基于随机矩阵的特征值方差的频谱感知检测算法

传统的频谱感知能量检测易受噪声方差不确定性的影响,存在"信噪比墙"效应。频谱感知特征值检测跟能量检测一样,不需要信号任何先验信息,并且能在低信噪比下取得较好的检测性能。经典的特征值检测有最大最小特征值(maximum-minimum eigenvalues,MME)之比算法,最大最小特征值之差(maximum-minimum eigenvalues difference,DMM)算法等。这些算法只利用特征值的一阶统计量,不能充分反映全部特征值的统计特征。利用特征值二阶统计量提出一种基于特征值方差的频谱感知算法,选取能反映特征值整体波动的方差当作观测统计量,并利用矩阵迹的性质推导出该算法的理论门限。仿真证明:当噪声方差不确定性等于0 d B时,该算法的检测性始终优于MME算法。当噪声方差不确定性等于0. 2 d B时,能量检测(energy detection,ED)算法检测概率急剧下降,而特征值方差(eigenvalue variance,EV)算法检测概率仅下降10%左右,并且当信噪比(signal noise ratio,SNR)大于-17 d B时,EV算法的检测概率优于ED算法和MME算法。     

计算最小特征值的幂法及一个应用

证明Euler幂法程序的收敛性,并用来计算一个复杂的带偶合边条件的微分方程特征值问题的最小特征值。     

关于广义特征值的注记

在什么条件下,广义特征值为实数?文献[l]在R~(n×n)中给出一个充分条件.本文在C~(n×n)下给出广义特征值为实数的几个充分条件,并在命题1和命题2中还给出广义征值的估计.     

四元数矩阵特征值的一些估界定理

对于四元数矩阵Ａ，利用Ａ＾＊Ａ，Ａ＾＊＋Ａ两个自共轭四元数矩阵，借助于推广了的Ｒａｙｌｅｉｇｈ商给出Ａ的左（或右）特征值（总假定是存在的）的矩，实部及虚部的矩的一些上下界估计，是对复矩阵论中著名的Ｈｉｒｓｃｈ定理，Ｐｉｃｈ定理等的扩张。     

符号图的一些谱关系

符号图∑=（丨∑丨，δ）由无符号图丨∑丨=（V，E）和一个映射组成，其中V和E分别为顶点集和边集，丨∑丨是它的基础图，δ：E→{＋1，-1}是符号函数．文章给出了一些符号图的谱关系，并得到了符号图的特征值的一些边界．     

一类二阶奇异非线性特征值问题的正解

允许非线性项f在[0,1]x[0,+∞]的边界上奇异，得到了二阶非线性特征值问题     

广义特征值问题的同时迭代法

<正> 1 引言 对广义特征值问题:Ax=λBx (1)其中A是n×n对称矩阵,B是n×n对称正定矩阵。当A和B是大型稀疏矩阵时,一种比较有效的方法是用Cholesky方法将B分解为 B=LL~T (2)其中L是下三角阵,按照变换, y=L~Tx (3)问题(1)变为 L~IAL~Ty=λy (4)然后对(4)应用同时迭代法(为了方便,后面称为同时送代法1):     

一类高阶椭圆算子特征值的上界

讨论了一类加权特征值问题的二相邻特征值之差λn 1-λn,n=1,2,…，的上界以及第n个特征值的上界，这些界依赖于前面的n-1个特征值及方程的系数，而与区域的几何量无关。     

一类Dirac特征值问题谱的特征

证明了一类奇型Ｄｉｒａｃ特征值问题的谱为纯连续的，无特征值。     

四元数矩阵的特征值与特征向量

讨论了四元数矩阵的左、右特征值及特征向量的性质。证明了如下结论：四元数矩阵Ｂ的属于其左特征值λ的所有特征向量添上零向量构成实数域Ｒ上的向量空间；四元数矩阵Ｂ的属于其左特征值λ０的所有特征向量添上零向构成Ｑ上右向量空间Ｑ＾ｎ的子空间，这里Ｑ表示四元数体。     

一类二阶两点边值特征值问题的非平凡解

对一类二阶两点边值特征值问题的特征值及特征函数进行了讨论,得到了特征值及特征函数的表达式.当0     

一类特殊矩阵的逆特征值问题

讨论一类具有特殊形式的矩阵An的两类逆特征值问题.问题I是由An的顺序主子阵Aj(j=1,2,…,n)的最小、最大特征值来构造矩阵An;问题II是由An的顺序主子阵Aj(j=1,2,…,n)的所有特征值来构造矩阵An.分别给出了两类逆特征值问题有解的充分必要条件且结果具有构造性,另外提供了相应的算法和数值例子,数值结果表明算法很有效.     

广义Jacobi矩阵逆特征值问题解存在的条件

研究了由给定的两个特征值及对应特征向量构造广义Jacobi矩阵的逆特征值问题，得到了这类问题有解以及有唯一解的充分必要条件，在有解时给出了构造相应的广义Jacobi矩阵的方法，并给出了具体的算例．     

一类非局部特征值问题

讨论了下列非局部特征值问题（－△ｕ＝λｕ，ｉｎΩ证明了特征值和特征函数的存在性，给出了一类Ｐｏｉｎｃａｒｅ不等式及其应用。