强一致收敛与动力性质(英文)

一般,许多动力性质(如:拓扑传递、拓扑混合等)不能被一致收敛性所遗传.本文引入强一致收敛性的概念,并说明紧致度量空间上映射的一些动力性质被强一致收敛性所保持.

强一致收敛条件下的集值Devaney混沌

混沌动力系统是广大研究者的研究课题,而很少研究者研究混沌中的序列系统与极限系统.在Vietoris拓扑空间的基础上讨论了Devaney混沌.先通过对比举例得出:周期稠密的基空间是混沌.继续在强一致收敛条件下讨论了基空间的序列系统与超空间的极限系统的混沌关系,得到:在强一致收敛条件下,超空间的序列系统的Devaney混沌具有保持性.

非线性大工业过程稳态模型的强一致性分析

稳态优化问题就是依据过程的数学模型,在约束条件下,优化其目标函数,而实际的工业过程往往是呈非线性或慢时变性。针对动态非线性大工业过程, 提出了得到其可分稳态模型强一致性估计的分散辨识方法;利用多项式对非线性函数的无限逼近的性质和优化过程中设定点的阶跃信号作输入激励信号,获得了动态非线性大工业过程的可分稳态模型和可辨识的条件。

动态双线性工业过程稳态模型的强一致估计

针对双线性动态工业过程,提出一种辨识其稳态模型的方法.该方法利用阶跃信号作为辨识输入信号和过程稳态输出采样值的滑动平均近似稳态输出值,从而构造一种线性矩阵关系,获得其未知系数矩阵的估计.该过程在阶跃输入情况下是一个严格稳定的过程,所以其稳态输出采样值是拟平稳的,从而这种估计是强一致的.数字仿真充分证明了该方法是有效和实用的.

大工业过程的稳态模型分散辨识及其强一致性分析

针对动态线性大工业过程,提出了获得其可分稳态模型强一致性估计的分散辨识方法.该方法仅使用设定点的阶跃信号作为输入激励信号,并且每个子过程的输入输出稳态模型辨识是在相应的局部单元完成的,因而大大减少了对过程的干扰和信息的交换量.所提出的方法简洁,并且辨识精度高,仿真结果说明了该辨识方法的有效性和实用性.

一类非线性系统的稳态模型估计及其强一致性分析

针对由Ｖｏｌｔｅｒａ级数描述的一类非线性系统，提出了采用设定点变化的阶跃信号辨识系统稳态模型的方法，得到了稳态模型的强一致性估计．研究了估计残差的渐近分布和收敛速度．最后的仿真结果显示了该算法的有效性和实用性．

基于输入扩张的闭环系统子空间辨识及其强一致性分析

针对闭环条件下的子空间辨识问题,结合线性代数和几何学的基本概念,将输入输出误差序列包含至输入子空间中,基于输入扩张的状态空间构造方法,提出一种新的闭环辨识算法;解决开环算法应用于闭环系统辨识时产生有偏估计,甚至不能正确辨识的问题;实现闭环条件下对系统状态空间矩阵的强一致估计,并理论证明该辨识算法的强一致性:最后通过仿真实例验证本算法的有效性．

广义强一致ψ半压缩算子的带误差修正多步Ishikawa迭代的收敛性(英文)

对广义强一致ψ半压缩算子研究了带误差修正多步Ishikawa迭代的收敛性,并在更弱的条件下得到此迭代收敛到唯一的不动点.

关于球面函数强一致逼近的一个定理

Σn - 1是Rn(n >2 )中的单位圆 .对 f∈C(Σn - 1) ,记 f的连续模为ω(f ,·) .EδN 是 f的Fourier Laplace展开的Ces劋ｒｏ平均的等收敛算子 .得到的主要结论是 :令 f∈C(Σn- 1) ,n >2 ,δ >n- 3/ 2 =λ - 1/ 2 ,N∈N ,则‖ 1N+1∑Nk =0｜Eδk(f) - f｜2 ‖c ≤ c(n)N+1∑Nk =0ω2 (f ,1k+1) .

相依数据下一般函数核估计的强一致收敛速度

在很多统计回归模型中,都涉及到对未知均值函数或者对某已知函数的未知条件数学期望的估计.本文针对这一问题,给出在数据是α-混合相依时一般函数的条件数学期望的核估计,并讨论它的强一致收敛速度.

φ混合样本回归函数核估计的强一致收敛速度

设Ｘ和Ｙ分别是ｄ维和１维随机变量，（Ｘ，Ｙ）～Ｆ（ｘ，ｙ）。（Ｘｊ，Ｙｊ），ｊ＝１，２，…，ｎ为来自（Ｘ，Ｙ）的样本。讨论了当样本为平稳φ混合随机序列时，回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的核估计ｍｎ（ｘ）（Ｎａｄａｒａｙａ于１９６４年提出的）的强一致收敛速度。在其他条件不变的情况下，得出了与独立样本相同时的强一致收敛速度。

相依样本条件t分位数的核估计及其强一致收敛性

本文放宽了随机向量的独立性的要求，在假设随机向量为φ－混合的条件下。

条件泛函及其导数非参数估计的强一致收敛速度

研究了条件泛函及其导数的非参数估计,对随机与固定设计的条件泛函,分别利用核估计和非参数加权估计,在核函数及权函数满足一定条件下,证明了估计一致强收敛于待估函数的速度可达到最优。从而进一步推广和发展了Hrdle,etal.(1988)、Severini,etal.(1992)的许多结果。

基于GPRS网络的强一致性两级缓存系统框架

无线移动环境中缓存的主要目的是减少对无线带宽资源的占用和节省电池能量,然而移动无线终端的漫游与经常断开连接又给缓存内容的一致性带来了一系列新的问题。本文针对目前运行的GPRS网络,提出了在用户端(移动终端)和 GPRS骨干网中添加验证服务器 VS(Validation Server)对数据进行两级缓存的系统框架和缓存强一致性策略。该框架简化了无线移动环境下维护缓存一致性的复杂性,有效地降低了对无线带宽的占用和数据库服务器的负载,支持移动终端断开连接的时间任意和在一个公众陆地移动通信网 PLMN网内的漫游,具有很强的实用性。

竞争风险场合PL型估计的强一致收敛性

本文构造了竞争风险场合分布函数的乘积极限(PL)型估计,运用经验过程的强逼近理论及Toylor展开方法,给出了PL型估计在全直线上的强一致收敛速度及其充分必要条件.

相依样本回归函数和密度函数的强一致相合估计

设有非参数回归模型：ｙｉ＝ｇ（ｘｉ）＋εＩ，ｉ＝１，２，…，ｎ这里固定设计点：０＝ｘ０〈ｘ１〈…〈ｘｎ＝１，｛εｉ，ｉ＝１，２，…，ｎ｝为随机误差序列，有相同密度函数ｆ（ｘ），ｇ（ｘ）为［０，１］上可各的未知函数。

ψ-混合样本核密度估计的强一致相合性

本文研究了基于φ-混合样本且核为可变化的密度函数估计的强一致相合性,获得了与独立同分布样本时同样优良的收敛速度O((n/logn)^(-1/3)).

回归函数及其导数非参数估计的强一致收敛速度

本文研究了回归函数及其导数的非参数估计.对随机与固定设计的回归函数,分别利用核估计和非参数加权估计,在核函数及权函数满足一条件下,本文证明了估计一致强收敛于待估函数的速度可达到最优.从而进一步推广和发展了Hardle(1988)、Severini,etal.(1992)的许多结果.

强一致收敛下的保持性和混沌性

首先证明了:若在强一致收敛下序列函数是渐近周期的(几乎周期的),则其极限函数也是渐近周期的(几乎周期的).最后讨论了动力系统中的序列函数在强一致收敛下的极限函数的混沌性.

最小二乘估计强一致性的充分必要条件

本文针对离散时间和连续时间多维动态线性系统。