非负矩阵Hadamard积的最大特征值的上界

利用了Gerschgorin定理的推广Cassini卵形域,研究了非负矩阵Hadamard积的最大特征值的上界估计问题。在理论上,证明了本文获得的结果比相应的结果更加精确。同时,也通过数值例子说明了这一点。     

矩阵Hadamard积特征值估计

利用矩阵的Hadamrd幂与柯西—施瓦兹不等式,首先给出了非奇异M-矩阵A与非奇异M-矩阵B的逆矩阵B-1的Hadamard积的最小特征值τ(AoB-1)的新下界估计式.然后给出了非负矩阵和M-矩阵的逆矩阵的Hadamard积的谱半径上界估计式,进而给出M-矩阵最小特征值的下界的新估计.数值例子说明新的界值估计式改进了已有的结果.     

非负矩阵的Hadamard积的谱半径上界

对于非负矩阵,它的谱半径一定是它的一个特征值.而求矩阵的特征值有时会非常困难,因此对非负矩阵的谱半径即最大特征值进行估计,是矩阵理论的核心问题之一.利用著名的Gerschgorin圆盘定理和Brauer卵形定理,证明了两个非负矩阵A与B的Hadamard积的谱半径上界的两个估计式.     

非负矩阵Hadamard积的谱半径估计

利用Cauchy-Schwitz不等式给出两个非负矩阵A与BHadamard积的谱半径一组上界,并且与前人给出的结果进行比较,通过例子验证所得的估计结果在一定条件下更为精确.     

非负矩阵的Hadamard积谱半径上界的估计

非负矩阵是一类特殊矩阵,广泛地应用于数值计算、图论、线性规划、计算机科学、自动控制等领域。两个非负矩阵的Hadamard积的谱半径问题是非负矩阵理论中一个重要问题。关于两个非负矩阵的Hadamard积A。B,我们给出A。B谱半径的新上界,这一上界改进了文献[1]、文献[2]和文献[3]中的结果。     

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。     

非负矩阵Hadamard积谱半径的界值

给出两个n阶非负矩阵A与B的Hadamard积的谱半径上界的一个新估计式,并且与以往的结果进行比较,说明所得的估计结果在一定条件下更为精确.     

矩阵的Hadamard积最小特征值的下界估计

对A和B是非奇异M矩阵,利用著名的Gerschgorin圆盘定理,给出了B和A-1的Hadamard积B。A-1的最小特征值τ(BA-1)新的下界估计式,此下界估计式改进了现有的几个结果,并且这个下界估计式只涉及矩阵A和B的元素,易于计算.例证表明,所得下界估计式要比现有的下界估计式更加精确.     

M-矩阵的Hadamard积的最小特征值下界估计

文章给出了非奇异M-矩阵A与非奇异M-矩阵日的逆矩阵的Hadamard积的最小特征值下界的估计式。示例表明,文中所得估计式在某些情况下可得到比现有估计式更为精确的结果。     

M矩阵与其逆的Hadamard积的特征值下界

为了给出M矩阵及与其逆的Hadamard积的最小特征值的准确下界,在M.Fiedler等人研究工作基础上,结合n阶行或列严格对角占优矩阵的一些性质,给出了M矩阵及与其逆的Hadamard积的最小特征值的一个新的下界。算例结果表明,该结果优于已有的结果。     

M-矩阵与其逆的Hadamard积的最小特征值下界的新估计

设A和B是非奇异M B-1矩阵,给出和A的-Hadamard积的最小特征值下界的一个新估计式;同时得A 1-A()-1到了和最小特征值下界AAqο的一个新估计式;算例表明,文中所得估计式在某些情况下比现有文献中的估计式估计结果更精确.     

非奇异M-矩阵特殊积最小特征值下界的新估计

根据非奇异M-矩阵的性质和矩阵的特征值包含域定理,结合两个M-矩阵Hadamard积的特征,分别给出q(B°A^-1)和q(A°A^-1)下界的一个新估计式。对A^-1是双随机矩阵时B与A^-1的Hadamard积最小特征值下界的估计式进行改进,理论证明这些估计式改进了现有的结果,且这些估计式仅用到矩阵A和B的元素,计算更简捷。通过数值算例表明新估计式的优越性和有效性,估计结果更接近于真实值。     

图的最大拉普拉斯特征值的上界

设G=（V,E）是n阶简单连通图,D（G）和A（G）分别表示图的度对角矩阵和邻接矩阵,L（G）=D（G）-A（G）则称为图G的拉普拉斯矩阵。利用图的顶点度和平均二次度结合非负矩阵谱理论给出了图的最大拉普拉斯特征值的新上界,同时给出了达到上界的极图,并且通过举例与已有的上界作了比较,说明在一定程度上优于已有结果。     

不可约非负矩阵的特征值问题

从正矩阵特征值的Perron定理出发,根据正矩阵与不可约非负矩阵的关系,对Perron定理作进一步推广,得出不可约非负矩阵特征值的一些结论.     

正矩阵最大特征值的估计

非负矩阵最大特征值的估计是非负矩阵理论中重要的课题. 如果上下界能表示为收敛的序列, 那么就可以得到最大特征值更精确的估计.基于此,本文给出了正矩阵最大特征值的一种新的估计方法, 这种方法改进了G. Frobenius和H. Minc等的结果,最后给出数值例子加以比较.     

算术结构拉普拉斯矩阵最大特征值的上界

对连通图G算术结构的拉普拉斯矩阵L(G, d)最大特征值的上界进行了研究,先得     

矩阵负特征值的上下界估计

矩阵是一类特殊矩阵,R.L.Smith在文献中证明了它有且只有一个负特征值,并利用N0矩阵谱半径给出了N0矩阵负特征值的一个粗略上界和下界估计.而本文仅仅利用N0矩阵本身的元素给出了一个更加实用且计算简单的上界和下界估计.     

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．