线性广义系统P型迭代学习控制在Lp范数意义下的收敛性

在对一类线性广义系统进行非奇异变换后,利用卷积的推广Young不等式,在Lebesgue-p(L~p)范数意义下,研究了一、二阶P型迭代学习控制算法的收敛条件,并对两种算法的收敛速度进行了比较。理论分析表明,控制算法的收敛条件、收敛速度与学习增益矩阵、系统本身属性有关;如果选取合适的学习增益矩阵,则二阶P型控制算法的收敛速度快于一阶的。仿真实验验证了控制算法的可行性和理论的正确性。     

赋p-Amemiya范数Orlicz空间的对偶空间结构

Orlicz空间的对偶空间结构对于进一步研究Orlicz空间的几何性质起着重要的作用.根据赋Orlicz范数的Orlicz空间的对偶空间结构,研究了赋p-Amemiya范数Orlicz空间的对偶空间结构,得到了2个空间的对偶空间结构具有相似性的结论,并且发现它们具有相等的奇异泛函范数.     

基于Chebyshev节点组的多元张量积多项式插值在布朗片测度下的平均误差

利用一元函数的Lagrange多项式插值构造了一种线性张量积多项式插值逼近多元函数。对于加权L2范数, 在布朗片测度下讨论了其平均误差,得到了相应量的强渐近阶。同过去利用线性泛函信息构造算法相比, 本文的算法利用的是标准信息, 且算法是构造性的, 可以直接解决实际问题。而且在平均误差方面, 结果显示该算法在一维情形下是阶最优的, 且在高维情形下与利用线性泛函信息得到的最优算子具有类似的逼近阶。     

矩阵方程∑li=1AiXiBi=C的最小二乘广义双对称解

该文通过使用投影技术构造了一种算法求最小二乘问题min‖∑l i=1AiXiBi-C‖的广义双对称解.通过该方法,经过有限步迭代,得到广义双对称解和最小范数解.证明了其的收敛性.数值例子表明了该方法的有效性.     

一类矩阵方程系统最小Frobenius范数问题的对称解

针对一类矩阵方程系统(A XB,C XD)=(E,F)的最小Frobenius范数问题的对称解提出了一种迭代求解方法,并分析了其相应性质.对于任意的初始对称矩阵,运用此方法经过有限步迭代能得到矩阵方程系统在最小Frobenius范数意义下的一个对称解.如果选取特殊形式的初始对称矩阵还能得到原问题唯一的最小范数对称解.数值仿真说明了此方法的有效性.     

基于加权特征子空间的支持向量机核函数研究

针对数据分类交叉空间易错分问题,提出一种基于加权特征子空间的支持向量机核函数方法。该方法利用加权特征子空间与稀疏表达等相关理论进行支持向量机核函数优化,首先利特征子空间重叠率与数据的信息熵对数据特征进行加权,再通过对L_1范数正则项的加权处理调节异类数据间的稀疏性和同类数据间的稠密性;最后对处理好的数据进行分类测试。仿真实验表明该算法能够在一定程度上提升分类效果,以达到优化核函数的目的。     

拟Musielak-Orlicz空间的完备性

设(X,‖·‖)为赋拟范空间,M(ω,t)含参数的凸Φ函数,通过Orlicz空间的构造方式得到拟Musielak Orlicz空间.     

关于矩阵特征值的扰动

A和B=A X是两个n阶矩阵,可以利用Schur矩阵分解将A与B分解为上三角矩阵和酉矩阵的乘积,并根据Wielandt-Hoffman定理和G.M.Krause公式,结合矩阵范数不等式性质,在传统矩阵特征值扰动界分析的基础上,给出新的、可计算的矩阵扰动上界:矩阵A,B特征值的改变量和A与B的谱的Euclid距离之间的关系,从而将文献中矩阵A,B为特殊矩阵的要求释放为针对任意矩阵.     

双复合修正的Ishikawa迭代逼近非扩张映像不动点

在具有一致Gateaux可微范数实Banach空间中,证明了一种关于非扩张映像不动点的双复合修正的Ishikawa迭代序列的强收敛性定理.所得结果改进和推广了现有的相关结果.     

基于小波变换的多元时间序列相似性研究

多元时间序列由于多元性和变量间的相关性而趋于复杂.简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的Froenius加权平方范数为度量工具,提出了基于haar小波变换的多元时间序列间相似性匹配方法.实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度.