线性矩阵不等式F_0＋sum from j＝1 to k of x_j F_

应用矩阵求迹运算“ｔｒ（·）”得到了线性矩阵不等式Ｆ_０＋sum from j=1 to k of ｘ_ｊ Ｆ_ｊ＞０解的充分条件，这些充分条件皆为应用中容易检验的代数不等式．并据此给出了相应的代数解     

浅议高等教育运行成本统计

对高等教育运行成本统计的对象、统计范围、目的作了分析,探讨了运行成本统计时应解决的几个原则问题.     

求解非线性网络的一个新算法

本文对非线性电阻性网络多值问题的求解作了新的探讨，在给出若干定理的基础上提出了一种能保证找到分段线性电阻性网络所有解的新算法。     

不可分离的拓扑线性空间的完备化

文［２］中讨论了可分离的拓扑线性空间的完备化。本文讨论了不可分离的拓扑线性空间的完备化问题。     

光程长对光谱测量误差的影响

光程长的选择在光谱测量方法设计中非常重要,但实际测量中很难实现精确最佳光程长．从灵敏度的角度研究了在近红外光谱测量中,光程长和测量灵敏度之间的定量关系,讨论了它们对测量结果的影响：单位光程长吸光度越小,则光程长对测量误差的影响越小,可选择光程长范围就越宽;大于最佳光程长区域相对于光程较小区域,光程长变化对测量结果影响较小,可选光程过窄,应通过减小单位光程吸光度来扩展可选区域．对于单个样品,当最佳光程长获取存在较大误差时,应使所选光程长落在大于最佳光程长区域;当一组样品分别对应不同最佳光程长时,也应选择较大光程．在10个光程长下,通过6000cm^-1～5900cm^-1长波段不同浓度葡萄糖水溶液光谱测量实验,对理论结果进行验证,二者吻合较好．     

鉴别局部特征分析及其在人脸识别中的应用

由于传统的鉴别主分量分析(DKL)算法中,主分量分析(PCA)基于全局特征,难以提取人脸的局部特性,该文提出鉴别局部特征分析算法.该算法中,局部特征分析(LFA)代替PCA作为线性鉴别分析(LDA)的前端.一方面,LFA在保留大部分全局信息的同时提取局部特征.另一方面,它为信号提供一种有效的低维表示,增强LDA在小样本问题中的数值稳定和推广性能.文中结合开集模式的人脸认证领域,在PoliceFace、OCRLab人脸库和它们的组合库上对新算法和DKL算法进行实验比较.实验表明,通过结合LFA和LDA,新算法明显降低认证错误率在PoliceFace库上,等错误点错误率降低43.10%;在OCRLab库上错误率降低25.87%;在组合库上错误率降低33.16%.     

SARS-CoV编码蛋白质的识别

选取非典型肺炎病毒(SARS-CoV, NC 004718)和其他6种冠状病毒共计100个编码蛋白为样本, 从172个变量中经逐步回归选取23个变量建立多元线性回归模型, 模型的复相关系数R² = 0.645, 交互检验R²_cv = 0.375. 剔除4个异常样本后, 模型的复相关系数R² = 0.743, 交互检验R²_cv = 0.543.     

CSSCI与中国期刊网引文评价比较

对CSSCI引文数据和中国期刊网引文数据进行比较,探讨经过来源期刊选择的CSSCI引文和未经过选择因而范围更广的中国期刊网引文评价的排序耦合性并作出相关分析。对CSSCI用于引文评价需完善之处提出建议。     

A detection strategy of multi-pose face in compressed domain

In this paper, we present a strategy to implement multi pose face detection in compressed domain. The strategy extracts firstly feature vectors from DCT domain, and then uses a boosting algorithm to build classifiers to distinguish faces and non-faces. Moreover. to get more accurate results of the face detection, we present a kernel function and a linear combination to build incrementally the strong classifiers based on the weak classifiers. Through comparing and analyzing results of some experiments on the synthetic data and the natural data, we can get more satisfied results by the strong classifiers than by the weak classifies.