🔢 mathematics

Hölder-Logarithmic Stability and Convergence Rates for an Inverse Random Source Problem

यह शोध पत्र कॉम्प्लेक्स ज्योमेट्रिकल ऑप्टिक्स समाधानों और वेरिएशनल सोर्स कंडीशंस का उपयोग करते हुए एक इनवर्स रैंडम सोर्स समस्या के लिए कंडीशनल होल्डर-लॉगैरिद्मिक स्टेबिलिटी एस्टीमेट्स और कन्वर्जेंस रेट्स स्थापित करता है, जबकि इन सैद्धांतिक परिणामों को संख्यात्मक प्रयोगों के माध्यम से मान्य करता है।

मूल लेखक: Philipp Mickan, Thorsten Hohage

प्रकाशित 2026-02-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Philipp Mickan, Thorsten Hohage

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: अदृश्य को सुनना

कल्पना कीजिए कि आप एक अंधेरे कमरे में हैं जो जुगनुओं के एक अराजक झुंड से भरा हुआ है। आप जुगनुओं को खुद नहीं देख सकते, लेकिन आप उनके द्वारा उत्पन्न की जाने वाली भिनभिनाहट (buzzing) को सुन सकते हैं। वह भिनभिनाहट कई अलग-अलग ध्वनियों का मिश्रण है जो एक-दूसरे पर ओवरलैप हो रही हैं। आपका लक्ष्य यह पता लगाना है कि जुगनू वास्तव में कहाँ हैं और उनकी भिनभिनाहट कितनी तेज़ है, और यह सब केवल कमरे की दीवारों से टकराने वाली ध्वनि तरंगों को सुनकर करना है।

लेखक यही कर रहे हैं, लेकिन ध्वनि तरंगों और रैंडम नॉइज़ सोर्सेज (यादृच्छिक शोर स्रोतों) के साथ, न कि जुगनुओं के साथ। इस समस्या को इनवर्स रैंडम सोर्स प्रॉब्लम कहा जाता है। इसका उपयोग वास्तविक जीवन में कई चीजों के लिए किया जाता है, जैसे:

एयरो-एकॉस्टिक्स (Aeroacoustics): यह पता लगाना कि हवाई जहाज के पंख पर शोर कहाँ से आ रहा है।
सीस्मिक इमेजिंग (Seismic Imaging): भूकंप या विस्फोटों से होने वाले कंपन को सुनकर भूमिगत चट्टानी संरचनाओं का मानचित्रण करना।

समस्या: "धुंधला दर्पण"

गणित की दुनिया में, यह समस्या अत्यंत कठिन है। यह एक धुंधले दर्पण में किसी वस्तु के प्रतिबिंब को देखकर उसके आकार का अनुमान लगाने जैसा है जो घनी धुंध से ढका हुआ है।

डिटरमिनिस्टिक बनाम रैंडम: आमतौर पर, यदि आप एक एकल, निश्चित ध्वनि स्रोत खोजने का प्रयास करते हैं, तो गणित कहता है कि एक अद्वितीय उत्तर प्राप्त करना असंभव है (कई अलग-अलग स्रोत एक ही तरह की ध्वनि पैदा कर सकते हैं)। हालाँकि, लेखक दिखाते हैं कि यदि स्रोत रैंडम (जैसे रेडियो पर स्टेटिक/शोर) है, तो यदि आपके पास सटीक डेटा है, तो आप एक अद्वितीय उत्तर पा सकते हैं।
चुनौती: वास्तविक दुनिया में, हमारे पास कभी भी सटीक डेटा नहीं होता। हमारे पास "नॉइज़" (स्टेटिक, माप की त्रुटियां) होती है। जब आप इस पहले से ही कठिन समस्या में नॉइज़ जोड़ते हैं, तो यह इल-पोज़्ड (ill-posed) हो जाती है। इसका मतलब है कि आपके माप में एक छोटी सी त्रुटि भी पुनर्निर्माण (reconstruction) में एक विशाल, अनियंत्रित त्रुटि का कारण बन सकती है। यह एक पेंसिल को उसकी नोक पर संतुलित करने जैसा है; हल्की सी हवा भी उसे गिरा सकती है।

समाधान: एक गणितीय "सुरक्षा जाल"

लेखकों ने इस अस्थिरता को संभालने के लिए एक नया गणितीय ढांचा विकसित किया। उन्होंने केवल यह नहीं कहा कि "यह कठिन है"; उन्होंने गणना की कि यह कितना कठिन है और इसे कैसे ठीक किया जाए।

1. "कॉम्प्लेक्स ज्योमेट्रिक ऑप्टिक्स" फ्लैशलाइट

पहेली को सुलझाने के लिए, लेखकों ने कॉम्प्लेक्स ज्योमेट्रिक ऑप्टिक्स (CGO) से जुड़े एक चतुर तरीके का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक अंधेरे कमरे में छिपी हुई वस्तु को खोजने की कोशिश कर रहे हैं। आप केवल एक सामान्य टॉर्च नहीं जला सकते; प्रकाश बहुत अधिक बिखर जाता है। इसके बजाय, आप एक "जादुई टॉर्च" का उपयोग करते हैं जो प्रकाश की ऐसी किरणें छोड़ती है जो दीवारों के पार जा सकती हैं और एक बहुत ही विशिष्ट, गणितीय तरीके से कोनों के चारों ओर घूम सकती है।
यह कैसे काम करता है: ये "किरणें" (गणितीय समाधान) लेखकों को विभिन्न कोणों से स्रोत को देखने की अनुमति देती हैं। इन दृश्यों को मिलाकर, वे यह सिद्ध कर सकते हैं कि यदि दो स्रोत अलग दिखते हैं, तो उनके ध्वनि हस्ताक्षर (signatures) भी अलग होने चाहिए। यह सिद्ध करता है कि समस्या हल करने योग्य है।

2. "होल्डर-लॉगारिदमिक" स्पीड लिमिट

इस पेपर का सबसे महत्वपूर्ण परिणाम स्थिरता (stability) के लिए एक नया सूत्र है।

पुराना तरीका: आमतौर पर, इस प्रकार की समस्याओं के लिए, त्रुटि इतनी तेज़ी से बढ़ती है कि वह बेकार हो जाती है। यह यह कहने जैसा है कि, "यदि आपका माप 1% गलत है, तो आपका उत्तर 1,000% गलत हो सकता है।"
नया तरीका: लेखकों ने त्रुटि के लिए एक "स्पीड लिमिट" खोजी है। वे इसे होल्डर-लॉगारिदमिक स्थिरता (Hölder-Logarithmic stability) कहते हैं।
- लॉगारिदमिक (Logarithmic): इसका अर्थ है कि त्रुटि शुरू में बहुत धीरे-धीरे बढ़ती है, लेकिन फिर तेज़ हो जाती है। यह एक ऐसी कार की तरह है जो धीरे शुरू होती है लेकिन अंततः हाईवे पर पहुँच जाती है।
- होल्डर (Hölder): यह एक विशिष्ट प्रकार की गणितीय सहजता (smoothness) है।
- जादुई मोड़: लेखकों ने पाया कि यदि आप ध्वनि की आवृत्ति (frequency) बढ़ाते हैं (पिच को ऊँचा करते हैं, जैसे ड्रम के बजाय सीटी की आवाज़), तो "धुंध" साफ हो जाती है!
- उपमा: कल्पना कीजिए कि आप एक दूर के पहाड़ को देखने की कोशिश कर रहे हैं। कम रोशनी में (कम आवृत्ति), यह एक धुंधला सा दिखता है। लेकिन यदि आप एक हाई-पावर्ड ज़ूम लेंस (उच्च आवृत्ति) का उपयोग करते हैं, तो विवरण स्पष्ट हो जाते हैं। पेपर यह सिद्ध करता है कि यदि आप पर्याप्त उच्च आवृत्तियों का उपयोग करते हैं, तो समस्या एक "धुंधले दर्पण" की तरह व्यवहार करना बंद कर देती है और एक स्पष्ट खिड़की की तरह व्यवहार करने लगती है। त्रुटि केवल धीरे-धीरे नहीं बढ़ती; यह नियंत्रण योग्य रूप से बढ़ती है।

3. "रेगुलराइजेशन" रेसिपी

चूंकि हम सटीक डेटा प्राप्त नहीं कर सकते, इसलिए लेखकों ने रेगुलराइजेशन (Regularization) के लिए एक रेसिपी भी प्रदान की है।

उपमा: एक धुंधली फोटो के बारे में सोचें। आप इसे जादुई रूप से एकदम सही नहीं बना सकते, लेकिन आप एक फ़िल्टर (जैसे फोटोशॉप में शार्पनिंग) का उपयोग कर सकते हैं ताकि यह बिना नकली विवरण जोड़े यथासंभव अच्छा दिखे।
परिणाम: उन्होंने सिद्ध किया कि यदि आप उनके विशिष्ट "फ़िल्टर" (स्पेक्ट्रल रेगुलराइजेशन) का उपयोग करते हैं और आप जानते हैं कि स्रोत कुछ हद तक स्मूथ (जैसे एक सौम्य पहाड़ी के बजाय एक नुकीली चोटी) है, तो आपका पुनर्निर्माण आपके मापों के कम शोर वाले होने के साथ बेहतर और बेहतर होता जाएगा।

"सीक्रेट सॉस": उच्च आवृत्तियाँ (High Frequencies)

पेपर का सबसे रोमांचक हिस्सा शोर (Noise) और आवृत्ति (Frequency) के बीच का संबंध है।

कम आवृत्ति + उच्च शोर: आपको एक बहुत खराब, धुंधला उत्तर मिलता है।
उच्च आवृत्ति + कम शोर: आपको एक बेहतरीन, स्पष्ट उत्तर मिलता है।
ब्रेकथ्रू: लेखकों ने दिखाया कि भले ही कुछ शोर हो, यदि आप आवृत्ति (वेव नंबर $\kappa$ ) को बढ़ा देते हैं, तो आप स्रोत को बहुत अधिक सटीकता से पुनः प्राप्त कर सकते हैं। यह ऐसा है जैसे उच्च-आवृत्ति वाली तरंगें कम-आवृत्ति वाली तरंगों की तुलना में शोर को बेहतर तरीके से "काट" सकती हैं।

प्रयोग: सिद्धांत का परीक्षण

लेखकों ने केवल कागज पर गणित नहीं किया; उन्होंने कंप्यूटर सिमुलेशन भी चलाए।

उन्होंने नकली "रैंडम सोर्सेज" बनाए (जैसे डिजिटल शोर का बादल)।
उन्होंने अलग-अलग मात्रा में "स्टेटिक" (शोर) के साथ ध्वनि तरंगों को मापने का अनुकरण किया।
उन्होंने अपने नए तरीके का उपयोग करके स्रोत को पुनर्गठित करने का प्रयास किया।
परिणाम: कंप्यूटर के परिणाम उनके गणित से पूरी तरह मेल खाते हैं। स्रोत जितना अधिक "स्मूथ" था, और जितनी अधिक आवृत्ति का उपयोग किया गया, वे स्रोत को उतनी ही तेज़ी और सटीकता से खोज पाए।

एक वाक्य में सारांश

यह पेपर सिद्ध करता है कि हालांकि रैंडम शोर के स्रोत को खोजना आमतौर पर एक अस्त-व्यस्त और अस्थिर पहेली है, हम इसे उच्च-आवृत्ति वाली ध्वनि तरंगों और एक विशेष गणितीय "फ़िल्टर" का उपयोग करके विश्वसनीय रूप से हल कर सकते हैं, जो त्रुटियों को नियंत्रण में रखता है, जिससे एक धुंधली अराजकता एक स्पष्ट चित्र में बदल जाती है।

यहाँ फिलिप रोनाल्ड मिकान और थॉर्स्टन होहागे के शोध पत्र "Hölder-Logarithmic Stability and Convergence Rates for an Inverse Random Source Problem" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र $\mathbb{R}^3$ में टाइम-हारमोनिक एकोस्टिक वेव इक्वेशन (हेल्महोल्ट्ज़ इक्वेशन) के लिए इनवर्स रैंडम सोर्स प्रॉब्लम (IRSP) को संबोधित करता है।

शासी समीकरण (Governing Equation): $\Delta u + \kappa^2 u = -Q$ , जहाँ $Q$ एक परिबद्ध डोमेन $D$ में समर्थित (supported) एक रैंडम सोर्स है।
सोर्स मॉडल: सोर्स $Q$ को एक अनकोरिलेटेड, सेंटर्ड गॉसियन रैंडम प्रोसेस के रूप में मॉडल किया गया है जिसका माध्य शून्य ( $E[Q]=0$ ) है। अज्ञात मात्रा जिसे रिकवर किया जाना है, वह सोर्स पावर फंक्शन $q(y)$ है, जो सोर्स के कोवेरिएंस ऑपरेटर को परिभाषित करता है:
$\text{Cov}[Q](v)(y) = q(y)v(y)$
डेटा: उपलब्ध डेटा वे कोरिलेशन मेजरमेंट्स (सैंपल कोवेरियंस) हैं जो सोर्स के चारों ओर एक बाउंड्री सरफेस $M = \partial O$ पर वेव फील्ड $u$ के मापन हैं। फॉरवर्ड ऑपरेटर सोर्स स्ट्रेंथ $q$ को $M$ पर प्रतिबंधित समाधान के कोवेरिएंस ऑपरेटर में मैप करता है।
संदर्भ: यह समस्या एयरोएकॉस्टिक्स (नॉइज़ लोकलाइजेशन) और हेलिओसेस्मिक होलोग्राफी जैसे अनुप्रयोगों से उत्पन्न होती है। नियत (deterministic) इनवर्स सोर्स समस्याओं के विपरीत, IRSPs एकल-फ्रीक्वेंसी डेटा के साथ भी अद्वितीय रूप से हल करने योग्य होते हैं, लेकिन वे इल-पोज़्ड (ill-posed) बने रहते हैं, जिसके लिए स्थिर पुनर्निर्माण हेतु रेगुलराइजेशन की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखक कॉम्प्लेक्स जियोमेट्रिकल ऑप्टिक्स (CGO) सॉल्यूशंस, वेरिएशनल सोर्स कंडीशंस (VSC), और स्पेक्ट्रल रेगुलराइजेशन थ्योरी के संयोजन का उपयोग करते हैं।

कॉम्प्लेक्स जियोमेट्रिकल ऑप्टिक्स (CGO): मुख्य विश्लेषणात्मक उपकरण में होमोजेनियस हेल्महोल्ट्ज़ इक्वेशन के लिए CGO सॉल्यूशंस का निर्माण शामिल है। ये $u_\xi(x) = e^{i\xi \cdot x}$ के रूप में घातांकीय रूप से बढ़ते हुए समाधान हैं जहाँ $\xi \in \mathbb{C}^3$ और $\xi \cdot \xi = \kappa^2$ है।
- लेखक इन सॉल्यूशंस का उपयोग दो सोर्स स्ट्रेंथ्स ( $q_1 - q_2$ ) के बीच के फूरियर गुणांकों को उनके कोवेरिएंस डेटा के हिल्बर्ट-श्मिट नॉर्म के संदर्भ में बांधने के लिए करते हैं।
- यह उन्हें सोर्स के लो-फ्रीक्वेंसी कंपोनेंट्स पर अनुमान प्राप्त करने की अनुमति देता है, जो स्थिरता विश्लेषण के लिए महत्वपूर्ण हैं।
वेरिएशनल सोर्स कंडीशंस (VSC): स्थिरता अनुमान सीधे प्राप्त करने के बजाय, लेखक एक वेरिएशनल सोर्स कंडीशन (एक सोर्स टर्म और फॉरवर्ड ऑपरेटर को शामिल करने वाला एक वेरिएशनल इनइक्वेलिटी) स्थापित करते हैं।
- वे इस स्थिति को दो भागों में विभाजित करके इस शर्त को सत्यापित करते हैं: एक सामान्यीकृत स्मूथनेस धारणा (सोर्स की सोबोलेव रेगुलैरिटी) और एक इल-पोज़्डनेस एस्टीमेट (CGO बाउंड्स के माध्यम से प्राप्त)।
- यह दृष्टिकोण उन्हें मौजूदा थ्योरी (विशेष रूप से [20] से) का लाभ उठाने की अनुमति देता है ताकि VSC को स्थिरता अनुमानों और स्पेक्ट्रल रेगुलराइजेशन विधियों के लिए कन्वर्जेंस रेट्स में बदलने के लिए।
कन्वेक्टेड हेल्महोल्ट्ज़ तक विस्तार: पद्धति को लॉरेंट्ज ट्रांसफॉर्मेशन का उपयोग करके कन्वेक्टेड हेल्महोल्ट्ज़ इक्वेशन (जो बैकग्राउंड फ्लो के साथ एयरोएकॉस्टिक्स के लिए प्रासंगिक है) तक विस्तारित किया गया है। यह एक संशोधित वेव नंबर के साथ मानक हेल्महोल्ट्ज़ समस्या को मैप करता है, जिससे पिछले प्रमाणों को अनुकूलित किया जा सकता है।

3. प्रमुख योगदान (Key Contributions)

कंडीशनल होल्डर-लॉगैरिथमिक स्टेबिलिटी: शोध पत्र कंडीशनल स्टेबिलिटी अनुमान प्राप्त करता है जो इस रूप में होते हैं:
$\|q_1 - q_2\|_{H^m} \leq C \left( \log(3 + \delta^{-2}) \right)^{-(s-m)}$
जहाँ $\delta$ नॉइज़ लेवल है, $s$ सोर्स की सोबोलेव रेगुलैरिटी है, और $m$ रिकंस्ट्रक्शन स्पेस की रेगुलैरिटी है।
- [26] की तुलना में सुधार: पिछले कार्य ने लॉगरिदमिक स्टेबिलिटी स्थापित की थी जहाँ स्थिरांक $\kappa \to \infty$ होने पर खराब हो जाते थे। यह पेपर दिखाता है कि यदि $\kappa$ , $\delta \to 0$ होने पर पर्याप्त तेजी से बढ़ता है, तो स्थिरता होल्डर-टाइप (अर्थात, पॉलिनोमियल कन्वर्जेंस) हो जाती है।
- कम रेडुलैरिटी: सोर्स के लिए आवश्यक न्यूनतम सोबोलेव रेगुलैरिटी इंडेक्स को $s \geq 3$ (इन [26]) से घटाकर $s > 0$ कर दिया गया है।
रेगुलराइजेशन के लिए कन्वर्जेंस रेट्स: VSC स्थापित करके, लेखक नॉइजी डेटा पर लागू स्पेक्ट्रल रेगुलराइजेशन विधियों (जिसमें टिखोनोव, लैंडवेबर इटरेशन, और स्पेक्ट्रल कट-ऑफ शामिल हैं) के लिए कन्वर्जेंस रेट्स सिद्ध करते हैं। दरएं (rates) स्थिरता अनुमानों से मेल खाती हैं।
संयुक्त सीमा विश्लेषण (Joint Limit Analysis): एक महत्वपूर्ण सैद्धांतिक योगदान संयुक्त सीमा का विश्लेषण है जहाँ नॉइज़ लेवल $\delta \to 0$ और वेव नंबर $\kappa \to \infty$ होता है। लेखक दिखाते हैं कि इस शासन (regime) में, लॉगरिदमिक स्टेबिलिटी अनुमान एक होल्डर-टाइप एस्टीमेट में बदल जाता है जिसका एक्सपोनेंट सोबोलेव स्मूथनेस $s$ पर निर्भर करता है।

4. परिणाम (Results)

सैद्धांतिक बाउंड्स:
- थ्योरम 2.3: कंडीशनल लॉगरिदमिक स्टेबिलिटी एस्टीमेट स्थापित करता है।
- थ्योरम 2.4: व्युत्पन्न VSC के तहत स्पेक्ट्रल रेगुलराइजेशन विधियों के लिए कन्वर्जेंस रेट्स सिद्ध करता है।
- थ्योरम 5.2: इन परिणामों को कन्वेक्टेड हेल्महोल्ट्ज़ इक्वेशन तक विस्तारित करता है, जो मैक नंबर पर निर्भर स्थिरता और कन्वर्जेंस व्यवहार दिखाता है।
संख्यात्मक प्रयोग (Numerical Experiments):
- लेखकों ने रैंडम सोर्स (B-splines डिग्री 1 और 3 द्वारा मॉडल किए गए) से उत्पन्न सिंथेटिक डेटा का उपयोग करके टिखोनोव रेगुलराइजेशन के साथ संख्यात्मक सिमुलेशन किए।
- निष्कर्ष:
  1. कन्वर्जेंस: नॉइज़ लेवल कम होने के साथ संख्यात्मक त्रुटि कम होती है, जो अनुमानित लॉगरिदमिक कन्वर्जेंस रेट्स की पुष्टि करती है।
  2. स्मूथनेस: उच्च सोबोलेव स्मूथनेस ( $s$ ) तेज़ कन्वर्जेंस (त्रुटि बाउंड में बड़े एक्सपोनेंट्स) की ओर ले जाती है।
  3. वेव नंबर डिपेंडेंस: वेव नंबर $\kappa$ को बढ़ाने से पुनर्निर्माण की गुणवत्ता में काफी सुधार होता है और एसिम्प्टोटिक कन्वर्जेंस शासन की शुरुआत उच्च नॉइज़ लेवल की ओर शिफ्ट हो जाती है। यह सैद्धांतिक निष्कर्ष को मान्य करता है कि हाई-फ्रीक्वेंसी डेटा इल-पोज़्डनेस की भरपाई करता है।
  4. ऑप्टिमलिटी: देखे गए संख्यात्मक एक्सपोनेंट्स सैद्धांतिक ऊपरी बाउंड्स की तुलना में थोड़े बड़े (बेहतर) थे, जो सुझाव देते हैं कि सैद्धांतिक बाउंड्स पूरी तरह सटीक (sharp) नहीं हो सकते हैं, हालांकि उनकी अनुकूलता (optimality) सिद्ध करना एक खुला विषय है।

5. महत्व (Significance)

डिटरमिनिस्टिक और रैंडम इनवर्स प्रॉब्लम्स के बीच सेतु बनाना: यह कार्य रैंडम सोर्स समस्याओं के अद्वितीय समाधान क्षमता और स्थिरता गुणों को स्पष्ट करता है, जो उन्हें उनके नियत समकक्षों से अलग करता है।
हाई-फ्रीक्वेंसी एडवांटेज: यह इमेजिंग (जैसे सीस्मिक या एयरोएकॉस्टिक) में इस अनुभवजन्य अवलोकन को एक कठोर गणितीय आधार प्रदान करता है कि उच्च आवृत्तियों का उपयोग करने से शोर की उपस्थिति में भी रिज़ॉल्यूशन और स्थिरता में सुधार होता है।
व्यावहारिक प्रयोज्यता: आवश्यक रेगुलैरिटी ( $s>0$ ) में कमी और कन्वेक्टेड फ्लो के लिए विस्तार इन परिणामों को वास्तविक दुनिया की इंजीनियरिंग समस्याओं के लिए अधिक उपयोगी बनाता है जहाँ स्रोत रफ हो सकते हैं और प्रवाह मौजूद हो सकता है।
भविकी कार्य के लिए ढांचा: वेरिएशनल सोर्स कंडीशंस का उपयोग रैंडम डेटा वाले अन्य इनवर्स प्रॉब्लम्स के विश्लेषण के लिए एक मजबूत ढांचा प्रदान करता है, जो सांख्यिकीय कन्वर्जेंस विश्लेषण और कोरिलेटेड सोर्स को संभालने के नए मार्ग खोलता है।

संक्षेप में, यह शोध पत्र इनवर्स रैंडम सोर्स समस्याओं को हल करने के लिए एक कठोर गणितीय आधार प्रदान करता है, यह प्रदर्शित करते हुए कि हालांकि यह समस्या इल-पोज़्ड है (लॉगरिदमिक स्टेबिलिटी), लेकिन हाई-फ्रीक्वेंसी डेटा और सोर्स स्मूथनेस के माध्यम से इस इल-पोज़्डनेस को कम किया जा सकता है, जिससे विशिष्ट शासन में होल्डर-टाइप कन्वर्जेंस प्राप्त होता है।