计算中心流形的通用程序方法

导出一种便于编程运算的计算中心流形的方法，并利用计算机代数语言Mathematica将其编制成通用的程序。这个程序可以用来计算任意维数的系统的小于6维的中心流形，该程序简捷实用。     

高维Hopf分岔系统的最简规范形

针对高维Hopf动态分岔问题,研究了不经计算其传统规范形,直接计算高维任意阶数的Hopf分岔系统的最简规范形.利用中心流形定理,将原n维动力系统降为二维的中心流形,根据规范形理论,对中心流形上流的方程进一步化简,在不经过计算传统规范形的情况下,直接计算出其最简规范形中只包含的三阶和五阶项.编写了Mathematica程序,利用该程序,可直接由原n维动力系统计算出其最简规范形.通过3个算例验证了该方法的正确性和计算程序的高效性.     

N维中心流形和Hopf分支的计算机自动化简

给出一个M ap le程序,用它可实现N维中心流形和Hopf分支的计算机自动化简,推广和简化了已有成果。     

图像块流形维数及其证明方法研究

在概述流形理论的基础上,首先给出等间距地嵌套在高维空间中的图像块流形维数公式,然后借助微分几何的一些基本工具,从两个不同的角度给出该公式的详细证明过程.一方面,将函数在流形上的梯度看作环绕空间中的向量来计算流形维数;另一方面,利用流形在任意一点处切空间的标准正交基来导出流形维数公式.图像块流形维数公式的推导可以为流形的深入学习和相关应用研究提供理论支撑.     

B-spline流形的几何结构

给出了由B-spline方程构成的B-spline流形的几何结构.通过B-spline流形的定义,得到B-spline流形是±1平坦的,同时,还给出了B-spline流形的曲率张量和二维B-spline流形的高斯曲率.给出算例,验证文中二维B-spline流形的高斯曲率.     

具平行李奇曲率的共形平坦流形

本文证明了维数大于３的具平行李奇曲率的共形一坦流形局部瞩为常曲率流形或两个常曲率流形的黎曼乘积,同时也得到,具平行李奇曲率的３维黎流形局部上必为常曲率流形或两个常曲率流形的黎曼积。     

两种基于谱方法的流形学习算法研究

流形学习方法是一种新型的非线性降维方法,它可以有效地对具有内在流形形式的非线性高维数据进行维数约简.目前,流形学习已被成功应用于聚类、可视化等数据挖掘领域,表现出卓越的性能.首先讨论了流形学习的研究现状,然后介绍了这一领域中影响最大的2种算法:局部线性嵌入算法和等距特征映射算法.     

关于爱因斯坦流形的一些注记

爱因斯坦流形是特殊的一种黎曼流形,它有很好的特征,其定义弱于常曲率黎曼流形.本文对其有关性质进行了讨论,得到了2维和n(n≥3)维爱因斯坦流形的数曲率的一些结果:ρ可能为常数和ρ为常数,以及爱因斯坦流形与常曲率黎曼流形之间的关系;3维连通的爱因斯坦流形(M,g)必为常曲率黎曼流形,它的截面曲率的几个结论;最后得到了一个关于其上非零的平行向量场的存在性定理,并且对爱因斯坦流形作了几点总结.     

多邻域保持嵌入的人脸识别方法

现有流形学习算法在学习人脸数据时,假设所有数据点位于单一低维嵌入流形之上,当数据点实际分布在不同的流形上时,单流形假设就会影响数据真实空间结构。为此提出一种基于多邻域保持嵌入(multiple neighborhood preserving embedding,M-NPE)的学习算法来发现不同类别数据在不同维度的低维嵌入空间中分布的多流形结构。首先,单独学习不同类别数据的流形,得到反映其本质特征的流形;再通过遗传算法搜索每个流形的最优维数;最后依据最小重构误差分类器对样本分类。在Extended Yale B和CMU PIE这2个大型人脸库上实验结果验证了该算法的有效性。     

中心流形的特点与近似求法

本文讨论了中心流形的特点,并根据平衡点邻域流形结构稳定性说明中心流形的近似求法以及研究分岔问题时如何降低系统维数。     

准Riemann流形上的广义Boltzmann－Hamel方程

用张量分析方法，研究高阶非完整约束的力学系统。提出ｍ阶切空间Ｅ３Ｎ（ｍ）的准Ｒｉｅｍａｎｎ流形的新概念，建立相应的高阶广义普遍中心方程，并由此导出准Ｒｉｅｍａｎｎ流形上的高阶Ｂｏｌｔｚｍａｎｎ－Ｈａｍｅｌ方程，举例说明方程的应用。     

有监督的噪音流形学习算法

流形学习算法是维度约简与数据可视化领域的重要工具,提高算法的效率与健壮性对其实际应用有积极意义.经典的流形学习算法普遍的对噪音点较为敏感,现有的改进算法尚存在不足.本文提出一种基于监督学习与核函数的健壮流形学习算法,把核方法与监督学习引入降维过程,利用已知标签数据信息与核函数特性,使得同类样本变得紧密,不同类样本变成分...     

基于改进G-P算法的往复式压缩机故障诊断技术

采用基于经验模态分解的G-P算法提取往复式压缩机振动信号关联维数,建立了小波降噪模型,利用自相关函数法和伪相图法结合起来确定延迟时间,并采用EMD法计算嵌入维数,通过洛仑兹系统的仿真研究,将此法应用在往复式压缩机模拟故障试验中,诊断效果较好。     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

并行DECELL方法计算矩阵广义逆

将Decell算法与MPI并行系统进行有效结合,用于计算大规模矩阵的MP广义逆. 给出了算法设计方案;讨论了在MPI环境下的 程序执行; 并在PC机集群系统上实现.给出了关于并行加速比及效率的数值结果.     

分形维数基于DLA模型的算法改进

现阶段的分形动力学生长模型多采用DLA模型,而维数的计算多依赖于盒计数法。但是由于盒计数法研究对象的数学局限性及计算的复杂、烦琐,使得其应用具有局限性,动力学机理不明确。为此,通过改进盒计数法得到了DLA模型的点维数di,并与盒计数法的结果相对比,验证了本方法在DLA模型图形维数计算方面的适用性、可靠性以及简单可操作性,并证明了点维数具有分形动力学特性,为以后利用盒计数法实现盒子转化点,点转化线长,直至构建出基于线和动力学关系的分形维数公式作理论探讨和准备。     

多传感器管理的目标分配问题蚁群算法研究

多传感器管理的目标分配问题中如何使探测和跟踪效益最佳，是非常重要又十分困难的问题。分析了传感器管理的目标分配问题各种解算方法的特点及存在的问题，结合蚁群算法思想，提出了一种新型的目标分配算法模型，并进行了算法仿真。仿真结果表明，基于蚁群算法思想的目标分配算法是有效的，特别是问题规模较大时更显示出其较快的收敛速度和较高的精度。     

三维数值流形的面向对象设计

在给出扩展的三维数值流形的理论基础上，将面向对象技术引入到三维数值流形方法的程序设计中，详细地研究了基于三维数值流形理论的面向对象的程序设计和管理方法，并进行了类的设计，还给出了其中一些关键类的原型。作为应用实例，给出了三维数值计算结果。数值算例表明该算法与理论结果吻合，从而证明了面向对象程序设计的正确性。     

Fractal dimension of voice-signal waveforms

The fractal dimension is one important parameter that characterizes waveforms. In this paper, we derive a new method to calculate fractal dimension of digital voice-signal waveforms. We show that fractal dimension is an efficient tool for speaker recognition or speech recognition. It can be used to identify different speakers or distinguish speech. We apply our results to Chinese speaker recognition and numerical experiment shows that fractal dimension is an efficient parameter to characterize individual Chinese speakers. We have developed a semiautomatic voiceprint analysis system based on the theory of this paper and former researches. Foundation item: Supported by the Special Funds for May State Basic Research Projects Biography: Xie Yu-qiong(1964-), female, Ph. D candidate, research direction: fractal geometry.     

Unsupervised Nonlinear Adaptive Manifold Learning for Global and Local Information

In this paper, we propose an Unsupervised Nonlinear Adaptive Manifold Learning method(UNAML) that considers both global and local information. In this approach, we apply unlabeled training samples to study nonlinear manifold features, while considering global pairwise distances and maintaining local topology structure. Our method aims at minimizing global pairwise data distance errors as well as local structural errors. In order to enable our UNAML to be more efficient and to extract manifold features from the external source of new data, we add a feature approximate error that can be used to learn a linear extractor. Also, we add a feature approximate error that can be used to learn a linear extractor. In addition, we use a method of adaptive neighbor selection to calculate local structural errors. This paper uses the kernel matrix method to optimize the original algorithm. Our algorithm proves to be more effective when compared with the experimental results of other feature extraction methods on real face-data sets and object data sets.