《线性代数》线性相关性等问题的教学探讨

针对向量组的线性相关性判别、极大线性无关组的选取以及向量组中向量如何用其极大线性无关组线性表示等内容的教与学,进行了初步探讨。     

向量组的极大无关组与线性系数的同步求解

利用矩阵理论给出了向量组的极大线性无关组与线性表示系数同步求解的一种新方法,并举例说明了这种方法的优越性.     

关于向量组的极大线性无关组的一个注记

分析求向量组的极大线性无关组中常见的错误解法 ,揭示了矩阵三种初等变换之间的关系 ,并介绍了一种求向量组的极大线性无关组的正确解法。     

论极大线性无关组

一个向量组的极大线性无关组是其最本质的部分,对许多问题的研究起着非常重要的作用.如确定矩阵的秩,讨论线性方程组的基础解系等.本文就以此为线索,来讨论极大线性无关组的有关性质.     

用初等变换法求一极大线性无关组的方法问题

若α１，α２，…αｍ是一组ｎ维行向量，求一极大线性无关组时，在现行教材中仍有使用下列方法的，设Ａ＝｛ａ１ ａ２…ａｍ｝，然后对Ａ作初等行变换，化成阶梯形矩阵，由其非零行数确定其秩，再直接取与非零行相应的向量作为原向量组的一极大线性无关组。     

模型论方法在高等代数中的一个应用

模型论中的紧致性定理在代数中有很广泛的应用.文章用紧致性定理证明向量组的线性无关部分组可扩充为极大线性无关组。     

初等变换的一个应用

给出了线性代数中用初等变换判断向量组的线性相关性,求向量组的极大线性无关组和秩以及求向量组在其生成的子空间的一组基下的坐标。     

基于问题解决的高等代数课堂教学研究——以极大线性无关组为例

将介绍极大线性无关组的2种方式,即从线性无关的向量组引入和从平面向量空间的基底引入,通过设置一连串的数学问题充分融合在一起,可以提高高等代数的教学效率。     

有限维线性空间中基的具体求法

m个n维（m〈n）线性无关向量组,如何扩充为TI维线性空间V的一组基,高等代数与线性代数教材中并没有给出具体有效的方法。为此,先把待扩充的向量组用线性空间V的坐标基线性表示,然后在其表示式的系数矩阵中寻找一个m阶非零子式,则可以立即得到由“一优个坐标向量和原向量组组成的”维线性空间V的一组基。     

关于线性方程组解的几点注记

本文利用极大无关组给出非齐次线性方程组解集的描述，并证明了在一定条件下的有限个线性无关的向量组均可作为某非齐次线性方程组解集的极大无关组。     

线性变换的投影表示

本文利用最小多项式分解式的性质讨论了复数域上n维空间线性变换的投影表示,主要结果是给出关于线性变换投影表示的一个命题(即定理2),并由此给出求线性变换投影表示的一个方法。     

矩阵表示的子空间学习算法综述

线性子空间学习是较为流形的一种特征提取方法,而向量表示的子空间学习方法则是目前众多线性子空间学习方法之一.近年来人们针对这一方法的缺点和不足,提出了若干矩阵表示的子空间学习方法,这些方法都是向量表示的子空间学习方法的拓展.首先介绍了几种经典的向量表示子空间学习方法,进而对几种有代表性的矩阵表示子空间学习方法进行了综述并比较详尽地给出了这些算法的推导过程,同时对算法的有效性等问题进行了分析比较,提出了一些新的理论观点和见解.     

Multiple feature fusion in convolutional neural networks for action recognition

Action recognition is important for understanding the human behaviors in the video, and the video representation is the basis for action recognition. This paper provides a new video representation based on convolution neural networks (CNN). For capturing human motion information in one CNN, we take both the optical flow maps and gray images as input, and combine multiple convolutional features by max pooling across frames. In another CNN, we input single color frame to capture context information. Finally, we take the top full connected layer vectors as video representation and train the classifiers by linear support vector machine. The experimental results show that the representation which integrates the optical flow maps and gray images obtains more discriminative properties than those which depend on only one element. On the most challenging data sets HMDB51 and UCF101, this video representation obtains competitive performance.     

CDMA解相关多用户检测的快速软件处理

就CDMA系统模型提出了一种基于矩阵（矢量）表达及线性方程组求解的解相关多用户检测的快速软件处理方法,仿真结果表明本方法使运算复杂度大大降低,同时又使误码率较传统匹配滤波接收机和解相关相关接收机下降。     

初等行变换在向量空间中的应用

给出了利用矩阵的初等行变换 ,判断向量组的相关性 ,向量组的等价及求向量子空间的和与交的基和维数的方法。     

基于两级非负线性编码表示的人脸识别

针对大规模人脸识别问题,提出了一种基于两级非负线性编码表示的人脸识别方法.首先利用第一级的线性编码表示,通过在初始的大规模人脸库中寻找对应测试图像的M最近邻,以消除干扰训练样本并降低训练样本集的规模;然后以此M最近邻为训练样本集,通过第二级的线性编码表示实现对测试样本的分类判别.在线性编码表示中,通过进一步引入非负系数约束,更好地改善了分类识别性能.基于AR、ORL和Yale B人脸库的实验结果初步验证了文中所提方法的有效性.     

线状要素多尺度表达的不确定性评价研究

首先确立线状要素多尺度表达的实现方式;然后紧紧围绕线状要素多尺度表达的实现流程,分析线状要素多尺度表达不确定性的来源,并利用误差传播规律建立线状要素多尺度表达误差传播规律;最后通过实验得出线状要素在尺度扩展中不确定性的变化规律.为线状要素多尺度表示的质量评价提供了理论基础.     

平面图的4—着色的简单布尔方程表示

如果一个无环平面图G至多有一个非三角形的面,则称G为准极大平面图（near-trian-gulation)本给出了极大平面图和准极大平面图4－着色的一类布尔方程表示式,该布尔方程所含变元较少,结构简单,具有良好的递归性质,为利用计算机寻找给定平面图的4－着色提供了很好的算法。     

非线性多视角子空间聚类方法

不同视角特征构成的数据比单视角特征具有更多的信息,充分利用多视角特征可以提高聚类效果.由于不同视角空间中的特征不具有可比性,基于线性表示理论的子空间学习方法通过学习表示矩阵挖掘互补信息.但现实数据多是非线性的,线性表示理论不利于发现数据的非线性关系.针对该问题,采用非线性投影及流形正则项来刻画多视角下的非线性数据,实验结果表明,所提方法能够对多视角数据进行有效聚类.