线性流形上AXB=C的反中心对称解

讨论了线性流形上矩阵方程AXB=C的反中心对称解及最小二乘解.利用矩阵对的商奇异值分解得到了方程有解的充分必要条件及解的一般表达式.利用矩阵对的标准相关分解技术获得了方程的最小二乘解.     

具有平行平均曲率向量的伪脐子流形的刚性定理

设M2n p q是其截面曲率KM2ABAB满足O<δ相似文献   

基于流形正则化判别的因子分解

通过对非负矩阵分解(non-negative matrix factorization,NMF)和因子分解(concept factorization,CF)的分析,针对它们无法核化或忽略数据几何结构和判别信息的问题,提出了基于流形正则化判别的因子分解算法(manifold regularized-based discriminant concept factorization,MRCF).该算法用CF算法对数据进行低维非负分解时,根据流形学习的图框架理论,构建邻接矩阵保持数据局部几何结构;利用样本的标签信息,进行监督学习,给出算法多步更新规则,理论上证明了MRCF算法的收敛性.在人脸数据库ORL、图像库COIL20和手写体数据库USPS上的仿真结果表明,相对于NMF、CF及其一些改进算法,MRCF均具有更高的聚类精度.     

一类三阶非线性方程组边值问题的奇摄动

作者研究了一类三阶奇摄动非线性方程组边值问题的存在唯一性及渐近解的构造和一致有效性,通过找出两端边界层的不变流形,并且给出了边值条件解耦的条件,成功构造了边界层函数,作为应用,最后讨论了相应的方程式问题。     

在带有奇异性的黎曼流形中具有零曲率,负曲率和指定曲率的全共形尺度

本文考察在什么时候一个非紧黎曼流形Ｍ上存在着一个全共形尺度，该尺度随具有零、负和指定曲率的已知的闭子流形而增大，其中，Ｍ是由从一个紧黎曼流形Ｍ＾Ｎ（Ｎ≥３）中除去ｍ（ｍ≥２）个闭子流形Г＾ｎｉｉ（１≤ｉ≤ｍ）而得到，特别，本文证明了上述考察是肯定的：（１）对负曲率情形，其充分条件是ｎｉ＞（Ｎ－２）／２（１≤ｉ≤ｍ）；（２）对零曲率的情形，其条件是ｎｉ≤（Ｎ－２）／２，以及索勃列夫商为正；（３）对在     

电力传动动力系统的几何描述

本文给出了Ｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａｌ－Ｌａｇｒａｎｇｅ（简称ＥＭ－Ｌａｇｒａｎｇｅ）系统的几何描述．首先讨论了定义在辛流形上的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ系统和具有外力的Ｌａｇａｎｇｅ系统．然后用几何方法对ＥＭ－Ｌａｇｒａｎｇｅ系统进行定义．通常，电力传动动力系统在一定条件下可由ＥＭ－Ｌａｇｒａｎｇｅ系统来描述．其结果表明，结合几何理论方法，该数学模型可以广泛地被用来对电力传动动力系统进行更为深入的研究．     

用中心流形与形式级数法研究超音速流中带外挂二元翼的稳定性

基于超音速气动力活塞理论,采用第二类拉格朗日方程建立了带外挂二元翼系统在超音速和超高音速气流作用下的动力学方程。针对外挂上带有立方非线性刚度的系统,研究了刚心位置和等效线性刚度对颤振边界的影响。采用中心流形和形式级数方法研究了颤振系统平衡点的稳定性,并采用四阶龙格-库塔方法计算了非线性气动弹性系统的响应,验证了理论分析结果的正确性。     

关于Kaehler流形上Schwarz导数的一个性质

利用Schwarz导数定义及导算子的线性特征，获得了Schwarz导数的一个复合性质，并以注解的方式给出了两种推论．     

利用本征正交分解的非线性Galerkin降维方法

提出了一种利用本征正交分解(POD)的非线性Galerkin方法,用于复杂流体动力系统的低维建模.该方法将满足流场边界条件的正交基(POD模态)张成的完备空间分解为有限维(低阶模态)子空间和无限维(高阶模态)子空间,并采用近似惯性流形逼近高阶模态和低阶模态的作用关系,用低阶分量来表示高阶分量,将无穷维流体动力系统降维成有限维动力系统.以雷诺数为200、攻角为20°时的NACA0012翼型绕流流动问题为例进行了低维建模分析,结果表明:由于考虑了高阶模态的影响,且不改变原系统的拓扑结构,因此该降维方法能够用较少的模态数来获得准确的动力学描述,弥补了传统POD降维方法由于忽略高阶模态影响而出现的不足,由此验证了该方法的有效性.     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.