特征向量计算的神经网络方法

矩阵特征向量计算在实际问题中有着广泛应用,本文采用神经网络计算方法来研究主元分析（ＰＣＡ）和次元分析（ＭＣＡ）问题．我们首先考虑神经元的情况（ｐ＝１）,给出了求矩阵最大特征元和最小特征元的算法。然后对多神经元性形（ｐ〉１）,给出了抽取矩阵主元和次元的算法．和目前许多元知的算法不一样,在我们ＰＣＡ的算法中发迹矩阵的负号就能够得到ＭＣＡ问题的解。     

模糊聚类分析的新算法

提出了一种模糊聚类分析的新算法——追踪法 ,解决了以往模糊聚类分析计算量过大以及难于编程实现的问题 .该方法尤其适用于大规模数据的模糊聚类分析 ,对于模糊聚类分析的推广使用有重要意义 .     

矩阵特征值、特征向量的确定

首先对由 A的特征值、特征向量求 A- 1 ,AT,A* ( A的伴随矩阵 )、P- 1 AP以及 A的多项式φ( A)的特征值和特征向量的结论作了个归纳 ;对相反的情形 ,我们给出了部分已有的结果 ,并通过四道例题着重讨论了如何由 φ( A)的特征值来求 A的特征值 .     

分配格上矩阵的特征向量

主要讨论分配格上的矩阵A的标准特征向量问题.从基本概念出发,给出了全部标准特征向量的计算方法。     

分配格上矩阵的特征向量

设(L,≤,∨,∧)为一分配格。满足Ax=x的向量x称为方阵A的特征向量。本文的主工目的是通过矩阵的伴随有向图来刻画矩阵的特征向量并给出矩阵特征向量的界。同时我们将定义矩阵A的上基本特征向量并讨论它的性质。     

求矩阵特征向量的一个新方法

给出并证明仅用矩阵乘法求矩阵特征向量的一个新方法.     

基于Cramer法则计算矩阵的特征向量

基于Cramer法则,得到了复数域上满足一定条件的线性方程组的求解方法.通过分析原矩阵的特征值与所构造矩阵的特征值之间的内在关系,构造了一种求解原矩阵特征向量各个分量的方法.     

线性代数中特征向量的一个应用

在线性代数中,特征向量在矩阵的对角化过程中起着重要作用.从一个引例出发,证明了:一个矩阵与对角矩阵可交换当且仅当它可以用以特征向量为列向量的两个矩阵表示.做为推论,如果对角矩阵对角线上的相同元素在相邻位置,那么与其可交换的矩阵只能是准对角矩阵.     

运输问题的模糊聚类分析求解

通过对传统模糊聚类经验公式的改进和对最后两类排序的确定,提出了一种基 于模糊聚类分析的运输问题简单快速的求解方法．编出了通用程序,并给除了实例和计算 结果．该算法既是模糊聚类分析应用的扩展,又是对运筹学知识的补充和完善．     

利用特征矩阵求实对称矩阵的特征向量

本文利用Hamilton-Cayley定理和特征矩阵的性质,给出了求实对称矩阵的特征向量的新方法,并通过例子验证了该方法.     

离差最大化特征加权模糊c-划分的聚类分析

聚类分析中每个样本用一个m维向量来表征,每个分量描述样本的一个特征,由于对特征的提取不够完善,使得m维向量的每个分量对聚类贡献不均.基于此本文利用向量间离差最大化对样本的每个分量即特征进行加权,提出一种新的加权模糊c-划分的聚类分析法,一定程度上克服了模糊c-划分的聚类分析对每个特征等同对待不足,又保持其算法的收敛性,最后给出一个算例说明此算法的优越性.     

基于模糊聚类的语音识别

指出模糊聚类方法影响语间识别的正确率 ,提出用基于分解构造的模糊聚类方法设立语音模式的参考向量 ,说明该方法能提高语章识别的正确率。     

上海股市收益率序列簇生特征局部线性平滑分析

本文从分析上海股票市场收益率序列的基本特征入手,重点利用非参数方法分析收益率序列波动性的簇生特征.首先通过一系列描述指标说明股市收益率序列具有的基本特点,利用非参数方法估计收益率序列的密度函数.进一步利用非参数回归分析的方法,分析股票市场的波动性,说明股市收益率序列的簇生特征是一个一般规律,在防范股市风险的时候应该注意到这一特点.     

基于多目标进化聚类的信用风险特征识别

在信用风险识别领域,聚类算法常被用于区分不同风险等级的样本并识别风险特征。然而该领域中通常面临高维数据处理问题,导致传统聚类算法存在不适应此类问题的缺陷：易陷入局部最优、受冗余特征干扰、鲁棒性不强等。采用高维信用风险数据,研究上市公司信用风险,建立信用风险特征识别的三目标优化模型,设计基于分解的多目标子空间聚类算法进行求解。通过算法的横向对比实验,展示了所提出的算法在聚类精度和鲁棒性方面的优势,并根据聚类算法的权重分配结果,归纳总结上市公司信用风险评估过程中应重点关注的指标。     

Analysis and Construction of Multivariate Interpolating Refinable Function Vectors

In this paper, we shall introduce and study a family of multivariate interpolating refinable function vectors with some prescribed interpolation property. Such interpolating refinable function vectors are of interest in approximation theory, sampling theorems, and wavelet analysis. In this paper, we characterize a multivariate interpolating refinable function vector in terms of its mask and analyze the underlying sum rule structure of its generalized interpolatory matrix mask. We also discuss the symmetry property of multivariate interpolating refinable function vectors. Based on these results, we construct a family of univariate generalized interpolatory matrix masks with increasing orders of sum rules and with symmetry for interpolating refinable function vectors. Such a family includes several known important families of univariate refinable function vectors as special cases. Several examples of bivariate interpolating refinable function vectors with symmetry will also be presented.     

复杂系统的泛系聚类方法

本文利用半等价算子ε_i和相等化算子δ_i研究了复杂系统的聚类问题;阐述了分析运筹复杂系统的δ(1,3)解耦原理、对偶转化原理和大系统分解原理;详细讨论了复杂系统的连通性与解耦性并提供了有关定理.最后,利用泛系聚类方法讨论了复杂系统的层次分析.     

基于AP聚类和集合覆盖模型的农电营业区域电费缴纳点选址研究

农电营业区域的电费缴纳点选址研究是解决用电客户缴费难、购电难的关键课题之一,而当前大数据环境为电费缴纳点的合理布局提供了一个新的研究思路.首先通过运用基于数据点间"消息传递"的AP聚类算法从大量用电客户中筛选出候选电费缴纳选址点,然后采用集合覆盖模型对候选电费缴纳选址点进行再优化,得到最优选址点.并以赤峰市宁城县居民电力缴费记录与低压数据明细为例,为实现"村村都有缴费点"的建设目标,对较少用电客户的台区进行最优电费缴纳点选址研究.在此基础上,对最优电费缴纳点选址下的供电营业厅资源配置进行了分析,为供电公司在农电营业区域电费缴纳点的选址布局提供决策支持.     

聚类分析的竞争决策算法

聚类分析是数据挖掘的重要技术,是一种无监督的学习方式,可根据数据间的相似程度,将数据进行分类.竞争决策算法是一种基于竞争造就优化和决策左右结果的新型优化算法,针对聚类分析的特点,设计了一种竞争决策算法进行求解,经实验测试和验证,并与其它算法的结果进行比较,获得了较好的结果.     

多指标面板数据融合聚类分析

针对多指标面板数据的样品分类和历史时期划分问题,从多元统计分析理论角度提出一个多指标面板数据的融合聚类分析方法。该方法改进了多指标面板数据的因子分析和系统聚类方法,依据Fisher有序聚类理论,构造了Frobenius范数形式的离差平方和函数,提出了多指标面板数据的有序聚类方法。实证结果表明,该方法能够满足系统分析的统一性要求,保证指标之间的不相关;能够克服时间维度上均值处理造成的偏误,信息损失较少;能够解决面板数据有序聚类的问题;弥补了单一分析的片面性和局限性。