《廣義逆矩陣及其應(yīng)用》是2006年北京工業(yè)大學(xué)出版社出版的圖書。
廣義逆矩陣及其應(yīng)用圖片
書名 | 廣義逆矩陣及其應(yīng)用 | ISBN | 9787563905621 |
---|---|---|---|
頁數(shù) | 263 | 出版社 | 北京工業(yè)大學(xué)出版社 |
出版時間 | 2006-02-01 | 裝幀 | 平裝 |
開本 | 32開 |
第一章 引論
§1.1 廣義逆矩陣的定義
§1.2 歷史概略
第二章 矩陣論基礎(chǔ)
§2.1 線性空間及其分解
§2.2 矩陣標(biāo)準(zhǔn)形
§2.3 矩陣同時對角化
§2.4 矩陣分解
§2.5 SChur補
§2.6 冪等陣與投影陣
§2.7 譜分解
§2.8 特征值的極值性質(zhì)
§2.9 矩陣的范數(shù)
§2.10 奇異值
第三章 {1}-逆
§3.1 {1}-逆的結(jié)構(gòu)
§3.2 基本性質(zhì)
§3.3 矩陣方程的解
§3.4 投影陣的表示定理
§3.5 具有給定秩的{1卜逆
§3.6 具有給定列空間與零空間的{1卜逆
第四章 Moore-Penrose廣義逆
§4.1 存在性及構(gòu)造
§4.2 基本性質(zhì)
§4.3 乘法公式
§4.4 (A十bc※)
§4.5 正交投影陣與線性流形
§4.6 展開定理
§4.7 連續(xù)性問題
§4.8 最小二乘問題
§4.9 加權(quán)Moore-Penrose廣義逆
第五章 其他{i,j…,l}-廣義逆
§5.1 {1,2卜逆
§5.2 {1,3}-逆
§5.3 {1,4}-逆
§5.4 {1,2,3}與{1,2,4}-逆
§5.5 {2}-逆
第六章 分塊矩陣的廣義逆
§6.1 行分塊矩陣
§6.2 列分塊矩陣
§6.3 四塊矩陣
§6.4 鑲邊矩陣
第七章 廣義逆不等式
§7.1 A+≤B+
§7.2 Cauchy-Schwarz型矩陣不等式
§7.3 Kantorovich型矩陣不等式
第八章 廣義逆的計算
§8.1 基于滿秩分解的方法
§8.2 基于分塊矩陣的方法
§8.3 基于鑲邊矩陣的方法
§8.4 迭代方法
§8.5 其他方法
第九章 概率統(tǒng)計中的應(yīng)用
§9.1 奇異多元正態(tài)分布
……
第十章 其他應(yīng)用
參考文獻
索引
《廣義逆矩陣及其應(yīng)用》系統(tǒng)地論述廣義逆矩陣的理論、方法和應(yīng)用。全書共分十章。第一章引進了廣義逆矩陣的定義,介紹了歷史發(fā)展概況。第二章從適于《廣義逆矩陣及其應(yīng)用》討論的角度概述了矩陣論中的若干預(yù)備知識。接下來的六章系統(tǒng)地討論了由Moore Penrose方程所定義的各種廣義逆的性質(zhì)、不等式、計算方法及一些直接應(yīng)用。最后兩章介紹廣義逆在概率統(tǒng)計、數(shù)學(xué)規(guī)劃、數(shù)值計算和網(wǎng)絡(luò)理論等學(xué)科的應(yīng)用。書后附有百余篇參考文獻。
《廣義逆矩陣及其應(yīng)用》讀者對象為高等院校數(shù)學(xué)、物理、工程、經(jīng)濟等有關(guān)專業(yè)的教師、高年級學(xué)生和研究生,也可供所有使用矩陣這一數(shù)學(xué)工具的廣大科技工作者閱讀.
現(xiàn)在市場的價格戰(zhàn)太離譜了,導(dǎo)致很多的商家都必須用低價來吸引客戶,所以產(chǎn)品質(zhì)量往往都得不到保障。力弘(LHLEEHAM)提供全系列會議視聽系統(tǒng)矩陣切換控制器,包含產(chǎn)品有同軸矩陣系列AHD/TVI...
樓上恐怕還是不大了解,數(shù)字矩陣首先信號是數(shù)字信號,數(shù)字信號包括:SDI(標(biāo)清)、HD-SDI(高清)這兩種以前都是廣播級信號,都是在廣播電視應(yīng)用的,但是現(xiàn)在隨著電視會議的發(fā)展,已經(jīng)出現(xiàn)高清電視會議系統(tǒng)...
vga視頻矩陣,啟耀科技有4,8,16,24,32,48,64路,您需要哪一路,每一路的價格不一樣,輸入輸出路數(shù)越多價格越高,這種會議室用的很多的,切換很方便。
格式:pdf
大?。?span id="egqnoyi" class="single-tag-height">5.0MB
頁數(shù): 未知
評分: 4.5
壓縮感知中,測量矩陣在信號的獲取和重構(gòu)過程中起著重要的作用。傳統(tǒng)的隨機測量矩陣在采樣率較高的情況下,能夠獲得比較好的重構(gòu)效果,但在低采樣率下的重構(gòu)效果不夠理想。確定性測量矩陣自身存在一些限制因素,與隨機測量矩陣相比,重構(gòu)效果有所降低?;趶V義輪換矩陣(GR),提出了兩種結(jié)構(gòu)隨機矩陣:廣義二進制輪換矩陣(GBR)和偽隨機廣義二進制輪換矩陣(PGBR)。仿真結(jié)果表明,相對于傳統(tǒng)的測量矩陣,新的測量矩陣在二維圖像重建方面效果較好,所需重構(gòu)時間相差不大,在較低的采樣率下能夠獲得更加精確的重建。