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。     

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.     

半正定分块矩阵的块Pseudo—Schur补的偏序

主要研究了关于半正定分块矩阵的块P—Schur补与Khatri—Rao积的几个重要不等式,推广了已有的一些结果．     

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.     

三元域上2×2和3×3阶对称矩阵空间保行列式的映射

讨论了是非线性保持问题.设F是|F|=3的域.S_n(F)是F上n×n 对称矩阵空间.设 [[phi]]是从Sn(F)到自身的映射(可能是非线性的)，如果对于所有的 A ，B ∈S_n(F) 和λ∈F都有det( A + λB )=det([[phi]] ( A )+ λ[[phi]]( B )) ，则称 [[phi]] 是S_n(F)上的保行列式的映射. 刻画了n=2,3 时S_n(F)上的保行列式的映射形式.这解决了保行列式问题中的一个未解决的问题.从而推广了其相应结论.     

一种用于人脸识别的正交邻域保护嵌入算法

在邻域保护嵌入算法的基础上,提出了一种新的降维方法——正交邻域保护嵌入算法．首先,从最优投影的概念出发,定义了一种反映投影向量的邻域结构保护能力的函数;然后以邻域保护函数为目标函数,在原始的优化问题中增加正交约束条件,推导得到一组具有正交性的最优投影向量的迭代公式．与邻域保护嵌入算法相比,得到的正交向量具有更好的邻域保护性能,从而带来更强的判别能力,降低了误差率．在标准人脸库上的实验结果表明,与其他降维方法相比,新算法的最低误差率可减小15％~20％,且在选取的特征维数较低时就可获得最优值．     

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。     

Face recognition using illuminant locality preserving projections

A novel supervised manifold learning method was proposed to realize high-accuracy face recognition under varying illuminant conditions.The proposed method,named illuminant locality preserving projections(ILPP),exploited illuminant directions to alleviate the effect of illumination variations on face recognition.The face images were first projected into low-dimensional subspace.Then the ILPP translated the face images along specific direction to reduce lighting variations in the face.The ILPP reduced the distance between face images of the same class,while increase the distance between face images of different classes.This proposed method was derived from the locality preserving projections(LPP)methods,and was designed to handle face images with various illuminations.It preserved the face image’s local structure in low-dimensional subspace.The ILPP method was compared with LPP and discriminant locality preserving projections(DLPP),based on the YaleB face database.Experimental results showed the effectiveness of the proposed algorithm on the face recognition with various illuminations.     

隐私保护分类数据挖掘研究

随着数据挖掘应用领域的扩大,隐私保护的数据挖掘技术研究变得越来越重要．作为隐私保护数据挖掘的主要类型——隐私保护的分类数据挖掘已经成为近年来数据挖掘领域的热点之一．如何对原始数据进行变换,然后在变换后的数据集上构造判定树是隐私保护分类数据挖掘研究的重点．基于随机扰动矩阵提出一种隐私保护分类挖掘算法．该方法适用于字符型、布尔类型、分类类型和数字类型的离散数据,并且在隐私信息的保护度和挖掘结果的准确度上都有很大的提高．     

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