基于改进的T型关联度在音乐分类中的应用

在音乐分类问题中,绝大多数的算法需要提取多个特征值进行分析,工作量和复杂程度也随之增加,并且分类太绝对化.为了降低工作量和复杂程度,采用新的方式对音乐进行分类,即引进灰色关联度分析方法.现有的灰色T型关联度模型均存在不足,对序列采用绝对初值化处理,并且对关联系数计算公式进行改进,增强了结果的准确性和可信度.将提取出的短时能量、短时平均过零率和短时平均幅度作为音乐分类的三大特征值,对大部分音乐进行了较为准确的分类,排除率达到90.1%.而且此方法能够体现出各音乐之间的关联程度,使得分类更加人性化,这点具有现实意义.并且避免了复杂的计算过程和巨大的工作量,简化了解决问题的方式,也减少了对特征值的依赖,仅采用三种特征就达到了很好的效果.这充分反映了思路的正确性、实用性和可行性.     

关于完全完备分配格上矩阵相对于特征值的特征向量

借助于伪补和矩阵的幂序列研究了完全完备分配格上矩阵相对于特征值的特征向量的计算方法,利用特征向量的性质证明了最大特征向量的计算公式,并给出了一般特征向量的计算方法.     

极大加可约矩阵的谱与周期时间向量的关系

提出了极大加代数上可约矩阵特征值的缺失值及冗余值的概念,得到了相应的定理;对特征值与周期时间向量分量之间的关系作了深入的研究.     

对主成分分析法三个问题的剖析

从主成分分析法的基本原理入手,针对教学过程中学生对主成分分析法感到费解的三个问题进行了逐一剖析:1.为什么主成分系数是经标准差标准化后原始变量的协方差矩阵的特征向量?2.特征向量正负号如何选取?对进一步的研究如计算综合得分和聚类分析有何影响?3.主成分载荷值是如何得来的?同时指出有些教材在计算主成分得分时混淆了主成分载荷和特征向量的概念,以致造成错误的结果.     

每个忙期中第一个顾客被拒绝服务的M／M/1排队模型的其他特征值

研究每个忙期中第一个顾客被拒绝服务的M／M／1排队模型的主算子在左半复平面中的特征值,证明对一切θ∈（0,1）,（2√λμ-λ—μ）θ是该主算子的几何重数为1的特征值．     

M/M/1算子的其它特征值

证明对一切θ∈（0,1）,θ（2（λμ）~（1/2）-λ-μ）都是偏微分方程形式的M/M/1排队模型主算子的几何重数为1的特征值.     

一个Krasnoselski定理的推广

主要讨论了非线性方程F(λ,u)=λu-G(u)=θ的分歧问题,其中G:X→X为非线性可微映射,X为Banach空间.在G′(θ)为紧算子,N(λ~*I-G′(θ))\R(λ~*I-G′(θ))≠{θ}的条件下,利用Lyapunov-Schmidt约化过程和隐函数定理证得了方程F(λ,u)=θ在多重特征值处的分歧定理,推广了Krasnoselski的经典分歧定理.     

边界条件含特征参数的Sturm-Liouville问题的特征值比率

给出修正Prfer变换的几何意义以及相关性质,并利用上述性质讨论Sturm-Liouville问题-(py′)′+gy=λωy,x∈[0,1],参数边界条件为y(0)=0与((py′)(1))/(y(1))=aλ+b,得到了当a>0,q≥0的特征值比率上界,这把Ashbaugh等人的结果推广到边界条件含参数的情形.     

图模式挖掘中的子图同构算法

图模式挖掘问题在Web挖掘、生物信息学、社会关系等众多领域有广泛的应用,它涉及到子图的搜索以及子图的同构问题.这两个问题都具有相当高的计算复杂度,现有的子图同构问题大多采用最小编码算法,但对无标签图特别是对无标签无向图,该算法效率较底,从而子图的同构成为图模式挖掘问题的一个瓶颈.针对无标签图,以代数理论为基础,分别利用度序列和特征值构造了两种子图同构算法,用于对有向图和无向图的同构判别.最后对2个真实生物网络进行了仿真实验,结果表明,算法的效率优于现有算法.     

非单特征值的广义分歧定理

讨论了抽象算子方程F(λ,u)=0的局部分歧问题,其中F:R×X→Y是一个C2微分映射,λ是参数,X,Y为Banach空间.利用Lyapunov-Schmidt约化过程及偏导算子Fu(λ*,0)的有界线性广义逆,在dim N(Fu(λ*,0))≥codim R(Fu(λ*,0))=1的条件下,证明了一个广义跨越式分歧定理.当参数空间的维数等于值域余维数时,应用同样的方法又得到了多参数方程的抽象分歧定理.