随机环境中马氏链转移函数的收敛性

本文研究了随机环境中马氏链转移函数的收敛性．利用Doeblin条件，得到了随机环境中一般状态马氏链转移函数弱收敛及强收敛的一些条件，以及收敛速度的一个估计．     

B值随机元阵列矩完全收敛性的进一步讨论

完全收敛性是概率极限理论中的一个重要的概念.考虑了矩完全收敛性,在随机元阵列随机有界于某非负随机变量的条件下,通过引入函数类S,得到了B值行独立对称的随机元阵列矩完全收敛性的一些充分条件.同时得到了p型Banach空间中独立零均值随机元序列矩完全收敛性的一个充分条件.     

随机环境中多维分枝链的增长率及灭绝概率

本文在随机环境中马氏链的框架下研究随机环境中多维分枝链(简记MBCRE)的极限性质,获得了MBCRE的母函数的一些性质,利用这些性质和随机矩阵乘积的弱收敛性证明了MBCRE中的条件均方收敛性与a．s．收敛性以及灭绝概率的估算等．这些结果是对Athrey与Karlin(1972)和Cohn(1989)的极限定理的推广．     

非光滑有界凸域上全纯自映射的随机迭代

该文在经典的Wolff-Denjoy理论的基础上研究C~n中有界严格凸域与有界弱凸域上随机迭代的收敛性问题.给出了有界严格凸域中全纯映射的随机迭代存在内闭一致收敛到边界上的常值映射的子序列的限制条件;而在有界弱凸域中,所给的限制条件强了很多,但全纯映射的随机迭代的收敛性却减弱了.该文所给定理的证明方法可以证明单个解析函数的相应结果的迭代理论.     

关于极限定理的随机转移

<正> 许多作者([3]-[5])曾研究过随机变量序列的部分和极限定理的随机转移.D.J.Aldous在[1]中讨论了函数空间D[0,+∞)上一类较广泛的随机指标极限定理.本文考察有别于他们工作的一类函数型极限定理的随机转移;文中首先讨论函数空间D[0,1]上泛函正态极限定理的随机转移问题,接着讨论一些非正态随机极限定理.     

随机逼近中的Lyapunov函数(英文)

本文研究了随机逼近中满足某种条件的 Lyapunov函数的存在性及如何构造L yapunov函数的问题 ,讨论了算法收敛性与相应常微分方程系统的渐近稳定性之间的关系 .     

一类随机规划逼近最优值和最优解集的收敛性

本文提出强上图收敛的概念,讨论了逼近随机规划的目标函数序列的强上图收敛性,研究了逼近随机规划最优值和最优解集的收敛性条件,得到了一类随机规划逼近最优值和最优解集的收敛性.     

两两NQD随机序列的完全收敛性

本文进一步研究了两两NQD随机序列的完全收敛性.在一些简单和弱的条件下获得了两两NQD随机序列的一些结果.所获结果不仅推广了Liu(2004)以及Gan和Chen (2008)的相应结果,而且还改进了他们的结论.     

随机级数的收敛性与随机多项式零点的极限分布

本文研究一般的随机Dirichlet级数的a.s.收敛性和L~p收敛性,建立了Valiron公式。对于a.s.收敛性,我们还精确地确定出了级数的绝对收敛坐标,讨论了所谓的0—1律。 作为上述结果的应用,我们在一定条件下证明了,随机缺项Taylor级数的部分和多项式的零点之极限分布就是该级数的收敛圆上的均匀分布。     

一类独立B值随机元的完全收敛性

本文讨论 B 值随机元的完全收敛性,将有关独立同分布随机元的完全收敛性的研究拓广到独立不同分布情形,同时将随机元单纯的矩条件过渡到选定的函数类 S 上.     

随机环境中马氏链函数加权和的极限定理

该文研究了随机环境中马氏链函数的极限定理,给出了随机环境中马氏链函数加权和强收敛性成立的一系列充分条件,这些结果推广和改进了已知的一些文献中随机变量序列加权和的相应的结论.     

Banach空间上的随机加权和的收敛性

本文讨论了在P型和P凸Banach空间上的随机加权和un↑∑↑i=μnXni的r平均收敛性及依概率收敛性，并从给出了满足这些收敛性的充分与必要条件。在以往的文献中讨论的随机加权多为n↑∑↑i=1αniXi这种形式，而本文给出了在更一般情况下随机加权和的收敛性，并对以前的一些定理作了一些适当推广。     

关于密度估计的不变原理

设f(x)为i.i.d随机变量序列X_1,X_2,…共同的分布密度函数,它的核估计为其中h_n↓0,核函数K∈D(-∞,+∞)。 本文首先考虑了由f_n产生的一类D中的随机元的有限维分布的收敛性,然后着重讨论了由f_n产生的另一类D中的随机元在对核函数的适当限制下向正态随机元的弱收敛性。     

随机加权U-过程的条件弱收敛

假定Ｆ是一个由函数组成的集合．在这篇文章中,我们研究了指标集Ｆ上２阶的随机加权Ｕ－过程的条件弱收敛性质,导出了Ｕ－过程的随机加权逼近．     

极大极小随机规划逼近问题最优解集和最优值的稳定性

研究了特殊的二层极大极小随机规划逼近收敛问题. 首先将下层初始随机规划最优解集拓展到非单点集情形, 且可行集正则的条件下, 讨论了下层随机规划逼近问题最优解集关于上层决策变量参数的上半收敛性和最优值函数的连续性. 然后把下层随机规划的epsilon-最优解向量函数反馈到上层随机规划的目标函数中, 得到了上层随机规划逼近问题的最优解集关于最小信息概率度量收敛的上半收敛性和最优值的连续性.     

由随机过程序列产生的滑动平均过程部分和的弱收敛

本文讨论了由ρ-混合随机过程序列产生的形如Xk(t)=∑j=0∞ajεk-j(t),0≤t≤1,其中{aj;j≥0)为一实数序列,满足∑j=0∞|aj|<∞的滑动平均过程部分和的弱收敛性;同时也讨论了由此滑动平均过程产生的形如Yn(s,t)=1/n~(1/2)∑k=1[n,s]Xk(t),0≤s,t ≤ 1的随机过程的弱收敛性,以及随机足标和SNn(t)=∑k=1NnXk(t)的弱收敛性.     

光滑的经验分位点过程随机加权估计的弱收敛性

本文对光滑的经验分位点过程随机加权估计误差作了讨论,并证明了其弱收敛性。     

随机过程序列部分和的收敛性

本文讨论了随机过程序列部分和的收敛性问题，给出了部分和过程弱收敛于Gauss过程的条件，得到了随机过程序列场合的嵌入定理及强逼近定理．     

NOD随机变量随机加权部分和的完全收敛性

本文研究了NOD随机变量双下标随机加权部分和的完全收敛性,获得了一些完全矩收敛结果和完全收敛结果,从而获得了Marcinkiewicz-Zygmund型强大数律.我们的结果推广了目前已有的一些结论.进一步,我们给出一些数据模拟工作来展示收敛性结果.     

带惩罚项与随机输入的BP神经网络在线梯度学习算法的收敛性

本文对三层BP神经网络中带有惩罚项的在线梯度学习算法的收敛性问题进行了研究,在网络训练每一轮开始执行之前,对训练样本随机进行重排,以使网络学习更容易跳出局部极小,文中给出了误差函数的单调性定理以及该算法的弱收敛和强收敛性定理。