随机序列和的几乎必然收敛

通过研究上可加的r阶矩结构的随机序列和的几乎必然收敛性、收敛速度，给出了2个重要定理的证明，得出的随机序列和的收敛速度在数量级上已达到最优，并给出了定理的相关应用．     

END随机变量序列的完全矩收敛与强收敛性

利用推广的负象限相依随机变量序列的有关矩不等式及截尾的方法,在一定的矩条件下,得到了END随机变量序列完全收敛与完全矩收敛的一个上界,推广了独立同分布情形的结论。结合END序列的三级数定理,在随机控制的矩条件下,获得了其强收敛性的若干结果。     

几乎处处收敛的可测函数的两个性质

本文给出了关于几乎处处收敛的可测函数列的两个定理。     

幂级数收敛半径的若干性质

给出了由已知幂级数生成新的幂级数后收敛半径发生变化的若干结果 ,并提供了相关实例     

基于m-相依序列的学习机器相对一致收敛的界

为了研究m-相依序列下学习机器的推广性能,把基于独立同分布的结果推广到m-相依序列,建立采用ERM算法的学习机器的经验风险到它的期望风险相对一致收敛速率的界.并对m-相依序列现有的结论进行改进,得到了m-相依序列下,采用经验风险最小化算法学习机器的推广性能的界.     

拟收敛函数列的几个性质

本文给出拟收敛函数的定义,再与文[1]中的依测度收敛和几乎处处收敛函数作比较。     

关于Taylor定理的中值的渐近性与收敛速度

Azpcitia定理给出了中值点所具有的渐近性,本文对此建立了收敛速度的一个估计,并对不满足Azpcitia定理条件的一类函数,给出了其中值点所具有的渐近性,对此也建立了收敛速度的一个估计     

m-重伴随矩阵(m*)A的若干性质

本文研究n(n＞2)阶方阵A的m-重伴随矩阵的性质,得到一些新的结果.     

不确定变量序列依r阶收敛的若干性质

在不确定理论中,已经给出了不确定变量序列平均收敛及均方收敛的定义。文章将其推广到更为一般的不确定变量序列依r（r〉0）阶收敛（r=1时为平均收敛;r=2时为均方收敛）。提出了不确定变量序列依r（r〉0）阶收敛的定义,研究了其性质,给出了不确定变量依r阶收敛的基本列的定义,并讨论其与依r阶收敛的关系。     

m-重伴随矩阵~((m*))A的若干性质

本文研究n(n>2)阶方阵A的m-重伴随矩阵的性质,得到一些新的结果。     

一致收敛及保持极限函数分析性质的深入研究

一致收敛概念是为深入研究极限函数的分析性质而提出的.运用一致收敛概念深入研究了极限函数的分析性质,并探讨了一系列比一致收敛弱、仍能保留极限函数良好分析性质的收敛性态,研究了这些收敛性态之间的关系.     

关于求平方根的三种迭代序列的收敛速度及收敛渐近性

运用求解初等代数方程(不动点)的方法,建立了关于求平方根a(a 0)的分式线性迭代序列、牛顿迭代序列、哈雷迭代序列的收敛速度及收敛渐近性定理.     

负相伴样本指数分布参数的经验Bayes检验

讨论了负相伴样本情形指数分布中寿命参数θ的经验Bayes单侧检验问题：H0：θ≤θ0←→H1：θ〉θ0，利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数，在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优性，并获得了其收敛速度．     

Banach空间中非自渐近非扩张映象的强收敛定理

在Banach空间的框架下,借助Halpern迭代算法,对非自渐近非扩张映象,证明了一个强收敛定理,所得结果改进和发展了Guo等人的最新结果.     

关于广义I型渐近拟非扩张映射的收敛定理

研究了广义I型渐近拟非扩张映射在一致凸Banach空间中的强收敛,得到了几个强收敛定理以及一个充分必要条件。     

Banach空间的无条件基的若干性质

给出具有惟一无条件基的无穷维Banach空间,并论述其无条件基的若干性质。     

渐近非扩张映象公共不动点具误差的弱和强收敛定理

设E是一致凸的Banach空间,C是E的非空有界闭凸子集．本文证明了,在一定条件下,三个渐近非扩张映象公共不动点具误差的迭代序列的弱和强收敛定理．本文结果也推广和改进了最近一些人的最新结果．     

关于负二项分布滑动平均的若干强偏差定理

引入随机序列滑动似然比作为整值随机变量序列相对于服从负二项分布的独立随机变量序列的偏差的一种随机性度量,通过滑动相对熵限定了样本空间的一个子集．在此子集上得到了一类关于任意整值随机变量序列的用不等式表示的定理．即强偏差定理．