n个n维向量的等价性质及应用

基于"线性代数"课程的特点和在线优质资源辅助教学的推广,利用矩阵方法讨论了向量组的线性关系与行列式的值、矩阵的秩、初等变换、线性方程组的解和矩阵的特征值等问题之间的内在联系,建立了关于n个n维向量的一系列等价性质;最后,举例说明了系统掌握这些等价结论在解决一些综合性的考研试题方面的应用。     

支持向量回归在圆形检测中的应用

对圆形的识别是机器视觉中最基本和最重要的任务之一,为了准确确定复杂背景图像中圆的位置,提出了一种将支持向量回归模型与三点拟合圆联合起来的新算法,通过支持向量回归模型训练不同类型的圆形样本,得到超平面方程f(x),以f(x)为中心线,构建一个宽度为2ε的近似圆环型间隔带,在此间隔带上的点都被认为属于圆形边界上的点,然后运用三点拟合圆几何算法计算出圆心和半径,从而达到识别圆形的目的。实验结果表明,联合算法通过对训练样本的学习,能够在噪声比较大的背景图像中得到圆形的边界信息,从而确定圆的位置,较仅使用某一种圆形识别算法有一定的优势。在以圆形作为定位的机器视觉领域,具有重要的理论研究价值与实践意义。     

内蒙古草原核心保护功能区的划定与分析——基于支持向量机方法

草原生态保护建设关系全面建设小康社会奋斗目标的实现,而草原保护红线又是草原生态保护建设最基本的有效途径。从介绍内蒙古草原三大生态功能和“一线三区”入手,选取内蒙古三个典型草原区域的数据作为训练样本,经过一系列的数据预处理和以支持向量机为主要方法预测出三个草原核心保护功能区的分布结果。结果证明从国家文件理论指导到运用支持向量机方法实际操作后可以取得理想的效果,但是还有待基于这三个典型草原研究结果推广至全内蒙古。     

关于局部对称空间的几个Pinching定理

研究了局部对称空间中具有平行平均曲率向量的紧致伪脐子流形,利用活动标架法和Hopf极大值原理讨论了子流形的Pinching问题,即估算子流形第二基本形式模长的平方的Laplacian,再对截面曲率和Ricci曲率加以某种限制,得到这类子流形成为全脐子流形的几个拼挤定理.     

一种运动想象脑电信号半监督算法

针对脑机接口中两类左右手运动想象任务,提出一种依据迭代训练次数不断更新训练集样本的半监督算法.使用多重自相关分析算法,选择置信度较高的脑电信号样本并加入初始训练集;分别使用公共平均参考法与共空域模式算法,对样本进行预处理及特征提取;最后使用支持向量机对样本进行测试,根据迭代学习次数按照递进方式移除置信度较低的样本,并利用剩余样本继续训练模型,从而优化特征提取器及分类器参数.通过对标准脑电竞赛数据库BCI IV Dataset Ⅱa中左右手运动想象数据的测试表明,该算法与其他算法相比,在训练样本数目较少的情况下,具有较高的分类正确率.      

降低OFDM系统复杂度的改进SLM算法

为了降低正交频分复用(OFDM)系统中传统选择性映射(SLM)算法的计算复杂度,提高系统的频谱利用效率,提出了基于转换向量(conversion vectors)与随机筛选序列(random selection sequences)相结合的选择性映射(CR-SLM)算法.CR-SLM算法是将原始信号序列等分,然后对于数据序列的前半部分与转换向量相乘进行循环卷积,对于数据序列后半部分进行随机序列筛选,筛选出最优序列.最后将两部分输出序列合并生成候选序列,筛选出最优序列进行传输.仿真结果表明:CR-SLM算法在保持与传统SLM 算法PAPR性能相近的情况下,较大幅度降低了计算复杂度.     

向量多项式优化问题的数值方法

向量多项式优化问题中的目标函数和约束条件都是由多项式描述的.先将多目标多项式函数分别通过主要目标法、线性加权和法和理想点法等转化为单目标多项式函数,再利用Lasserre松弛方法求解该多项式优化问题,从而得到原向量多项式优化问题的弱有效解或有效解.数值实验结果表明该数值方法是有效的.     

Flink平台下的分布式平衡级联支持向量机

支持向量机（Support Vector Machines,SVM）在分类和回归领域都是非常强大的工具，但在大数据环境下，其面临资源占用过高和寻优速度慢等问题.目前利用大数据框架实现的SVM，虽然优化了寻优速度慢的问题，但其预测精度与直接训练方式相比存在一定的差距，此外其并没有对训练节点的资源进行合理配置.故提出一种Flink平台下的分布式平衡级联向量机，该方式在之前的基础上将数据集分成含有相同比例样本的平衡子集，并对子集的训练参数进行放缩；同时，结合Flink下迭代作业的动态资源分配策略，将各节点资源最小化为刚好满足训练需求.对该方法的有效性进行阐述，对比多个数据集在不同训练方式下的资源占用和模型精度，实验结果表明，采用所提出的训练方式能合理灵活地对资源进行配置，同时将模型预测精度误差降低到0.1%以内.     

对矩阵秩的一个不等式的3种证明

分别从矩阵方程、向量组的线性表示、矩阵的行(列)空间3种角度给出R(AB)≤min{R(A),R(B)}的证明,并给出等号成立的充分条件.     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.