Some Generalizations of Dynamic Stochastic Approximation Processes
动态随机逼近过程的若干推广AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用动态随机逼近算法，时间变化和预测用途不足以确定宏观时间序列分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
动态随机逼近过程的若干推广
- 研究问题
- 当待估计对象随时间变化时，如何推广动态随机逼近，并分别控制确定性趋势和随机趋势下的估计收敛行为？
- 方法与思路
- 作者推广既有动态随机逼近程序，通过包含时间变化映射与步长的递推估计，研究不同趋势情形下的收敛性质。
- 材料陈述的贡献
- 摘要称给出确定性趋势下均方收敛与几乎必然收敛的充分条件，并在随机趋势情形证明带有界限的收敛结果。
- 阅读关注点
- 应核对时间变化映射、步长和观测噪声条件，并区分确定性趋势下的收敛与随机趋势下界限结果的具体含义。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未展示完整条件及界限形式，估计、预测和控制中的实用性仅为作者的概括。
原文摘要
Some generalizations of Dupac's dynamic stochastic approximation have been worked out to the more general cases of time variation. Sufficient conditions for convergence in the mean square and with probability one are given in case of deterministic trend and convergence with a bound is proved for the random trend case, using the estimation scheme $x_{n+1} = g_n(x_n) + a_n(\alpha - y_{n+1}(g_n(x_n)))$. This estimation procedure seems to be of practical use to a variety of problems in estimation, prediction and control.