三角网格上的矩阵值混合有理插值算法

文章利用Samelson型矩阵广义逆,将Stieltjes型分叉连分式与Thiele型矩阵多项式结合起来,通过定义矩阵的差商和混合逆差商,建立递推算法,构造了三角网格上的Stieltjes-Thiele型矩阵值混合有理插值公式,该算法满足有理插值问题所给的插值条件;并给出了特征定理及其证明,最后用数值算例验证了插值定理的有效性。     

二元牛顿关联连分式插值的矩阵算法

文章利用牛顿多项式插值和关联连分式插值构造一种新的二元牛顿关联连分式插值,给出了一种新的等价算法——矩阵算法,数值例子表明了该算法的有效性。     

二元矩阵值分叉连分式插值的矩阵算法

本文给出了一个计算二元矩阵分叉连分式插值的系数算法以及与此算法等价的矩阵算法,这种算法是用矩阵广义逆意义下定义的矩阵行、列初等变换而给出的．     

偏微分方程的样条小波及替代算法

研究了三次样条插值的小波插值函数,证明了在给定的插值节点上的小波插值函数是三次样条函数空间中的最佳逼近函数,给出插值函数的误差估计式,提出了用两个一阶导算子矩阵替代二阶导算子矩阵的替代算法,并对Burgers方程进行了验算。     

Vandermonde矩阵的逆矩阵的一种显式算法

利用线性方程组理论给出了Lagrange插值公式的一个构造性证明,得到了Vandermonde矩阵的逆矩阵的一种显式算法.     

基于矩阵线性插值的说话人自适应算法

语音识别技术中说话人快速自适应技术受到普遍关注。最大似然模型插值 (maxim um likelihood model inter-polation,ML MI)算法是一种有效的快速自适应算法 ,它的主要缺点是需要存储大量的特定人模型。为克服这一缺点 ,该文提出一种改进方法——矩阵线性插值自适应算法。该算法用表示说话人特性的矩阵代替 ML MI中的特定人模型进行线性插值。而插值系数由测试者提供的语音数据按照最大似然准则确定。插值后的线性矩阵与非特定人模型相作用得到最终的说话人自适应模型。该算法大大减少了计算存储量 ,且自适应性能基本与 ML MI相当     

构造矩阵有理插值函数的方法

熟知的构造矩阵值有理插值函数的方法,是基于矩阵的古典逆或Samelson逆,利用连分式给出的,其算法可行性不易预知。借助构造向量值有理插值的方法,引入多个参数,定义一对多项式:代数多项式和矩阵值多项式,并利用两多项式相等的充分必要条件,通过求解方程组确定参数,并由此给出类似于多项式插值的矩阵值有理插值公式;该公式简单,便于实际应用。     

RIP软件中插值算法的选择和优化

目的 为RIP软件选择恰当的插值算法并对其速度进行优化.方法 通过比较不同插值算法的时域和频域特性选择3次卷积插值算法作为RIP软件的插值算法.将插值运算的反向坐标变换中的浮点数乘法转换为整数加法;计算插值核时利用插值核矩阵的行相关性减少计算次数.结果 优化后的插值算法在保证良好输出效果的同时其速度得到提高.可满足大幅面喷墨绘图机RIP软件的要求.结论 三次卷积算法速度有较好的优化结果,但由于"平滑效应",尚有待进一步改善.     

预给极点的二元矩阵有理插值

利用矩阵 Samelson逆和分叉连分式 ,给出了矩形网格上含预给极点的二元矩阵有理对角型插值算法 ,以及特征定理和唯一性定理 ,并给出了相应的证明     

改进加权矩阵的双图像可逆数据隐藏算法

针对插值灰度图像嵌入容量有限和视觉质量较差的问题,提出了改进加权矩阵的双图像可逆数据隐藏算法,通过仅增加或减少载体图像的插值像素来嵌入多个机密数据位,进一步提高图像嵌入容量和视觉质量。该算法通过插值放大原始图像的大小生成载体图像,使用具有相同大小的共享预定义加权矩阵对原始像素块进行逐项相乘模和,将机密信息根据块的数量交替地嵌入2幅图像中,在每次迭代前,使用共享密钥修改加权矩阵以保护隐藏信息,加权矩阵有助于在较小失真的情况下嵌入更多的数据位,有效实现了安全性和嵌入容量。实验结果表明,该算法可以抵抗剪切、噪声、不透明修改等隐写攻击。相对于其他方法,该算法在嵌入容量和PSNR方面都有明显的提高。     

关系矩阵的周期性算法分析

提出了求关系矩阵周期的直接算法和改进算法,直接算法是根椐关系矩阵周期的定义得出的,改进算法首先根椐关系矩阵的幂与一般矩阵的幂相比较进行曲初步改进,其次在进一步分析逻辑加规则含义的基础上又再次进行了改进.最后本文给出了在不同算法下求不同维数的关系矩阵周期所需的时间,同时在MATLLAB,中对上述数据进行了数据仿真,结果说明当矩阵维数较大时改进算法比直接算法明显缩短了时间,提高了计算效率.     

对称加权算法对数据矩阵补全的优化研究

数据分析中存在数据集矩阵缺失,可用数据矩阵补全缺失数据元素,高效的补全数据矩阵算法可从算法精度等方面优化提升.为此提出对称加权(SW)算法,首先,根据通用的矩阵补全模型,用正则化方法进行低秩矩阵分解补全;其次,对分解后的矩阵因子用共同的对称矩阵加权,得到新的矩阵补全模型和正则化加权函数;最后,结合块坐标下降和交替最小二乘法优化算法,迭代得到目标函数最优解,获得数据补全的最优补全矩阵.仿真结果表明,与APALM,IRSVF和IRNN算法相比,对称加权算法在数据矩阵补全的精度和算法收敛速度方面均有较好提升.     

一种基于GSC框架波束域快速稳健自适应波束形成算法

GSC框架是自适应波束形成降秩算法的统一模型,一般通过构造降秩矩阵来降低算法的运算量,但是降秩矩阵大多通过特征分解来获得,给算法带来了大量额外的运算量。针对此问题,提出了一种波束域的快速稳健自适应波束形成算法,通过转换矩阵将输入信号从高维度的阵元域转换到低维度的波束域,然后在波束域运用子空间类算法,用信号子空间来构造阻塞矩阵、降秩矩阵和映射矩阵,既降低了计算量,又解决了基于GSC框架的自适应算法在信噪比较高时由于期望信号相消导致性能严重下降的问题。仿真结果证明了提出的算法有很好的波束形成性能,验证了算法的有效性。     

一种基于类测试的基类MaDUM算法的改进

Imran Bashir和AmritL．Goel曾提出过一种对单元类进行测试的方法，为此，他们提出了基类MaDUM算法．本文针对基类MaDUM算法，提出了改进的基类MaDUM算法．在改进的算法中避免了对集合U进行逐步的迭代，而是用一个递归的算法求出MaDUM矩阵，提高了算法的可理解性．同时对冗余元素作了单独的处理，给出了查找冗余元素的算法．在文章的结尾，我们通过实例用提出的算法得出了同样的结果．     

基于阵列结构的盲分离算法

为了进一步改善阵列信号处理中盲源分离算法的分离性能,提出了一种新的基于阵列结构的盲分离算法.该算法的基本思想是利用已有的盲源分离算法(EASI和FastICA算法)估计混合矩阵,根据估计出来的混合矩阵和均匀线阵的特点来重构混合矩阵,对分离矩阵进行较正,达到改善算法分离性能的目的.仿真结果表明,该文提出的EASI-1算法的平均干信比比EASI算法低7.5 dB,FastICA-1算法的平均干信比比FastICA算法低4.3 dB.     

基于决策分类的分块差别矩阵及其求核算法

属性约简是粗糙集理论进行数据挖掘的基本途径, 相关算法主要基于核。 核的差别矩阵表示及相关求核计算具有重要意义, 但已有的差别矩阵及其求核算法还具有时空局限性。对此, 依据差别矩阵的稀疏性与大规模性, 提出基于决策分类的分块差别矩阵及其求核算法, 直接地将决策分类信息融入形式结构与问题求解。 首先, 基于决策分类来定义分块差别矩阵, 设计其计算算法; 其次, 基于分块差别矩阵, 确定核的内涵与算法; 最后, 进行实例分析与实验验证, 说明所建方法的有效性。基于决策分类的分块差别矩阵有效地实施了信息提取与维度降低, 相关的求核算法较好地减少了差别矩阵求核算法的时空复杂性。     

首加尾循环线性系统求解的快速算法

利用多项式快速算法,给出了首加尾循环线性系统求解的快速算法。当首加尾循环矩阵非奇异时,该算法求首加尾循环线性系统的惟一解,当首加尾循环矩阵奇异时,该算法求首加尾循环线性系统的特解和通解。最后,利用首加尾循环矩阵与首加尾向后循环矩阵之间的关系,给出了首加尾向后循环线性系统求解的快速算法。     

一种稳健快速的波束形成算法

提出了一种计算自适应方向图权向量的迭代算法。为满足迭代矩阵的收敛条件，算法根据协方差矩阵的最大Gemchgorin半径选择对角加栽值对协方差矩阵进行对角加栽；通过对协方差矩阵进行简单的矩阵分裂；进而给出自适应权向量的迭代解形式。仿真表明，所提出的算法能在快拍数较少时形成稳健的特性良好的方向图。     

Sylvester矩阵方程的改进IO迭代算法

通过对Sylvester矩阵方程的理论分析,可知IO迭代算法中迭代矩阵的谱半径随内迭代次数的增大而减小,更新了IO迭代算法中内迭代次数的选择方法,并证明了该算法收敛性与初始矩阵无关。Sylvester矩阵在满足一些特定条件下,为了进一步提高收敛速度,可通过选择适当的相关参数,使得IO迭代算法有较好的收敛速度且比Smith算法的迭代次数明显减少。     

互累积量迫零法信号源盲分离

利用高阶累积量进行信号源盲分离的已有算法都需要进行复杂的矩阵代数运算,且这类算法不具备所希望的等变特性,对于病态混合矩阵的盲分离问题可能无法求解,通过利用迭代算法迫使经过非线性函数变换的混合信号互累积量矩阵对角化的方法,提出了一种新的基于高阶累积量的具有等变特性的信号源盲分离算法,该算法所采用的累积量矩阵对角化方法不依赖于混合矩阵,也不需要对累积量矩阵进行代数变换,并且所使用的迭代算法不需要对任何变量求导,因此非常简单,易于实现;同时算法还具有对未经去除均值的混合信号直接进行分离的能力。