二重Dirichlet级数与随机Dirichlet级数的迭代级数的收敛性

定义了上侧与下侧二重Dirichlet级数及由它们迭代的关于无穷乘积的无穷级数；在下侧二重Dirichlet级数的Knopp-Kojima公式基础上，通过引进一个随机变量序列，在概率空间（Ω,A，P）上定义了上、下侧二重随机Dirichlet级，建立了两类级数及其迭代级数的收敛性理论与Knopp-Kojima推广公式。     

求非光滑方程的半光滑牛顿方法

非光滑优化是数学规划中的一个非常活跃的研究方向 ,它起源于现实问题并在许多方面有着广泛的应用。它提供了一个研究规划中许多重要问题的统一框架。Pang和Qi[1 ]在研究互补问题、变分不等式问题和优化问题时 ,总结了八大类可以化为非光滑方程的问题。半光滑方法是求解非光滑问题的一类重要方法 ,它推广了求解光滑方程的牛顿方法 ,对于设计快速收敛的算法有着重要的意义。本文我们回顾总结求解非光滑方程的半光滑牛顿方法方面的进展 ,并给出一些建议     

一类线性过程中的分布函数的收敛速度

考虑线性过程X(n)=∑∞i=0δ(i)Z(n-i),在如下条件下①Z(n)为i.i.d.r.v′s,且E|Z(n)|＜∞;②Z(n)的分布函数F具有有界密度;③参数δ(i)满足|δ(i)|＜g(i),其中函数g满足∑∞i=1ig(i)＜∞,我们给出了supx∈R|F(x)-FVm(x)|→0的速度为(g(h(m)))1/2,在相同的条件下,比原速度(mg(h(m)))1/2快.     

区间小波神经网络(II)——性质与模拟

证明了区间小波神经网络具有一致及Ｌ２逼近性质，且为相容的函数估计子，其学习收敛速度在ｄ维情形不随ｄ增大而减慢，本质上克服了神经网络高维学习的“维数灾难”问题，模拟实例验证了理论的正确性．     

多变量鲁棒自适应极点配置算法

在系统具有一般不确定结构的情况下,提出了一种多变量自适应极点配置算法,解 决了多变量自适应极点配置算法的奇异性问题,证明了它的全局收敛性和稳定性.该算法构 造了一个估计参数的修正策略，保证估计模型的一致能控性,并且得到能控度的一个下界.所 需要的先验知识仅为系统的能观性指数和能控性指数的上界以及干扰上界.     

求解线性规划问题的一类新的连续化方法

针对一类线性规划问题的解存在的新等价性条件，给出了大范围收敛的连续化方法及证明了收敛性的结论。     

相依序列加权和的强收敛速度

研究了矩限制的φ-混合或强混合随机变量序列加权和的强收敛速度问题,在关于混合系数趋于零的速度的适当限制下,所得结果达到了鞅差序列或独立序列情形时的相应结果。     

密度估计函数的收敛速度及重对数率

设ｆＦ为（－∞，∞）上的一族概率密度，ｘ１，ｘ２，…，ｘｎ为取自ｆ的样本。记Ｊｎｉ＝（（ｉ－１）ｈｎ，ｉｈｎ），ｈｎ∞（ｎ→∞），又记Ｒｉ＝＃｛ｔ：ｔ＝１，２，…，ｎ｝，当ｘＪｎｉ时，讨论了ｆ（ｘ）的密度估计函数。并且在Ｌｉｐｓｈｉｔｚ条件下研究了密度估计函数ｆｎ（ｘ）的渐近正态性，最佳可能收敛速度和一致收敛的重对数率。当０＜α＜１，β＜１－α２时，ｆｎ（ｘ）－ｆ（ｘ）＝Ｏ（ｌｎｎｎ－β）ａ．ｓ．；当－１４＜α＜１２时，ｓｕｐｘ｜ｆｎ（ｘ）－ｆ（ｘ）｜＝Ｏ（ｎα－１２ｌｎｌｎｎ）ａ．ｓ等．     

强大数定律收敛速度的一个推广

文献[1]在文献[2]的基础上讨论了Banach空间中随机变元列{Xi}满足一定条件时的完全收敛性,但收敛速度问题未得到圆满解决。文中进一步指出Banach空间中独立非同分布随机变元列的收敛速度,将薜留根的结果推广,得到了满意的结果。     

实值鞅差序列的Cesaro和的大数定律

得到了实值鞅差序列的Ｃｅｓａｒｏ和满足强、弱大数定律的充分条件，设｛Ｆｎ｝是Ｆ的递增子σ代数序列，｛Ｘｎ∈Ｌ１（Ｆｎ）；ｎ＝０，１，…｝是同分布实值鞅差序列，获得的两个结果在文中作了介绍．