1) p-moment exponential stability
p阶矩指数稳定
1.
Then, some sufficient conditions for p-moment exponential stability and almost surely exponential stability of the trivial solution to the systems are presented, in which $dV(t,x(t))dt$ isn t required to be negative definite.
该文首先给出了具有随机脉冲时刻影响的非线性微分系统模型,然后得到了该模型零解的p阶矩指数稳定和几乎必然指数稳定的充分条件,在所得结果中不要求dV(td,tx(t))定负。
2) p-th moment exponential stability
p-阶矩指数稳定
1.
A sufficient condition ensuring p-th moment exponential stability of the stochastic Cohen-Grossberg neural networks with time-varying delays is obtained by establishing an L-operator inequality and using stochastic analysis technique.
通过建立L算子不等式,利用随机分析技巧得到了变时滞随机Cohen-Grossberg神经网络的p-阶矩指数稳定的一个充分条件,并给出实例进行了说明。
3) pth moment exponential stability
p阶矩指数稳定性
1.
This paper studies the pth moment exponential stability of neutral stochastic functional differential equations with jumps.
本文研究了带跳中立型随机泛函微分方程的p阶矩指数稳定性,通过构造Lya-punov函数,运用分析的技巧得到了p阶指数稳定的准则。
4) p-moment stability
p阶矩稳定性
1.
p-moment stability of stochastic impulsive differential equations and impulsive synchronization of Lorenz system excited by parameter white-noise
随机脉冲微分方程的p阶矩稳定性和参激白噪声作用下Lorenz系统的脉冲同步
5) the pth moment exponential stochastic stability
指数p稳定性
6) exponential P-stability
指数P-稳定性
1.
We have given the comparision criterions of exponential stability,exponential P-stability and almost surely exponential stability,these comparision criterions generalize the corresponding results of Mevel son and Has minskiǐ in [1].
给出了随机指数稳定性、指数P-稳定性、几乎必然指数稳定性的比较准则,这些比较准则推广了Nevel’son和Has’minskiǐ的相应结果。
补充资料：矩
描述随机变量概率分布的宏观特性的一类常用的量。设X为一随机变量,F(x)是它的分布函数。对于任一正整数k,xk的数学期望EXk称为X 的k阶原点矩,它可以由如下的斯蒂尔杰斯积分表示和计算：
。一阶原点矩就是数学期望EX。E(X-EX)k称为X的k阶中心矩，同样可以表为。一阶中心矩永远等于零，二阶中心矩就是方差 varX ＝E(X-EX)2。
此外,对于任何正实数r，还可以定义X的r阶原点绝对矩和r阶中心绝对矩。
概率论中矩的概念与力学中矩的概念是类似的，如果将概率分布类比于物体的质量分布，则数学期望相当于重心，二阶矩相当于转动惯量，等等。由于各种矩在描述和确定概率分布时常起重要作用，因而它们在概率论与数理统计中有广泛运用。
设X与Y是两个随机变量,F(x,y)是它们的联合分布函数,则对于任何正整数k,Л,还可以定义X与Y的k+Л阶混合原点矩EXkYl和k+Л阶混合中心矩。其中最常用的是二阶混合中心矩,称之为X与Y的协方差，记作 cov(X，Y)，它又等于EXY-(EX)(EY)，且有如下的积分表达式：。协方差用来刻画两个随机变量之间线性联系的程度，为了消除不同量纲的影响,对于方差不为零的随机变量,常用它们的标准差加以标准化，协方差标准化后，记作
，称为X与Y的相关系数。ρXY的数值在－1与 1之间，而的充分必要条件是：存在三个常数α,b,с，其中α，b不全为零，使线性关系式αX+bY=с以概率 1成立。当ρXY=0时，称X与Y不相关,这时成立EXY=(EX)(EY)，var(X+Y)=varX+varY。当时,X与Y之间的关系是，其中Z为一随机变量，它满足ρYZ=0,EZ=0以及。由此可见，当ρXY≠0时，X与Y之间有某种线性联系；|ρXY|越接近1，这种线性联系的程度越密切。此外，若X与Y独立，则X与Y不相关，但逆之不然。
对于n维随机向量 X=(X1,X2,...,Xn)′，若令，ρij为Xi与Xj的相关系数，则n×n矩阵，，分别称为X的协方差阵(也称方差阵)和相关阵。它们都是非负定的对称矩阵（见矩阵）,能刻画X各分量与其数学期望间的平均偏离程度以及各分量之间的线性联系程度。
若Z1,Z2是两个复随机变量，则定义它们的协方差为，它们的相关系数为，其中varZ表示复随机变量的方差。
。一阶原点矩就是数学期望EX。E(X-EX)k称为X的k阶中心矩，同样可以表为。一阶中心矩永远等于零，二阶中心矩就是方差 varX ＝E(X-EX)2。
此外,对于任何正实数r，还可以定义X的r阶原点绝对矩和r阶中心绝对矩。
概率论中矩的概念与力学中矩的概念是类似的，如果将概率分布类比于物体的质量分布，则数学期望相当于重心，二阶矩相当于转动惯量，等等。由于各种矩在描述和确定概率分布时常起重要作用，因而它们在概率论与数理统计中有广泛运用。
设X与Y是两个随机变量,F(x,y)是它们的联合分布函数,则对于任何正整数k,Л,还可以定义X与Y的k+Л阶混合原点矩EXkYl和k+Л阶混合中心矩。其中最常用的是二阶混合中心矩,称之为X与Y的协方差，记作 cov(X，Y)，它又等于EXY-(EX)(EY)，且有如下的积分表达式：。协方差用来刻画两个随机变量之间线性联系的程度，为了消除不同量纲的影响,对于方差不为零的随机变量,常用它们的标准差加以标准化，协方差标准化后，记作
，称为X与Y的相关系数。ρXY的数值在－1与 1之间，而的充分必要条件是：存在三个常数α,b,с，其中α，b不全为零，使线性关系式αX+bY=с以概率 1成立。当ρXY=0时，称X与Y不相关,这时成立EXY=(EX)(EY)，var(X+Y)=varX+varY。当时,X与Y之间的关系是，其中Z为一随机变量，它满足ρYZ=0,EZ=0以及。由此可见，当ρXY≠0时，X与Y之间有某种线性联系；|ρXY|越接近1，这种线性联系的程度越密切。此外，若X与Y独立，则X与Y不相关，但逆之不然。
对于n维随机向量 X=(X1,X2,...,Xn)′，若令，ρij为Xi与Xj的相关系数，则n×n矩阵，，分别称为X的协方差阵(也称方差阵)和相关阵。它们都是非负定的对称矩阵（见矩阵）,能刻画X各分量与其数学期望间的平均偏离程度以及各分量之间的线性联系程度。
若Z1,Z2是两个复随机变量，则定义它们的协方差为，它们的相关系数为，其中varZ表示复随机变量的方差。
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