~α(K,A)以及距离空间的Lipschitz连通性,得到了lim_(α→+∞)l~α(K,A)=A的充要条件,也给出了lim_(α→0+)L~α(K,A)=C(K,A)的条件。     

Duffing方程的唯三周期解问题

考虑Duffing方程x+g(x,t)=h(t),在g(x,t)满足简单的凸凹性条件。以及g＇(x,t)跨越第一共振点时,本文指出,当强迫振动项h(t)充分小时,所讨论的Duffing方程的2π周期解恰有三个.     

非线性方程组的符号矩阵，正则分裂与单调包含（Ⅰ）

As a continuation of part I of the paper under the same title, we developgeneral monotonic enclosure methods for the couple systems of the splitting equations {x=G([x]a,[x]b,[y]c) y=G([y]a,[y]b,[x]c),which models the system of equations associated with hybrid and aaynchronotts monotonicity as well as convexity. The resulting algorithms and convergence theorems generalize and unify various known methods and monotonic enclosure theorents established by other authors.     

父代种群参与竞争遗传算法几乎必然收敛

熟知,标准遗传算法如不采用“杰出者记录策略”则必不收敛。本文发现：允许父代种群参与竞争是标准遗传算法几乎必然收敛的条件。特别地,我们运用鞅收敛定理证明：允许父代种群参与竞争型遗传算法能以概率1确保在限步内达到全局最优解,且收敛与种群规模无关。所获结果对该类遗传算法的应用奠定了可靠基础。     

关于Hopfield-型神经网络收敛性和求能量函数极小解的可靠性的研究

本文在徐宗本等1996年的论文的基础上进一步完善了Hopfield-型神经网络的收敛性定理;根据徐宗本等1996年的论文中由能量函数的极小解与网络的稳定点之间的关系而提出的三类能量函数(正则性,正常性和完备性能量函数),本文提出了两类具有完备性的Hopfield-型网络.