迹为零非负矩阵的组合结构

FROBENIUS给出了非负矩阵的分块标准型,其中每一对角块为不可约非负矩阵.在对非负矩阵本原指数进行研究时,迹为零非负矩阵占有重要地位.利用Z-矩阵的方法研究非负矩阵,得出了迹为零非负矩阵的组合结构.     

非线性离散大系统的关联稳定性

本文根据大系统分解集结思想和非负矩阵的偏序,通过孤立子系统的Cauchy矩阵与耦合矩阵的估计式,采用分块迭代估值方法来研究非线性离散大系统在其关联结构扰动下的稳定性,避免了构造Lyapunov函数的麻烦。     

非负矩阵Perron根的上下界

本文主要给出了非负矩阵Perron根的一种估计方法,利用矩阵的特征值和对应特征向量的关系,得到了非负矩阵谱半径的估计式,并且通过数值例子来说明方法的有效性.     

非负不可约矩阵最大特征值的估计法

为了估计非负不可约矩阵最大特征值的界,构造2个新矩阵,利用Perron-Frobenius定理和新构造矩阵的行和与列和的性质,估计非负不可约矩阵最大特征值的上、下界,并推导极限估计式。结果表明,这种基于PerronFrobenius定理的估计非负不可约矩阵最大特征值的方法的估计范围比已有结论更精确。     

非负矩阵Perron根的界

基于非负矩阵Perron根的理论应用于很多领域,据此,研究了非负矩阵Perron根的界的估计,获得了非负不可约矩阵Perron根的界,进而在适当的相似变换基础上得到非负可约矩阵Perron根的界的估计.     

不可约非负矩阵谱半径的新估算

随着计算机科学的发展,不可约非负矩阵理论在研究领域和科技应用领域都得到了广泛的关注.特别是对不可约非负矩阵谱半径的研究,已经取得很多优秀的成果.该文在前人研究的基础上,对不可约非负矩阵谱半径的估计方法做了一些改进,提高了估计的精度.     

有关非负矩阵谱半径及分离度界的估计

给出了非负矩阵谱半径上下界的一个估计，并将我们的结果与以往的结论做比较；在推论部分给出了非奇异M矩阵之逆的谱半径的界的估计以及任意复矩阵谱半径的一个上界的估计．另外，我们还给出了非负矩阵分离度的上界估计．     

关于分块矩阵的一些范数不等式

本文建立了两个其子矩阵都为非负对角阵的分块矩阵关于Schatten p-范数的一些新的范数不等式。     

基于非负矩阵分解的阴影检测方法

针对以往的矩阵分解方法不能保证分解结果非负的问题, 根据非负矩阵分解（NMF: Non negative Matrix Factorization）结果非负的特点, 提出了基于NMF的阴影检测方法, 并以此为基础将进一步引入的分块非负矩阵分解（BNMF: Block Non negative Matrix Factorization）应用于阴影检测。通过NMF/BNMF提取训练样本中阴影的亮度特征, 再根据特征识别测试样本中的阴影区域。实验结果表明,与基于奇异值分解方法相比, 该算法的阴影检测细节更清晰, 具有更好的效果。     

非负矩阵Perron根的下界序列

为了得到非负矩阵Perron根界的估计,通过引入幂函数对Yu. A. Alpin不等式进行改进, 得到一列单调递增且收敛于Perron根的下界序列,并利用非负不可约矩阵的性质,研究了一类特殊非负矩阵的下界序列.最后通过数值实例对新的估计方法进行验证,结果优于文献[3-5]中的结论.     

非负矩阵Hadamard积的特征值估计

非负矩阵的Hadamard积是矩阵分析理论研究中的一个重要问题.对于两个非负矩阵A和B的Hadamard积,给出了谱半径的一个新的上界估计方法.     

非负矩阵谱半径的一个新界值估计

对非负矩阵谱半径的界值给出了一个新的估计,把非负矩阵谱半径的上下界表示成矩阵元素的一个易于计算的函数,证明了由该函数表示的谱半径的上下界可以通过递推计算的方法无限地逼近谱半径.最后,通过实例与以往的结论作比较,验证了该界值估计的有效性.     

M-矩阵及非负矩阵Hadamard积和Fan积的特征值界的估计

 分别给出了非奇异M-矩阵的逆矩阵和非奇异M-矩阵的Hadamard积与非奇异M-矩阵Fan积的最小特征值下界新的估计式;同时给出了非负矩阵Hadamard积的谱半径上界新的估计式;这些估计式都只依赖于矩阵的元素,易于计算.算例表明,这些估计式在一定条件下改进了现有结果.     

基于分布估计算法的非负矩阵分解

非负矩阵分解问题可以转化为一个约束优化问题,因此可以依靠最优化领域的相关算法进行求解.提出一种基于分布估计算法求解非负矩阵分解问题的新算法,并将算法应用于两个非负矩阵分解的数值算例,与非负矩阵分解基准算法进行比较,证实了算法的可行性和优越性.     

矩阵Hadamard积谱半径的新上界

对于两个非负矩阵A和B的Hadamard积,利用特征值包含域定理给出谱半径的新上界估计式.数值例子表明新估计式在某些情况下比现有的估计式更为精确,并且这些估计式只依赖于两个非负矩阵的元素,更容易计算.     

非负矩阵谱半径的估计

给出非负矩阵A的谱半径ρ(A)上界的一个新估计式和非负矩阵A与B的Hadamard积的谱半径ρ(A°B)上界的一个新估计式.     

LPQ与NMF特征融合的人脸识别

提出一种融合局部相位量化(LPQ)和非负矩阵分解(NMF)进行人脸识别的方法.该方法首先采用LPQ算子提取分块人脸图像的LPQ直方图序列(LPQHS),根据每块的贡献度,得到权重的直方图序列(Weight LPQHS),然后采用NMF方法提取其非负子空间及其系数矩阵,最后根据最近邻原则进行识别.在AR和YALE标准人脸数据库上的实验结果表明,该方法具有较高的识别率.     

M-矩阵最小特征值的新下界

目的研究M-矩阵最小特征值的估计问题。方法利用Brauer定理和Gerschgorin定理,并结合不等式放缩技巧,估计M-矩阵的逆矩阵和非负矩阵的Hadamard积的谱半径上界。结果给出M-矩阵最小特征值的新下界。结论数值算例表明新估计式在一定条件下优于现有的估计式。     

矩阵Hadamard积特征值的估计

利用矩阵有向图上的k-path覆盖,给出了非负矩阵Hadamard积的最大特征值上、下界的估计式,改进了相关结果,使估计更具优越性.     

关于矩阵的Hadamard积和Fan积的两个估计式

利用变形的Brauer卵形定理,给出了非负矩阵的Hadamard积的上界估计式和M-矩阵的Fan积的下界估计式,这两个估计式改进了王峰给出的结果.