M-矩阵Fan积最小特征值估计

M-矩阵Fan积的最小特征值的估计是矩阵理论研究中的重要问题．以Brauer定理为依据,给出两个M-矩阵A和B的Fan积最小特征值下界估计式．数值例子说明新的界值估计式改进了已有的结果．     

矩阵Hadamard积和Fan积特征值界的不等式

给出两个非负矩阵Hadamard积谱半径上界的一个新估计式和两个非奇异M矩阵的Fan积的最小特征值下界的新估计,估计式依赖矩阵的元素,易于计算。并通过具体例子加以比较,表明所得的结果在一定条件下更为精确。     

关于M-矩阵Fan积最小特征值的不等式

根据M-矩阵Fan积的性质,对两个M-矩阵Fan积最小特征值的下界做了进一步的研究.利用特征值包含域定理,给出两个M-矩阵Fan积最小特征值下界的新估计式.新估计式只依赖于两个M-矩阵的元素,计算简单易行.最后给出数值例子验证新估计式,提高了现有估计式的精度.     

有限套代数上保3-单位积的线性映射

设A,B分别是B(H)和B(K)的子代数,且I∈A,ψ叩是A到B的线性映射,称ψ从A到B是保3-单位积的,如果对任意的X,Y,Z∈A且XYZ=I,有ψ(X)ψ(Y)ψ(Z)=I.该文主要证明以下结果,设H是Hilbert空间,N是H上的有限套,ψ是有限套代数algN到自身保3-单位积的有界线性双射,且ψ(I)=I,则ψ是空间自同构.     

矩阵和的Schur补的性质

为减少大规模的矩阵计算,简化矩阵方程的数值计算,研究了分块矩阵和的Schur补的性质.通过研究矩阵的分块置换对Schur补的影响,获得分块矩阵和的Schur补的2个性质,并在理论上予以证明,为处理大规模的矩阵计算提供了理论支撑.     

一类(0,1)-矩阵的积和式

根据n阶(0,1)-矩阵中0的位置,研究了含有n+1个0的n阶(0,1)-矩阵的积和式的极值问题,给出了这类和式的最大值、次大值和第三大值,并给出了取得极值的组合等价矩阵.     

B(H)上的非线性强保交换映射

运用算子论方法,研究B(H)上强保交换的非线性满射φ。证明了如果φ是B(H)上的非线性满射强保交换映射,则当且仅当存在常数α∈{1,-1}和函数f:B(H)CI,使得对任意A∈B(H),有φ(A)=αA+f(A)。得到B(H)上的非线性满射强保交换映射是算子与数之和或算子的相反数与数之和。     

B(H)上的保拟相似线性映射

研究了B(H)上的拟相似不变子空间和保拟相似线性映射,其中H是复可分的无限维Hilbert空间,B(H)是由H上的有界线性算子全体所组成的Banach代数.由于拟相似不变子空间一定是相似不变子空间,因此由已知定理可得出B(H)上的拟相似不变子空间共有三种形式,即{0},CI和B(H).应用线性算子逼近的方法,证明了B(H)上的每一个有界满的保拟相性映射一定是零乘以一个自同构或反自同构.     

Ky Fan不等式的一个积分形式

根据著名数学家Ky Fan的数字不等式,导出了一个重要的积分不等式.这样,就把Ky Fan的离散数字不等式推广成连续函数的积分不等式.     

Rn 上的线性局部保控映射

设φ：Rn →Rn 是一个线性映射,对任意x∈Rn ,都存在与x有关的线性保控映射ψx ,使得φ（x）＝ψx（x）,则称φ是欧氏空间上的一个线性局部保控映射。线性保控映射是线性局部保控映射,其逆命题不成立。文中定义了两个与φ相关的Rn的子集Iφ和IIφ,如果任意Rn上的点都属于Iφ（或IIφ）,那么这个线性局部保控映射φ是线性保控映射。     

体上保幂等的矩阵加群自同态

体上矩阵在量子物理学,计算机图形学等许多领域得到应用。由于体中元素的乘法不满足交换律,对体上矩阵的研究备受关注。研究体上矩阵加群的保幂等同态,推广现有的关于体上矩阵空间的保幂等线性算子理论。     

域上保持对称矩阵群逆的线性算子

设F是一个特征为2的域,|F|＞4,令Mn(F),Sn(F),分别为全矩阵空间和对称矩阵空间.讨论了在特征为2的情况下从Sn(F)到Mn(F)上保持对称矩阵群逆的线性算子的表示形式问题.给出了在特征为2的情况下从Sn(F)到Sn(F)保持对称矩阵群逆的线性算子的表示形式.研究的保持问题不仅在数学理论上有着广泛研究,而且在系统控制、量子力学、微分几何、数理统计等领域有着广泛的实际应用背景.     

从边界运算分析拓扑空间

点集X,对它子集从基本边界运算α引入准空间(X,α),以及能相互转化的运算(1±α)代表内部与闭包。在准空间中就能直接讨论连通性与同胚性问题。过去关于边界运算所提公理过于烦琐,不为人们所注意。这里改作等价的简单形式,以弥补对边界运算的忽视,并讨论空间相互等价的五种定义以及它们之间的重合性。     

关于曲线的L（2，1）-标注

假设曲线G=(V，E)，G的L(2，1)-标注是方程式f：V(G)-[0，∞]，那么如果(x，y)EE，则f(x)-f(y)1≥2，如果dc(x，y)=2，则|f(x)-f(y)|≥1，此处的dc(x，y)是G曲线中x和y之间最短的距离。L(2，1)-标注数字λ(G)是最小数字m，那么G则有最大{f(v)|v∈V}=m的L(2，1)-标注f。格里戈斯和叶[6]及山凯[2]曾通过各种曲线对这个问题进行过研究。本文中我们提高了弦曲线λ(G)的已知上界并提供了曲线λ(G)的第一个上界。     

实数域上对称矩阵空间的保秩函数

令Sn（R）表示R上所有n×n对称矩阵所组成的空间。设f是R→R的一个函数,若f满足rankA=ranf（A）,∨A∈S×n（R）,称f为Sn（R）上的保秩函数,刻画了n≤3时Sn（R）上保秩函数的形式。     

域上矩阵保逆的线性算子

研究了矩阵空间保不变量问题中的不变量是矩阵的逆的线性算子保持问题.去掉了域的特征限制,刻画了至少包含4个元素的任意域F上的全矩阵空间Mn(F)的保逆的可逆线性算子形式.利用保幂等的结论证明了f为Mn(F)上保持逆矩阵的可逆线性算子当且仅当存在P∈GLn(F),使得f(A)=εPAP-1,A∈Mn(F),ε=±1∈F;或者存在P∈GLn(F),使得f(A)=εPATP-1,A∈Mn(F),ε=±1∈F.     

图像边缘保持矢量量化及神经网络的实现

矢量量化作为一种有效的图像数据压缩技术,越来越受到人们的重视,但研究表明：上前矢量量化技术存在的主要问题之一是图像边缘失真严重。本文了一种神经网络的图像边缘保持持矢量量化方法,它以Ｋｏｈｏｎｅｎ的自组织特征映射算法（ＳＯＦＭ）为基础,根据人的视觉系统对图像边缘的敏感性,在图像编码前,先对整幅图像的边缘提取,再将每一图像子块的边缘特性用一”活跃因子“表示。在矢量量化过程中,根据不同训练矢量的活跃因子     

交错矩阵空间之间保持伴随矩阵的线性映射

设n,m为两个大于或等于4的偶数,F是任意域且F≠{0,1}.用Kn(F)和Km(F)分别表示域F上所有n×n和m×m交错矩阵所组成的空间.刻画了从Kn(F)到Km(F)的保持伴随矩阵的线性映射,证明了刻画不同维的交错矩阵空间之间保持伴随矩阵的线性映射的形式最终可归结为刻画同维的交错矩阵空间之间保持秩2和秩4矩阵的线性映射的形式,丰富了矩阵空间上保持问题的成果.     

不相关局部保持鉴别分析算法

针对人脸识别中的特征提取问题,提出了一种新的不相关局部保持鉴别分析算法.根据局部保持投影方法的特点和类内样本之间的空间结构信息,重新定义类内散布矩阵与类间散布矩阵,结合不相关条件,推导出一个新的目标函数.在此基础上,通过理论分析给出了求解不相关局部保持鉴别矢量集的计算公式.人脸库上的实验结果表明,新算法优于传统的局部保持投影方法和其他改进的局部保持投影方法.