学科分类
/ 25
500 个结果
  • 简介:文献[1]给出了用超球多项表示带调和函数的定理,但没有给出系数的具体表达式,文[2]给出了系数的计算公式,但其方法比较复杂且不够直观,本文用简单的方法证明了这一公

  • 标签: 带调和函数 球调和函数 超球多项式
  • 简介:n阶矩阵在相似变换下的标准形是线性代数中讨论的一个重要内容,这一问题与矩阵的特征多项紧密联系,在各线性代数书中关于矩阵的特征多项的次项系数和常数项都作了介绍,而关于一般项的系数却未有记载,本文将给出一般项系数用矩阵的元素出表的关系.

  • 标签: 特征多项式 线性代数 标准形 相似变换 主子式 常数项
  • 简介:从二次曲面退化为两个平面的条件出发,导出三元二次多项α11^+2α12xy+2α13xz+α22y^2+2α23yz+α33z^2+2α14x+2α24y+2α34z+α44的分解条件;采用微积分法来分解因式,给出了三元二次多项一个实用的可分解判据,并由其特殊形式过渡到一般形式的因式分解.而获得三元二次多项的一种简便的因式分解方法.

  • 标签: 三元二次多项式 分解条件 微积分法 特殊形式 一般形式
  • 简介:<正>十字相乘法是对一元二次三项进行因式分解的有效的方法,其实它只是两个一元一次二项的乘法规律的反向运用。当用“十字相乘”这种形象的语言来表达其操作方法时,人们学、用都很方便,因此,也不由想到对较复杂的多项能否也用十字相乘的形式来分解因式呢?只要能看作两个一次二项的乘积的高次三项,或者连续应用十字相乘法进行因式分解,其问题就会迎刃而解。这里谈谈对二元二次多项用“十字相乘”方法进行因式分解的问题。

  • 标签: 二元二次多项式 因式分解 分解因式 十字相乘法 常数项 操作方法
  • 简介:本文仅考虑简单图,所用术语和记号来自文献(1)。设图G的生成子图M的每个分支都是完全图,则称M是G的理想子图。用b(G)表示图G的具有i个分支的理想子图的个数,则有定:设G是n阶图,多项h(G,x)=N(G,K)x~K

  • 标签: 伴随多项式 整除性 理想子图 当且仅当 多项式表示 引理
  • 简介:众所周知,最大公因式判别公式中的系数多项并不唯一,而关于求此系数多项的方法亦有多种.但所有的这些方法都有一个共同的缺点,即未能求出一切适合最大公因式判别公式之系数多项的一般表示.本文所给方法不但弥补了已有方法的上述缺点,而且是目前能求出系数多项的一般表示的最简方法.

  • 标签: 最大公因式 欧氏环
  • 简介:利用两点修正的方法构造了一类奇三角插值算子,重点证明该算子对以2π为周期的连续奇函数在全实轴上一致收敛,并且进一步讨论其逼近度.

  • 标签: 三角插值多项式 一致收敛 最佳收敛阶
  • 简介:1有限性猜测1.1前言下面这个猜测,早在Hilbert第十六问题出现不久,即由H.Poincare’提出(1900)[18].有限性猜测:R2上任一多项向量场,仅有有限个极限环。

  • 标签: 极限环 微分系统 奇点 全纯 POINCARE 向量场
  • 简介:基于多变量幂多项展开,提出了一种计算带有随机参数的结构失效概率的新方法,随机参数包括材料性能、结构几何特征和静力荷载.首先,将结构响应展开为一个系数未知的多变量幂多项展开式,然后结合高阶摄动技术和伽辽金投影方法确定多变量幂多项展开式的待定系数,从而最终获得结构的功能函数.由于得到的功能函数是一种显表达,可通过蒙特卡洛模拟直接进行结构失效概率的多维积分计算,且只需少量的计算时间.2个数值算例证明了所提出方法的精确性和高效性.将该方法与被广泛应用的一次二阶矩可靠性方法(FORM)和二次二阶矩可靠性方法(SORM)进行了比较,结果表明该方法的计算结果最接近直接蒙特卡洛方法,且比直接蒙特卡洛方法耗时低很多.

  • 标签: 可靠度 随机参数 多变量幂多项式展开 摄动技术 伽辽金投影
  • 简介:T-B样条基函数是具有B样条基函数性质的三角基函数。基于T-B样条基函数,构造了一类与给定多边形相切的闭三角多项曲线,逼近效果好,计算量小,且编程统一,实验表明,具有较好的应用效果。

  • 标签: T-B样条 三角多项式曲线 相切
  • 简介:3Il′yashenko定理3.1证明步骤本节旨在给出上节末陈述的Il′yashenko定理的详细证明(定理4),在有限性猜测的研究过程中,这是一个十分重要的结果。第一,正是用了这个定理,Bamon得以证明二次场的有限性猜测。其次,此定理的证明首次揭示,单一变换的渐近性属于复域拟解析理论,即涉及无限远处的解析性,这使人们认识到有限性猜测的本质所在。我们介绍的证明,已经Martinet及Ramis等人修改过,致使复域技巧得以充分发挥。设Γ是解析场x的多边环,

  • 标签: 极限环 微分系统 奇点 渐近性 定理证明 解析性