方阵的特征值在刚性变形下的不变性

研究方阵特征值在刚性变形下的不变性．魔方矩阵经过旋转与翻转的刚性变形·其特征值保持不变．对此讲行推广。运用线性代数的方法,对特征多项式进行分析,得到一般n阶矩阵在剐性变形下特征值的不变性．     

动力模型参数识别中的Bayes方法

将统计分析中的Bayes方法应用到参数识别问题中,提出了利用测量频率的Bayes估计识别动力学模型的方法,该方法是基于广义逆特征值问题的解。考虑到试验数据的随机性,测量频率用正态分布来描述。此外,将工程师关于测量频率的置信度进行量化,并且与识别过程相结合。数值算例证明了这一方法的有效性。     

偏微分方程特征值问题的弱有限元方法

本文简要回顾弱有限元方法在偏微分方程特征值问题中的应用;对于一般椭圆型特征值问题,给出弱有限元方法的分析框架,并以Laplace特征值问题为例给出理论分析.本文对特征值问题的弱有限元方法研究进展进行综述,展望今后准备开展的工作.     

基于错误逻辑矩阵的错误识别对象分类及应用研究

研究了错误识别对象的概念和特征,并选取七个特征组合建立了错误识别对象的错误逻辑矩阵表达式,讨论了错误识别对象的类型.最后,结合石塑地板产品质检过程,对于所进行检验的每一片石塑地板建立错误识别的对象逻辑矩阵,通过错误函数求错误值,识别错误的石塑地板对象,并根据错误石塑地板对象特征分类,采用相应的消避错方法进行运算和处理.     

Sylvester方程在矩阵扰动分析中的应用

§1.引言 矩阵扰动分析的研究对于矩阵论的发展及数值分析问题计算结果的分析和处理都有重要意义.有关特征值、广义特征值及最小二乘问题的主要研究结果均含于[1]中,[5]运用二次方程根的判别法通过对代数Ricatti方程的解的估计给出了QR分解因子及Cholesky因子的扰动分析,但论证方法及所得结果都比较复杂且所求条件很强.[3]和     

非线性特征值问题的二次近似方法

本文研究求解非线性特征值问题的数值方法.基于矩阵值函数的二次近似,将非线性特征值问题转化为二次特征值问题,提出了求解非线性特征值问题的逐次二次近似方法,分析了该方法的收敛性.结合求解二次特征值问题的Arnoldi方法和Jacobi-Davidson方法,给出求解非线性特征值问题的一些二次近似方法.数值结果表明本文所给算法是有效的.     

特征值反问题的迭代解法

§1.引言 近年来,由于许多应用科学,如地球物理、海洋、地质、声学、光学、量子力学和识别等问题的需要,提出了特征值反问题和广义特征值反问题.这些问题形成一类区别于经典代数特征值问题的复杂非线性问题.这类问题中只有少量在理论上、数值上有一些求解的方法,前人的工作主要集中于sturm-Liouville反问题,见[1,2,3,4].本文讨论下列各种特征值反问题:     

一类Jacobi矩阵广义特征值反问题

称为n阶Jacobi矩阵,振动反问题讨论由特征值（频率）和特征向量（模态）数据确定振动系统的物理参数,其研究对结构设计和结构物理参数识别具有重要意义,弹簧-质点系统的振动反问题归结为Jacobi矩阵的特征值反问题,这类问题已被许多学者研究[1-3]．     

一类二阶微分方程的特征值估计及其反问题

借助Rouché定理及渐近分析的方法,给出了边界条件含有特征参数的一类二阶微分方程的特征值渐近公式.运用特征值渐近公式给出了特征值反问题的一个惟一性结果及重构公式.     

基于矩阵逻辑方程的识别对象状态转化研究

进行错误识别,首先我们需要研究识别的对象.因此,研究首先将错误识别对象分为识别状态、真是状态、应该状态和目标状态等四种状态,并且讨论了几种类型之间的关系.最后运用矩阵逻辑方程求解了识别状态转化为目标状态的转化方式.     

区间型符号数据的特征选择方法

对区间型符号数据进行特征选择,可以降低数据的维数,提取数据的关键特征。针对区间型符号数据的特征选择问题,本文提出了一种新的特征选择方法。首先,该方法使用区间数Hausdorff距离和区间数欧氏距离度量区间数的相似性,通过建立使得样本点与样本类中心相似性最大的优化模型来估计区间型符号数据的特征权重。其次,基于特征权重构建相应的分类器来评价所估计特征权重的优劣。最后,为了验证本文方法的有效性,分别在人工生成数据集和真实数据集上进行了数值实验,数值实验结果表明,本文方法可以有效地去除无关特征,识别出与类标号有关的特征。     

An adaptive learning rate backpropagation‐type neural network for solving n × n systems on nonlinear algebraic equations

This paper presents an MLP‐type neural network with some fixed connections and a backpropagation‐type training algorithm that identifies the full set of solutions of a complete system of nonlinear algebraic equations with n equations and n unknowns. The proposed structure is based on a backpropagation‐type algorithm with bias units in output neurons layer. Its novelty and innovation with respect to similar structures is the use of the hyperbolic tangent output function associated with an interesting feature, the use of adaptive learning rate for the neurons of the second hidden layer, a feature that adds a high degree of flexibility and parameter tuning during the network training stage. The paper presents the theoretical aspects for this approach as well as a set of experimental results that justify the necessity of such an architecture and evaluate its performance. Copyright © 2015 John Wiley & Sons, Ltd.     

中、欧股市非线性分形特征的比较研究

本文利用R/S重标极差法对中国股市(上证综指和深证成指)日收益的非线性分形特征进行实证分析,并与欧洲股市的五个重要股指进行比较,结果表明:中国股市收益波动比欧洲五大市场存在着更强的长程相关性和非周期性循环,沪、深两市的Hurst指数都明显大于0.6,具有一定的非线性分形特征。     

北京交通流序列的重分形扩散熵分析

运用重分形扩散熵分析方法来分析北京交通拥堵指数的长程相关性和重分形特征.方法综合使用了扩散技术和Renyi熵来研究北京交通拥堵指数的标度行为.由于交通拥堵指数序列具有明显的周期性,故先选用傅里叶滤波去除序列的周期性,再进行重分形扩散熵分析.实验结果表明北京交通拥堵指数序列的极端波动显示出反相关性,同时拥堵指数序列具有较弱的重分形特征.     

核主成分分析(KPCA)在企业经济效益评价中的应用

提出了一种新的经济效益评价模型:核主成分分析(KPCA).它通过一个非线性变换,将原变量空间映射到高维特征空间,然后在高维特征空间中进行线性主成分分析.通过核技巧,只需在原空间进行点积运算,便可使第一主成分的贡献率达到90%以上,能有效避免PCA中因各指标贡献率过于分散而影响评价效果.将该模型应用到广东8个卷烟企业进行评价,得到了较理想的评价效果.     

行业结构环境的序参量分析方法研究

行业结构环境分析是发现和掌握行业运行规律与发展状况的必经之路,也是在企业战略管理中的重要组成部分,其结果直接影响着企业战略决策与实施。针对企业战略管理的新价值理念,本文在协同学与竞优理论的基础上,通过对行业内群体结构特性与企业行为的重新考察,建立了行业结构环境分析的一种新方法即序参量分析方法与其应用范例。本文的研究结果,如行业内多层结构、企业群组定位及分布特性、行业基本发展模式、标杆与协同伙伴、企业群组或群组内企业构成与绩效之间的关系等都可为实现符合现代产业发展环境的企业战略管理提供方向性辅助与技术支持。     

Feature Selection using Fuzzy Support Vector Machines

The feature selection consists of obtaining a subset of these features to optimally realize the task without the irrelevant ones. Since it can provide faster and cost-effective learning machines and also improve the prediction performance of the predictors, it is a crucial step in machine learning. The feature selection methods using support machines have obtained satisfactory results, but the noises and outliers often reduce the performance. In this paper, we propose a feature selection approach using fuzzy support vector machines and compare it with the previous work, the results of experiments on the UCI data sets show that feature selection using fuzzy SVM obtains better results than using SVM.     

Empirical analysis and forecasting of multiple yield curves

In this paper we perform a thorough empirical study of tenor-dependent term structures which reveals important cross-tenor dependencies of yields as a persistent feature of post-crisis interest rate markets. Based on this analysis, we develop tractable dynamic factor models to forecast multiple yield curves. We show that our method outperforms existing single-curve forecasting methods by taking into account the connections between rates of different tenor structures. Our results have important implications e.g. for risk management in finance and insurance as the disregard of tenor dependencies may lead to an underestimation of risks.     

基于人脸重要特征和SVM的人脸识别方法

提出了一种基于人脸重要特征的人脸识别方法,首先选取人脸的重要特征并将其具体化,对得到的重要特征进行主成分分析,然后用支持向量机(Support Vector Machine,SVM)设计重要特征分类器来确定测试人脸图像中重要特征,同时设计支持向量机(SVM)人脸分类器,确定人脸图像的所属类别.对ORL人脸图像数据库进行仿真实验,结果表明,该方法要优于一般的基于整体特征的人脸识别方法并有较强的鲁棒性.