关于矩阵函数的解法探讨

本文从可对角化矩阵与一般矩阵函数的性质与形式出发,总结了不同矩阵函数的定义,以及它们的计算方法和理论,并且结合实例加以说明比较,力图根据实际问题选取不同的解法,以达到事半功倍的效果。     

影响项目管理实施的企业内部环境分析及改善建议

本文首先定义了影响项目管理实施的企业环境体系;其次,提出＂两体分离＂才是项目管理模式与传统管理模式的最大区别;同时,从企业环境体系的角度分析了各个环境要素的特征及对项目管理模式的影响;最后,依据资源基础,项目管理体系和组织管理环境三者之间的关系,对如何提高项目管理水平进行了理论分析,以供企业参考。     

特征数为2的有限域上对称矩阵的结合方案

1.结合方案与编码、设计及有限群理论有着密切的联系.1965年,万哲先讨论了由有限域上n×n Hermite矩阵构作的结合方案,并且计算了n=2时这个方案的参数.后来,本文第一作者对于这个方案的参数给出了一种递推的计算公式,并且把这种方法推广到交错矩阵和m×n矩阵构作的结合方案.近来,霍元极和祝学理,万哲先和霍元极相继讨论了特征数不为2的有限域上对称矩阵的结合方案.本文是这方面工作的继续,讨论特征数为2的有限域上对称矩阵的结合方案.关于结合方案的定义及参数的基本关系式可参见文献[1].     

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

模态测试不确定性影响因素分析及传感器布置应用

模态测试结果的准确性会受测试数据采集、数据处理、建模假设和参数估计等不确定性因素的影响. 为研究模态测试中模态参数的不确定性水平及不同影响因素对其的影响规律,本文采用状态空间模型和费希尔信息矩阵的快速模态参数不确定性分析方法,探讨包括振动信号的采样时长、采样频率、采样信噪比和结构的阻尼比等多种因素对模态参数不确定性水平的影响,同时提出利用模态参数不确定性水平来优化传感器布置策略的实用性建议. 结果表明：模态参数的不确定性水平随采样时长、采样频率、信噪比和传感器数量的增加而降低,随结构阻尼比的增大而升高;对于均匀分布结构,多数传感器布置在结构顶部和中上部,少数布置在中下部时,模态参数的整体不确定性水平较低,是一种相对较优的传感器布置方案.     

Banach空间一阶非线性混合型积微分方程正解的存在性

通过构造一个闭凸集合并利用全连续算子的不动点理论,对Banach空间中混合型一阶非线性奇异脉冲积微分方程进行了研究, 获得了正解的存在性结果。     

层次分析中判断矩阵排序的新方法——广义最小平方法

提出了判断矩阵排序的一类新方法——广义最小平方法（ＧＬＳＭ）,并研究了其优良性质,同时给出了其收敛性迭代算法和仿真实例。理论分析和仿真结果表明：应用ＧＬＳＭ是可行且有效的。     

层次分析新标度法

针对（０,２）ＥＭ法及（１／９,９）ＥＭ法的不足,提出了效果较好的（－２,２）ＥＭ法。