一类线性约束极大极小问题的算法及其收敛性

设R为n维欧氏空间E~n中的非空多面体,考虑非线性规划问题 (P) (?)f(x), f(x)=sum from j=1 to l (f_j(x)),f_j(x)=■{β_(ij)(x)},其中I_j为有限指标集,β_(ij)(·)是E~n上的连续可微函数,x=(x_1,…,x_n)~T∈E~n,j=1,…,l. 本文先证明了伪方向导数的两个基本性质,并在去掉“β_(ij)(·)为上一致可微”这个条件     

带约束的最小平方和

<正> §1.引言设 x=(x_1,…,x_n)~T,f(x)=(f_1(x),…,f_m(x))~T,g(x)=(g_1(x),…,g_l(x))~T,其中 f_i(x)(i=1,…,m)与 g_j(x)(j=1,…,l)可以是非线性函数.令     

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.     

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

姿态角计算方法

<正> 本文提出解决问题(dx(t))/(dt)=f(t,x(t),u(t)),x(t_0)=x_0,(1)g(t,x(t),u(t))=0 (2)的一套实用的数值计算方法,其中 t∈[t_0,t_f],t_f 可以是固定的,也可以是不固定的,x(t)=(x_1(t),x_2(t),…,x_n(t))~T∈R~n 是状态向量,u(t)=(u_1(t),u_2(t),u_3(t))~T=((?)_1(t),(?)(t),γ(t))~T∈R~3是火箭的姿态角,f=(f_1,f_2,…,f_n)~T 是 n 维向量值函数,g=(g_1,g_2,g_3)~T 是三维向量值函数.这套方法包括简单迭代法,简化牛顿法及简化梯度法,并给出判断简单迭代法收敛性的一个充分条件的准则.这个准则在具体条件下既简单又实用.     

ON THE EXPECTED SAMPLE SIZES OF SOME POWER ONE TESTS FOR NORMAL MEAN WITH UNKNOWN VARIANCE

Suppose that x_1, x_2,…axe i. i. d. random variables on a probability space (Ω, ■, P_(θσ)) and x_1 is normally distributed with mean θ and variance σ~2, both of which are unknown. Given θ_0 and 0<α<1, we propose a concrete stopping rule T w. r. t. the {x_n, n≥1} such thatP_(θσ)(T<∞)≤α for all θ≤θ_0, σ>0,P_(θσ)(T<∞)=1 for all θ>θ_0, σ>0,■(θ-θ_0)~2(ln_2 1/θ-θ_0)~(-1)E_(θσ)T=2σ~2P_(θ_0σ)(T=∞),where ln_2 x=In(ln x).     

寻找最优控制的具有约束算子的梯度算法

§1.具有约束算子的梯度算法 考虑连续的受控系统,其运动轨道及控制满足常微分方程组 x=f(x,u,t),x(t_0)=x_0, (1.1)其中x=(x_1,x_2,…,x_n)~T?E~n是系统的状态变量,u=(u_1,u_2,…,u_r)~T?E~r是系统的控制变量;f(·,·,·)=(f_1(·,·,·),…,f_n(·,·,·))~T是由E~n×E~r×E~1到E~n中的向量值函数;t_0是运动的起始时刻;x_0是运动的初始状态;t_f是运动的终结时刻.为简单起见,下面假定t_0,x_0,t_f均已给定。 我们把定义在区间[t_0,t_f]上的每一个在E~r中取值的分段连续函数u(t)=(u_1(t),u_2(t),…,u_r(t))~T称作系统(1.1)的一个控制。所有这样的控制的集合记作H,给定系     

非线性FREDHOLM积分方程组的求解方法

在文[1]中,我们研究了含参数 λ 的如下形式的非线性 Fredholm 积分方程组(?)(x;λ)=f(x)+λ(?)Φ(x,y,(?)(y;λ))dy (1)的求解问题,这里 λ 适当地小,(?)(x;λ)=((?)_1,…,(?)_i)~T 是未知的 l 维向量,f(x)=(f_1)…,f_(?))~T是已知的 l 维向量,Φ=(Φ_1,…,Φ_l)~T,每个分量Φ_j(x,y,(?)_1,…,(?)_l)(j=(?)     

关于两类线性变时控制系统的一致渐近稳定性

其中,x(t)∈R~n 是状态向量,u(t)∈R~r 是输入向量,A(t)=(a_(ij)(t))_(n×n)是系数矩阵,B(t)=(b_(ij)(t))_(n×r)是输入变量系数矩阵,根据 Lagrange 常数交易公式,系统(1)的解可表为:     

关于一个积分不等式的Djokovi(?)''''s猜想(英文)

在1965年,Djokovi,D.Z提出[1]:设x_0(1-α_1)(x_2-x_0)时,(4)不成立,一般说,(4)式是否成立和点x_0相似文献   

中点弦所在的直线方程

已知平面上一点M(x_0,y_0)以及二次曲线C: Ax~2+Bxy+Cy~2+Dx+Ey+F=0 (1)简记为G(x,y)=0。又方程Ax_o+B(y_0+x_0y)/2+Cy_0+D(x+x_0)/2+E(y+y_0)/2+F=0简记为 G＇_(x_0,y_0)(x,y)=0 (2)显然有① G＇_(x_0,y_0)(x,y)=G＇_(x,y)(x_0,y_0) ② G＇_(x_0,y_0)(x_0,y_0)=G(x_0,y_0)我们有如下众所周知的结论1)当M(x_0,y_0)在曲线(1)上时,方程(2)表     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

拉格朗日中值定理的一个证明

拉格朗日定理:设1) f(x)在区间[a,b]内有定义而且是连续的,2) 至少在开区间(a,b)内有有穷导数f′(x)存在。那么在a与b之间必能求得一点(?)(a相似文献   

实数的广义二进展式的一个概率性质

设0相似文献   

一类非自治非线性系统的渐近稳定性

考虑方程组(E) (dx)/(dt)=f(t,x),其中 x=(x_1,x_2,…,x_n)~T,f(t,x)=(f_1(t,x),f_2(t,x),…,f_n(t,x))~T 在区域 D:t≥t_0≥0,‖x‖≤H,H>0;上连续可微,且 f(t,0)≡0.用 x=x(t;t_0,x_0)表示(E)的具有初值 x(t_0;t_0,x_0)=x_0的解.对于方程组(E),我们有下面的引理:引理 对于方程组(E),如果存在一个正定的函数 V(t,x)满足微分不等式(dV)/(dt)≤ω(t,V) (1)且比较方程     

分段线性规划算法的一个注记

求解分段线性规划问题inf S(x) s.t.Ax≤b 0≤x≤(?) (1)其中(?)=((?)_1,(?)_2,…,(?)_n)及 b=(b_1,b_2,…,b_m)~T 是已知向量,A 是已知的(m,n)矩阵,元素为 α_(ij)。目标函数 s(x)是分段线性函数。即对[0,(?)_j)(j=1,2,…,n)存在分划0=x_j~(0)相似文献   

THE CONVERGENCE RATES OF EMPIRICAL BAYES ESTIMATION FOR PARAMETERS OF TWO-SIDED TRUNCATION DISTRIBUTION FAMILIES

Consider the two-sided truncation distribution families written in the form f(x,θ)=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 we denote its marginal density by f(t)dμ~T. The prior distribution of θ belong to the famlly. In this paper, we have constructed the empirical Bayes (EB) estimator of θ, φ_n(t), by using the kernel estimation of f(t) and established its convergence rates. Under suitable conditions it is shown that the rates of convergenc of EB estimator are O(N~-((λ中-1)(k 1))/(2(k 2)k)), where the neural number k>1 and 1/2<λ<1-1/2k. Finally an example about this result is given.     

Grunwald插值多项式算子的逼近阶

设J_n~(α,β)(x)(α,β>-1)是在[-1,1]上以ρ(x)=(1-x)~α(1+x)~β为权函数的n阶Jacobi正交多项式。l_k~(n)(x)(K=1,2,…,n)是以J_n~(α,β)(x)的零点{x~(n)_1,x_2~(n),…,X_n~(n)}为基点的Lagrange插值基本多项式,对于f(x)∈C[-1,1],其Grunwald插值多项式算子是(见[1]第Ⅲ部分;[2]P.196)     

SOME GENERAL RESULTS ON THE FIRST BOUNDARY VALUE PROBLEM FOR QUASILINEAR DEGENERATE PARABOLICE QUATIONS

In this paper,the authors investigate the first boundary value problem for equations ofthe formwithAn existence theorem of solution in BV_(1,1/2)(Q_T)is proved.The principal condition is thatthere exists δ>0 such that for any(x,t)∈Q_T,|u|≤Ma~(ij)(u,x,t)ξ_iξ_j-δ(a_(x_θ)~(ij)(u,x,t)ξ_i)~2≥0.a, ~=1     

纵向数据变系数回归模型小波估计的渐近性质

考虑纵向数据下的变系数回归模型y_(ij)=x_(ij)~Tθ(t_(ij))+e_(ij)i=1,2,…,n j=1,2,…,m.利用小波光滑和加权最小二乘方法,分别研究了模型中未知参数θ(·)的小波估计θ(·)和误差方差σ~2的小波估计σ~2,在适当的条件下,证明了θ的强相合性,强相合速度,并得到θ和σ~2的渐近正态性.