基于时间序列采样的正则化回归算法的收敛性

给出了基于时间序列采样的正则化回归算法的误差分析,即先将误差收敛归结为正则误差和样本误差,借助于Hoeffding型不等式给出了正则误差估计;同时,使用覆盖数及基于时间序列的Hoeffding型不等式给出了样本误差估计,从而算出学习速度一种上界的估计．最后的结果也说明学习速度能达到指数收敛性．     

基于投影算子的正则化最小二乘回归

通过引入经验覆盖数（empirical covering number）和投影算子（projection-operator）,从理论上研究正则化最小二乘回归学习算法.与已有的方法相比,一方面简化了回归分析的过程;另一方面,提高了最小二则回归学习算法的误差收敛阶.即,通过引入投影算子,得到了O（m-1）型的收敛阶,这是统计学习理论中关于泛化误差的最佳逼近阶.     

一种具有噪声估计能力的图像恢复正则化方法

利用小波为正则化方法提供了一种估计噪声能量的机制，根据估计得到的噪声能量，再利用经典正则化方法求解正则化参数，从而得到正则化解，实验结果表明估计噪声能量机制的正则化方法，在噪声能量和原图像能量信息未知的情况下，具有较快的计算程度和较好的恢复能力。     

连续正则化牛顿方法的收敛率

对半正定线性算子方程考虑了一类连续正则化牛顿方法,给出了收敛证明,得到了收敛率.考虑了右端数据有误差的情形,并给出了先验的与后验的停止准则,在一定条件下收敛率是最优的.     

单位正则环

本文主要研究环的单位正则性. 当 R 是一个含幺环时,描述了环 R 的单位正则性以及与全矩阵环 Mn(R )的单位正则性的等价性. 同时给出完全 0-单半群环 S= M0(G; I;Λ; P)当|I|= |Λ|<+ ∞且 P可逆时,其半群环 RS 的单位正则性的一个结果.     

L1/2范数正则化模型修正方法在结构损伤识别中的应用

利用结构损伤时损伤参数所具有的稀疏性,基于灵敏度分析的有限元模型修正方法,提出一种结合L1/2范数正则化过程的结构损伤识别方法。与以Tikhonov正则化为代表的二次型正则化过程相比,L1/2范数正则化可以有效改善识别结果过度光滑的缺陷;与以L1范数正则化为代表的一次型正则化过程相比较,L1/2范数正则化识别结果更准确。二维框架模型为例的损伤识别数值模拟表明,L1/2范数正则化方法与模型修正方法相结合可以有效抑制实测模态参数中噪声的影响,对于结构局部损伤有更好的识别效果。 更多还原     

关于F-正则性的注记

引进－环的Ｆ－正则根，具体讨论ｆ－正则性，得到了ｆ－正则－环的几个特征刻划以及结构定理，推广了Ｆ－正则－环的相应结果．举出ｖｏｎＮｅｕｍａｎｎ（弱、Ｆ－、ｆ－）正则的－环，而不是结合环的实例，并阐明上述几种正则性的区别．     

群分次弱正则环的若干性质

首先引入群分次弱正则环的概念,在此基础上证明了：（1）设G是群,J是K的分次理想,Jσ=Kσ∩J,则K是群分次弱正则环当且仅当J和K/J是群分次弱正则环．（2）假设K是一个环,n是任一正整数,则K是群分次弱正则的当且仅当Mn（K）是群分次弱正则的．如果K是群G分次环,则Ke是K的子环,且1∈K,（其中e是群G的单位元）．得到了群G-分次环K与Ke的一些关系．再者,引进了分次半平坦模的概念,并有如下主要结果：环K是分次弱正则的当且仅当所有右K-模是分次半平坦的．群分次弱正则环推广了群分次正则环,从而得到群分次正则环的相应结果．     

关于Γ—环的F—正则性

本文时Γ—环A定义了一种较[1]中Neumann正则性弱的F—正则性,得到了Γ—环A的F—正则根;同时还得到F—正则Γ—环的若干特征性质和结构定理。     

同伦正则态射的注记

本文给出了同伦正则态射的一些性质，定义了同伦满函子和同伦单函子，证明了这两类函子保持同伦正则性．最后给出了球面间的所有同伦正则态射．     

随机删失场合半参数回归模型参数估计的重对数律‘

本文探讨了随机删失场合半参数回归模型的参数估计问题.考虑半参数回归模型Y =X}}3 + g(T)十。，其中(X,T)’为取值于Kp X [0,1〕上的随机向量，月为1'维未知参数向量，8为定义于【0.1]上的未知函数，。为随机误差，Ee = 0 . Eez = az }。未知，且(X ,T)与。独立，).被一个与之独立的随机变量V所截.此时仅能观察到:Z=min(Y,V),o=1(Y簇V)，参数I3,az的估计量禽及公 z可综合非参数的权函数估计法与参数的最小二乘估计方法得到.本文对核函数的情形得到了念及ar z的精确收敛速度即重对数律.     

Hilbert不等式的推广

利用变分方法时一般时称积分核情形的Hilbert不等式进行了推广,给出了此类型不等式系数的准确的上下界,对一种特殊情形,求出了不等式最佳系数的表达式．     

一类奇异摄动问题有限差分逼近改进的一致收敛性

对于一类奇异摄动问题,给出了一种半离散差分格式,其网格是通过等分布所研究问题解的弧长控制函数而生成的.通过采用离散最大模原理和先验截断误差估计,证明了离散最大模下数值解是关于摄动参数ε一阶一致收敛的.这比已有文献中的误差收敛阶有明显的改进.数值实验验证了理论分析的正确性.     

灰铸铁石墨形态的神经网络识别研究

在分析分形维、纹理粗细度及二维回归系数共同组成的纹理特征基础上,本文运用人工神经网络方法实现了对灰铸铁石墨形态的识别．相对于传统方法,该方法识别速度快、重现性强、数据更为客观准确,避免了由于主观判断所引起的人为误差．在识别过程中,本文使用了一种确定隐层节点数的新方法,结果显示良好,对于人工神经网络中隐层节点数确定难的问题具有很好的实用参考价值．     

随机截断下PL 估计的强表示式以及密度函数的核估计

本文在随机左截断情形下, 研究了分布函数的乘积限估计(PL 估计) Fn 的一致强表示式, 对文献[ 4] 给出的强表示式的误差项的阶加以改进, 并用此强表示式研究了核密度估计fn(x)的渐近性质.对于渐 近最优窗宽的选择以及MSE 的阶, 得到与完全样本下相同的结果.     

基于支持向量机泛化误差界的多核学习方法

基于支持向量机（SVM）泛化误差界,提出了一种精确且有效的多核学习方法.首先,应用SVM泛化误差界推导多核学习优化形式,并给出求解其目标函数微分的计算公式.然后,设计高效的迭代算法来求解该优化问题.最后,分析了算法的时间复杂度,并基于Rademacher复杂度给出了算法的泛化误差界,该泛化界在基核个数很大时依然有效.在标准数据集上的实验表明,相对于一致组合方法以及当前流行的单核和多核学习方法,所提出的方法具有较高的准确率.     

形状不变性和参数化方法在求解Schrodinger方程中的应用

利用超对称量子力学的方法和形状不变性来精确求解势的束缚态能级和波函数 ,并讨论了参数化的方法 .     

改进的 Scheibel 萃取塔中分散相的停留时间分布模型

通过实验研究了改进的Scheibel萃取塔中分散相的停留时间分布,考察了操作条件、物性参数对分散相停留时间分布的影响.使用脉冲示踪法测量分散相的停留时间分布曲线,使用多釜串联模型处理数据,并通过因次分析法建立了一个计算模型参数为n的关联式.计算值与实验值的最大相对偏差为-14%,平均相对偏差为±5.9%. 通过该式计算n,可以得到给定条件下分散相的停留时间分布,有助于进一步研究两相的传质行为.     

Hansen和Patrick方法的收敛性

本文主要讨论复空间上带参的 Hansen 和 Patrick 迭代方法,利用三次优函数和优序列的技巧证明了迭代序列的收敛性,建立了相应的收敛定理,并且给出了较精确的误差估计.最后用数值列子来说明方法的有效性.