奇异值分解定理的几何意义

该文从线性映射表示矩阵的化简问题以及函数的极值问题引进矩阵的奇异值分解定理,从而解释奇异值的几何性质以及矩阵奇异值分解的几何意义.     

矩阵的奇异值分解与标准形

本文就矩阵的奇异值分解与矩阵标准形的联系作一些探讨。把奇异值分解推广到复矩阵,并指出它的特殊情况。     

线性流形上次反对称矩阵的加权最小二乘解

利用矩阵的奇异值分解和矩阵对的广义奇异值分解,得到一类线性流形上次反对称矩阵在加权范数下的最小二乘解,导出解集合中与给定矩阵最佳逼近解的表达式.     

线性流形上广义次对称矩阵的加权最小二乘解

运用矩阵的奇异值分解及矩阵对的广义奇异值分解得到了线性流形上广义次对称矩阵在加权范数下的最小二乘解,同时导出了解集合中与给定矩阵的最佳逼近解的表达式.     

基于小样本条件下线性判别分析图像增强算法研究

摘要：针对以往降维处理方法在小样本条件下受到矩阵奇异化的限制,从而无法进行有效的奇异值分解以及逆变换的缺陷,提出了一种自动对变换矩阵添加扰动量,从而保证奇异值分解和逆变换顺利进行的算法。首先,定义了线性变换矩阵的构成模式,利用线性投影变换将样本点投影到null空间和幅度空间,然后在压缩后的幅度空间对变换矩阵自动添加扰动量,然后在此基础上进行奇异值分解和逆变换,从而计算得到最终的从高维空间到低维空间的线性变换矩阵。本方法无需认为设定扰动量,能自动实现投影变换的计算。能广泛使用在高维特征空间的降维处理,尤其是少样本条件下的高维特征空间降维处理中。     

矩阵奇异值的智能分解与线性定常离散系统的稳定性

讨论了矩阵奇异值与线性定常离散系统稳定性的关系，给出了一种实现矩阵奇异值分解的智能方法。同时，基于矩阵最大奇异值得到了一种实用的线性定常离散系统稳定性判据。     

一种相邻相干信号的DOA估计新方法

提出一种估计相邻相干信号方位的新方法.该方法首先对传统空间平滑算法得到的数据协方差矩阵进行修正,然后对修正后的协方差矩阵进行奇异值分解,由左奇异矩阵得到噪声子空间;再构造新数据协方差矩阵,进行奇异值分解得到噪声子空间;最后取两次噪声子空间的平均值得到噪声子空间,利用MUSIC算法找到极大值对应的信号方向.计算机仿真表明,该方法能有效地估计出小信噪比下角度相隔较小的相干信号.     

奇异值分解及其简单应用

关于矩阵分解有多种形式,而在实际应用中奇异值分解尤为重要,借助由S(α)=Aα式所确定的S:Rn→Rm线性映射,给出了矩阵奇异值分解定理更具几何直观的推导过程,并用实例对其进行了辅证.     

多线性奇异积分算子构成的交换子在Hardy空间的有界性

通过Hardy空间的原子分解的性质及Lp空间的有界性,证明了齐型空间中多线性奇异积分算子构成的交换子的(Hpb,Lp)有界性,从而推广了欧氏空间的性质.     

一种基于奇异值分解的分层重构算法

以仿射投影来逼近透视投影,采用共轭梯度法迭代估计射影深度,通过测量矩阵的奇异值分解实现射影重构.在摄象机内参数已知的情况下,求解一个满足欧氏重构条件的4×4非奇异矩阵,由此矩阵将射影重构变换为欧氏重构.实验结果表明该算法是行之有效的.