关于超平行体的几个不等式

设x_1,x_2,…,x_m是n维内积空间R~n中m个线性无关的向量,以这m个向量为梭所构成的超平行多面体的体积记为V[x_1,x_2,…,x_m]。则经典的Hadamard不等式可表达为: V[x_1,x_2,…,x_m]≤multiply from k=1 to m(‖X_k‖)     

数据分层妙解方差最值问题

<正>定理^([1])假设第一层有m个数,分别为x_1,x_2,…,x_m,平均数为x,方差为s([1])假设第一层有m个数,分别为x_1,x_2,…,x_m,平均数为x,方差为s²;第二层有n个数,分别为y_1,y_2,…,y_m平均数为y,方差为t2;第二层有n个数,分别为y_1,y_2,…,y_m平均数为y,方差为t²,则样本方差b2,则样本方差b²=1/m+n[(ms2=1/m+n[(ms²+nt2+nt²)+mn/m+n(x-y)2)+mn/m+n(x-y)²].     

向量有理插值的一个行列式公式

<正> 设由不同实数组成的实数序列为x_0,x_1,x_2,…,对应的有限向量序列为(?)_0,(?)_1,(?)_2,…,其中(?)_i=(?)(x_1)∈D~d定义若向量有理函数(?)_n(x)=(?)(x)/q(x),其中(?)(x)是d 维多项式值向量,q(x)是实多项式,满足:     

向量连分式逼近与插值

§！.向量连分式展开式 给定不同实数组成的序列∏_x~∞={x_0,x_1,x_2,…}和由对应的有限向量组成的序列?_z~∞={V~((0)),V~((1)),V~((2)),…},其中V~((i))=V(x_i),V~((i))∈C~d.向量的Samelson逆变换定义为 V~(-1)(x)=V~*(x)/|V(x)|~2,V~*是V的共轭向量.(1) 定义1.?_l[x_0x_1…x_l]称为V(x)的第l阶反差商,其中     

刀切Von-Mises统计量

设 X_1、X_2,…,X_n…为一系列独立同分布的随机变量,它们服从分布 F_θ。设(?)(x_1,x_2,…x_m)是关于 m 个变元 x_1,…x_m 对称的函数。定义以(?)为核的 U-统计量为U_n:(?)~(-1)∑_1≤α_1<…<α_m≤n(?)(X_α_1,…,X_α_m) (n≥m) (1)相应的 Von-Mises 统计量为     

ASYMPTOTICALLY OPTIMAL EMPIRICAL BAYES ESTIMATION FOR PARAMETERS OF TWO-SIDED TRUNCATION DISTRIBUTION FAMILIES

Consider the two-sided truncation distrbution families written in the formf(x,θ)dx=w(θ_1, θ_2)h(x)I_([θ_1,θ_2])(x)dx, where θ=(θ_1,θ_2).T(x)=(t_1(x), t_2(x))=(min(x_1,…,x_m), max(x_1, …,x_m))is a sufficient statistic and its marginal density is denoted by f(t)dμ~T. The prior distribution of θ belongs to the familyF={G:∫‖θ‖~2dG(θ)<∞}.In this paper, the author constructs the empirical Bayes estimator (EBE) of θ, φ_n (t), by using the kernel estimation of f(t). Under a quite general assumption imposed upon f(t) and h(x), it is shown that φ_n(t) is an asymptotically optimal EBE of θ.     

t-可约二部分竞赛图的得分表偶

设 T_(m,n)是 m×n 二部分竞赛图,(X,T)是 T_(m,n)的顶点集合 V(T_(m,n)的有序分划,其中|X|=m,|Y|=n.设 X={x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n}.顶点x_1,x_2,…,x_m 在 T_(m,n)中的得分依次为 a_1,a_2,…,a_m,a_1≤a_2≤…≤a_m;y_1,y_2,…,y_n 在 T_(m,n)中的得分依次为 b_1,b_2,…,b_n,b_1≤b_2≤…≤b_n.记 A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n).有序向量偶(A,B)称为 T_(m,n)的得分表偶.反之,给定有序非负整向量偶(A,B),其中 A=(a_1,a_2,…,a_m),a_1≤a_2≤…≤a_m,B=(b_1,b_2,…,b_n),b_1≤b_2≤…≤b_n,是否存在 m×n 二部分竞赛图 T_(m,n),使得(A,B)是 T_(m,n)的     

标准Jacobi矩阵的混合型特征反问题

0 引言 本文讨论如下标准形式的Jacobi矩阵 其中a_i>0(i=1,2,…,n),b_i>0(i=1,2,…,n-1)。 对于Jacobi矩阵(对称三对角矩阵)的特征反问题,已有的成果[1],基本上集中在由两组频谱或两个特征对(指特征值及相应的特征向量)构造Jacobi矩阵的元素这样两类问题上,习惯上称之为频谱型或特征向量型反问题。本文提出且求解了第三类型——混合型特征反问题。即由一组频谱数据和一个特征向量构造矩阵元素的问题: 问题Ⅰ 给定正数λ~(1),λ~(2),…,λ~(n)和实向量x=(x_1,x_2,…,x_n)~T,其中x_1=1。构造一个标准形式的Jacobi矩阵J,使其第k阶顺序主子阵恰以λ~(k)(k=1,2,…,n)为其特征值。且(λ~(n),x)为其特征对。 问题Ⅱ 给定正数0<λ_1~(n)<λ_1~(n-1)<…<λ_1~(1)和正向量x=(x_1,x_2,…,x_n),其中x_=,x_k>0(k=2,…,n),构造一个标准形式的Jacobi矩阵J,使其第K阶顺序主子阵恰以λ_1~(k)为其最小特征值,而(λ~(n),x)为J的特征对。 问题Ⅲ 给定n个实数0<λ_1)<λ_2<…<λ_n和m个实数λ~(1),λ~(2),…,λ~(m)及m维向量x=(x_1,…,x_m)~T。构造n阶标准形式的Jaeobi矩阵J,使其第K阶顺序主子阵恰以λ~(k)(k=1,2,…,m)为其特征值,而(λ~(m),x)为第m阶顺序主子阵的特征对,且λ_k(k=1,2,…,n)为J的特征值。这里系大于或等     

高维非线性Schrdinger方程的Fourier谱方法

其中i=(-1)(1/2),△为Laplace算子,q(·)为实变量实值函数,u_0(x)和u(x,t)分别为关于x以2π为周期的已知和未知复值函数,J=(0,T](T>0),β为一实常数,e_j为R~m的第j个单位向量,x=(x_1,…,x_m)∈R~m. 方程(1.1)在非线性光学、等离子体物理、流体动力学及非相对论量子场论中用得很     

高维非线性Schrdinger方程的Fourier谱方法

其中i=(-1)(1/2),△为Laplace算子,q(·)为实变量实值函数,u_0(x)和u(x,t)分别为关于x以2π为周期的已知和未知复值函数,J=(0,T](T>0),β为一实常数,e_j为R~m的第j个单位向量,x=(x_1,…,x_m)∈R~m. 方程(1.1)在非线性光学、等离子体物理、流体动力学及非相对论量子场论中用得很     

欧拉-拉格朗日方程的形式讨论

众所周知方程 (1)是欧拉-拉格朗日方程,其中 F≡F(x_1,…,x_m,u,u_(x_1),…u_(x_m),…,u_(x_(i_1)x_(i_2)…x_(i_k))…),F称为它的拉格朗日密度.反之,已给一方程,判断它是否是欧拉-拉格朗日方程,即所谓变分学逆问题,它的重要性已为物理学家、力学家、计算数学家所注意. 对已给方程(组),变分学逆问题有两种提法:一种是先判断方程(组)的解,是否可能     

多维秩极限定理(Ⅰ)

<正> §1.记号定义 本文中,R_m表示m维向量空间,Z_m(Z_m~+)表示所有分量都是非负(正)整数的m维向量的全体.x∈R_m的第j个分量记作x~(j).对x_1,x_2∈R_m,记号x_1<(≤)x_2表示x_1~(j)<(≤)x_2~(j),j=1,…,m.此外,m元分布函数F(x)的第j_1,…,j_s(1≤j_1<…相似文献   

均匀Ⅱ-型三角剖分上带边界条件的二元四次C~2样条函数空间

正1引言设矩形域Ω是一个闭长方形域[x_0,x_(m+1)]■[y_0,y_(n+1)],取x_0≤x_1≤,…,x_m ≤x_(m+1),y_0≤y_1≤,…,y_m ≤y_(m+1),并用直线簇x=x_i,i=1,…,m,y=y_j,j=1,…,n对Ω进行矩形剖分.在矩形剖分的基础上,连接其中各个小矩形胞腔的斜率为正的对角线所形成的三角剖分即为所谓的I-型三角剖分■,     

求解张量绝对值方程基于连续时间的神经网络方法

1引言考虑如下的张量绝对方程(TAVE):寻找向量x∈R^(n)满足Ax^(m-1)-B|x|^(m-1)=b,(1.1)其中A,B∈T(m,n)且m为偶数,b∈R^(n)为已知向量.这里T(m,n)表示m阶n维实张量的集合,向量|x|定义为|x|=(|x_(1)|,|x_(2)|,…,|x_(n)|)^(T).当m=2时,方程(1.1)退化为下面的(矩阵)绝对值方程(AVE):Ax-B|x|=b.(1.2)方程(1.2)的一个特例是当B为单位矩阵的情形,即Ax-|x|=b.(1.3).     

约束极值的一个可行方向法

<正> 引言我们讨论下面的约束极值问题(NP):(?)f(x_1,x_2,…,x_n) (1)(NP)R={x|a_j~Tx≤b_j,x∈E~n,j∈I},I={1,2,…,m}.(2)其中 a_j=(a~(j_1),a_(j_2),…a_(j_n))~T,x~T=(x_1,x_2,…,x_n)是 n 维向量,b_j 是标量,f(x_1,x_2,…,x_n)是一阶连续可微的凸函数.     

关于Powell方法的一个注

<正> 设x=(x_1,x_2,…x_n)为代表n维空间一点的一个实向量变量，为了寻求n元实函数f(x)=f(x_1,x_2,…x_n)的近似最小值与使 f 取该近似最小值的 x 通常采用的方法依其是否用到 f 的梯度向量而分为梯度法与直接法两大类.而在直接法中比较常用的是 M.J.Powell 在[1]中提出的一个方法.在国内近年来的实践中也屡屡用到此法.本文目的是对该方法中的某些条件加以简化.     

AN ESTIMATE FOR THE IMAGE DIAMETER AND ITS APPLICATION TO SUBMANIFOLDS WITH PARALLEL MEAN CURVATURE

In 1965 S. S. Chern proved that a hypersurface Z=F(x_1,…, x_m) of constant mean curvature, defined for all values of x_1, …x_m is necessary a minimal surface. Then he proposed to generalize Osserman's theorem. As an answer, D. Hoffman, R. Osserman and R. Schoen     

稳定位相法——高阶临界点的情形

本文计算含大参数λ的振荡积分 I=integral from (e~(iλf(x))φ(X)dx) 在位相函数具任意阶临界点时的渐近展开式,从而推广了[1]～[4]中的有关结果。 §1 一维情形 设[a,b]为紧区间,f(x)仅在(a,b)中有有限个临界点x_1,x_2,…,x_m,阶数分别为k_1,k_2,…,k_m(k_j≥2),即。又设f(x)可延拓成复平面上包含实轴线段[a,b]的一个单连通区域中的正则函数。以下x,u表实变量,z、w表相应的复变量。     

用Householder变换约化对称带形矩阵为三对角形

对于对称带形矩阵,在[1]中用Givens变换将它约化为三对角形.现在我们用House-holder镜象变换进行约化.给出向量x=(x_1,…,x_(r-1),x_r,x_(r+1),…x_j,x_(j+1),…,x_n)~T,其中x_r,…,x_j不全为零,可以找到一个镜象变换H=I-uu~T/(2k~2),(1)其中向量u的分量u_i=0(i=1,2,…,r-1,j+1,…,n),u_r=x_r+s,u_i=x_i(i=r+1,…,j),s=±(sum from i=r to j x_i~2)~(1/2),2k~2=s~2+x_r s,s的正负号选取与x_r一致,使得Hx=(x…,x_(r-1),-S,0,     

多元函数的柯西公式和洛必大法则

<正> 本文给出多元函数的(?)西公式.并利用它建立多元函数的洛必大法则.为书写简单起见,文中采用向量表示法. x=[x_1,x_2…,x,]~r表示n维空间R~n中的向量. (?)R~n→R~(?)表示∫是定义在n维空间R~n中区(?)D上的n元实值函数.