1) UCEP property
经验概率一致收敛特性
1.
Randomized algorithms based on the UCEP property are presented to solve probabilistic robust stabilizing controller design problems.
将统计学习理论中的经验概率一致收敛特性应用到鲁棒控制中,针对具有实参数不确定性的控制系统,研究了概率鲁棒镇定控制器的设计问题。
3) uniform convergence
一致收敛性
1.
Generalization of sequence of function uniform convergence;
函数列一致收敛性的推广
2.
The sufficient conditions of the uniform convergence property and Ck continuity properties of the four-point binary subdivision scheme with two parameters are proved.
在经典 4点插值细分法的基础上 ,提出一类既能造型光滑插值曲线 ,又能造型光滑逼近曲线的双参数 4点细分法 采用生成多项式等方法对细分法的一致收敛性、Ck 连续性及保凸性进行了分析 ,给出并证明了极限曲线存在、Ck 连续及均匀控制顶点情形下保凸的充分条件 在给定初始数据的条件下 ,可通过对形状参数的适当选择来实现对极限曲线的形状调整和控
3.
Then uniform convergence analysis is carried out for the proposed algorithm.
并对提出的算法做了一致收敛性分析。
4) test for uniform convergence
一致收敛检验
5) test for uniform convergence
一致收敛检验法
6) Uniformity and Astringency
一致性和收敛性
补充资料：概率论中的收敛
概率论中的极限定理和数理统计学中各种统计量的极限性质，都是按随机变量序列的各种不同的收敛性来研究的。
设{Xn,n≥1}是概率空间(Ω,F,P)（见概率）上的随机变量序列，从随机变量作为可测函数看，常用的收敛概念有以下几种：
以概率1收敛 若,则称｛Xn,n≥1｝以概率1收敛于X。强大数律（见大数律）就是阐明事件发生的频率和样本观测值的算术平均分别以概率 1收敛于该事件的概率和总体的均值。以概率 1收敛也常称为几乎必然（简记为α.s）收敛,它相当于测度论中的几乎处处（简记为α.e.）收敛。
依概率收敛 若对任一正数ε,都有，则称{Xn,n≥1}依概率收敛于X。它表明随机变量Xn与X发生较大偏差(≥ε)的概率随n无限增大而趋于零。概率论中的伯努利大数律就是最早阐明随机试验中某事件 A发生的频率依概率收敛于其概率P(A)的。依概率收敛相当于测度论中的依测度收敛。
r阶平均收敛 对r≥1,若Xn-X的r阶绝对矩(见矩)的极限,则称{Xn,n≥1}r阶平均收敛于X。特别，当r=1时，称为平均收敛；当r=2时,称为均方收敛，它在宽平稳过程（见平稳过程）理论中是一个常用的概念。
弱收敛 设Xn的均值都是有限的，若对任一有界随机变量Y都有,则称{Xn,n≥1}弱收敛于X。由平均收敛可以推出弱收敛。
从随机变量的分布函数（见概率分布）看，常用的有如下收敛概念。
分布弱收敛 设Fn、F分别表示随机变量Xn、X的分布函数,若对F的每一个连续点x都有，则称Xn的分布Fn弱收敛于X的分布F,也称Xn依分布收敛于X。分布弱收敛还有各种等价条件，例如,对任一有界连续函数??(x)，
。分布弱收敛是概率论和数理统计中经常用到的一种收敛性。中心极限定理就是讨论随机变量序列的标准化部分和依分布收敛于正态随机变量的定理。大样本统计中也要讨论各种统计量依分布收敛的问题。
分布淡收敛 设{Fn(x)，n≥1}为分布函数列，而F(x)为一非降右连续函数（不一定是分布函数），若对F(x)的每一个连续点x 都有，则称Fn淡收敛于F。
上述各种收敛之间有如下蕴含关系（A崊B表示由A可推出B）,若r′≥r≥1,则有:。此外，依概率收敛于常数与依分布收敛于常数是等价的。当是独立随机变量序列{Yj,j≥1}的部分和时，Xn依分布收敛、依概率收敛和以概率1收敛三者是等价的。
随着概率论的发展，上述收敛概念还推广到取值于一般可测空间（见测度论）的随机元（见随机过程）序列的各种收敛性。例如随机过程序列的分布弱收敛（见随机过程的极限定理），巴拿赫空间随机元序列的收敛等。
参考书目
严士健、王隽骧、刘秀芳著:《概率论基础》,科学出版社,北京,1982。
设{Xn,n≥1}是概率空间(Ω,F,P)（见概率）上的随机变量序列，从随机变量作为可测函数看，常用的收敛概念有以下几种：
以概率1收敛 若,则称｛Xn,n≥1｝以概率1收敛于X。强大数律（见大数律）就是阐明事件发生的频率和样本观测值的算术平均分别以概率 1收敛于该事件的概率和总体的均值。以概率 1收敛也常称为几乎必然（简记为α.s）收敛,它相当于测度论中的几乎处处（简记为α.e.）收敛。
依概率收敛 若对任一正数ε,都有，则称{Xn,n≥1}依概率收敛于X。它表明随机变量Xn与X发生较大偏差(≥ε)的概率随n无限增大而趋于零。概率论中的伯努利大数律就是最早阐明随机试验中某事件 A发生的频率依概率收敛于其概率P(A)的。依概率收敛相当于测度论中的依测度收敛。
r阶平均收敛 对r≥1,若Xn-X的r阶绝对矩(见矩)的极限,则称{Xn,n≥1}r阶平均收敛于X。特别，当r=1时，称为平均收敛；当r=2时,称为均方收敛，它在宽平稳过程（见平稳过程）理论中是一个常用的概念。
弱收敛 设Xn的均值都是有限的，若对任一有界随机变量Y都有,则称{Xn,n≥1}弱收敛于X。由平均收敛可以推出弱收敛。
从随机变量的分布函数（见概率分布）看，常用的有如下收敛概念。
分布弱收敛 设Fn、F分别表示随机变量Xn、X的分布函数,若对F的每一个连续点x都有，则称Xn的分布Fn弱收敛于X的分布F,也称Xn依分布收敛于X。分布弱收敛还有各种等价条件，例如,对任一有界连续函数??(x)，
。分布弱收敛是概率论和数理统计中经常用到的一种收敛性。中心极限定理就是讨论随机变量序列的标准化部分和依分布收敛于正态随机变量的定理。大样本统计中也要讨论各种统计量依分布收敛的问题。
分布淡收敛 设{Fn(x)，n≥1}为分布函数列，而F(x)为一非降右连续函数（不一定是分布函数），若对F(x)的每一个连续点x 都有，则称Fn淡收敛于F。
上述各种收敛之间有如下蕴含关系（A崊B表示由A可推出B）,若r′≥r≥1,则有:。此外，依概率收敛于常数与依分布收敛于常数是等价的。当是独立随机变量序列{Yj,j≥1}的部分和时，Xn依分布收敛、依概率收敛和以概率1收敛三者是等价的。
随着概率论的发展，上述收敛概念还推广到取值于一般可测空间（见测度论）的随机元（见随机过程）序列的各种收敛性。例如随机过程序列的分布弱收敛（见随机过程的极限定理），巴拿赫空间随机元序列的收敛等。
参考书目
严士健、王隽骧、刘秀芳著:《概率论基础》,科学出版社,北京,1982。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条