高斯曲率绝妙定理的表示公式的几种形式

考虑高斯曲率绝妙定理的公式表示问题.运用曲面论基本方程的矩阵表示法,直接推导出了高斯曲率绝妙定理的隐式表示公式和显式表示公式,指出了高斯曲率内蕴隐式公式的验证过程,给出了高斯曲率内蕴计算公式的Liouville形式的推导过程.     

常系数线性差分方程通解的显式表示

将n阶常系数线性差分方程化为矩阵形式,利用Frobenius矩阵求得特解的显式表示,进而求得它的通解的显式表示,该通解不涉及不定方程求非负解问题,并给出用二项式系数表示广义Fibonacci数列解的关系式.     

FFT与稀疏矩阵

本文从稀疏矩阵因式分解的角度对几种FFT算法进行了回顾,并讨论了文献中提出的问题.当N=2~γ时,本文推导了Kahaner分解法W_N矩阵的Kronecker积因式分解表示式,并从Kronecker积表示式的角度讨论了Glassman分解法和Kahaner分解法之间的关系.     

用分块矩阵等效缩化回路的方法

本文介绍用不同的分块矩阵方法,在回路电流不变条件下,利用回路阻抗矩阵等效缩化回路,可以导出逐次缩化不含回路电势及含回路电势的回路电势的回路阻抗矩阵表示式,也可导出同时等效缩化几个回路时阻抗矩表示式.     

关于一类线性矩阵方程的解及其对称解

本文给出了矩阵方程AXB存在解和对称解的充要条件及通解的显式表示.     

隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

最小单生过程平均占位时的显式表示

研究了小单生过程的平均占位时,在过程转移速率矩阵正则和非正则的条件下,分别得到平均占位时基于该矩阵的显式表示.     

曲面论高斯方程公式的几种形式的推导方法

考虑曲面论高斯方程公式的表示问题.运用曲面上基本方程的矩阵表示法,给出高斯方程直接的显式公式表示;指出高斯曲率简化公式的推导来源,揭示出高斯曲率隐式公式的发现过程,并给出了Liouville形式的高斯方程的证明过程.     

对角线元为数量幂等矩阵的上三角矩阵及其应用

设H_s(s≥2)是对角线元为数量幂等矩阵的上三角矩阵,利用矩阵理论方法,研究并得到了上三角矩阵H_s的一些数量幂等性质.作为应用,利用H_2的标准形,讨论了H_2的{1,3}-逆存在的条件,并确定了其表示式.     

基于广义逆的张量积Said-Ball曲面降多阶逼近

文章给出张量积 Said-Ball曲面降多阶逼近的一种方法 ,即将曲面的降多阶过程视为升阶的逆过程 ,利用广义逆矩阵的理论得到降阶曲面控制顶点的显式表示式 ,从而得到了用矩阵表示的降多阶张量积 Said-Ball曲面的控制顶点的显式表示式。在降多阶过程中 ,分别考虑了带角点高阶插值条件和不带角点插值条件的情形 ,并且给出了数值例子     

常系数性线差分方程通解的显式表示

将n阶常数线性差分方程化为矩阵形式，利用Frobenius矩阵求得特解的显式表示，进而求得它的通解的显式表示，该通解不涉及不定方程求非负解问题，并给出用二项式系数表示广义Fibonacci数列解的关系式。     

矩阵和的g逆的表示式

利用分块矩阵的广义逆，给出了矩阵和的g逆的一种表示式。     

正态MA(O，1)序列的似然函数的一种表示

借助矩阵和差分方程,具体给出了在实际中具有重要应用的一类数学模型——正态MA(0,1)序列的似然函数的一种显式表示,即具体表示成了模型参数的函数.     

两个电子的自旋态和自旋算符

本文给出两个电子的自旋态和各种自旋算符在无耦合表象和耦合表象中的矩阵表示式,也给出在两电子自旋相互作用可以忽略的条件下的另一种数学表示方式,即把两个电子的自旋态表示为两个二行一列矩阵(一个电子的自旋态矢量)并列的写在了一起.     

半正定矩阵算术平方根的表示

利用特征根的Lagrange插值多项式，给出了半正定矩阵算法平方根的表示，即公式解，避免了求过渡矩阵的繁琐过程。当特征根难以求出而特征根的对称式易求时，半正定矩阵的算法平方根可直接由矩阵的本谢的性质来表示。     

Hankel矩阵和Vandermonde矩阵之逆的新矩阵表示式及快速算法

利用线性方程组是否有解给出Hankel矩阵、Vandermonde矩阵可逆的条件及求逆的递推公式，并给出了逆矩阵新的表示式．表明Hankel矩阵、Vandermonde矩阵的逆矩阵可以表示为一些特殊矩阵的乘积之和，并以Hankel矩阵为例，得到了求逆的快速算法，所需计算量为O(n^2)，一般n阶矩阵求逆的计算量为O(n^2)．     

关于矩阵e~A的一个定理和应用——SU（n）群生成元的零迹证明

证明了一个关于矩阵eA的定理并给出了U（n）群元素的表示式,应用定理证明SU（n）群生成元之迹等于零.     

广义柯西与柯西-范德蒙块矩阵的求逆公式*

利用广义柯西与柯西－范德蒙块矩阵的位移结构方案,给出了这2类块矩阵的可逆性准则以及求逆矩阵的表示式。     

基于大间隔编码的空间非负矩阵分解

虽然基于局部的表示方法在图像处理中具有很好的鲁棒性,但非负矩阵分解只有隐式局部约束,导致分解不唯一和基图像不够局部.另外,局部性与判别性作为样本表示的重要性质几乎没有在非负矩阵分解中被同时考虑过.为此,文中提出了基于大间隔编码的空间非负矩阵分解,将图像数据看作像素构成的二维网络,借鉴网络中的知识将空间信息嵌入基图像,不但施加了显式的局部约束,而且能够弥补数据向量化损失的空间信息.同时,利用大间隔约束学到的额外一维空间平衡重建误差和判别性约束对基图像的影响.在AR数据库和扩展的Yale B数据库上的人脸识别实验结果表明,相比于非负矩阵及其他几种典型的扩展方法,基于大间隔编码的空间非负矩阵分解更加鲁棒.     

分层介质中并矢格林函数的一般表示形式

本文给出了分层介质中水平和垂直偶极子用平面波和柱面波展开时并矢格林函数的一般表示式,并给出了应用波矩阵方法推导表示式中的传输系数的方法。