一、特征值与特征向量的概念 三、特征值与特征向量的性质 二、特征值与特征向量的求法 四、小结

一、最大线性无关向量组 二、矩阵与向量组秩的关系 三、向量组秩的重要结论 四、小结思考题

第一章 行列式 §1.1 行列式的概念 §1.2 行列式的性质 §1.3 行列式的展开计算 §1.4 Cramer 法则 第二章 矩阵运算 §2.1 矩阵的概念 §2.2 矩阵的线性运算及乘法运算 §2.3 转置矩阵及方阵的行列式 §2.4 方阵的逆矩阵 §2.5 分块矩阵 第三章 初等变换与线性方程组 §3.1 初等变换化简矩阵 §3.2 初等矩阵 §3.3 矩阵的秩 §3.4 求解线性方程组——Gauss 消元法 第四章 向量组的线性相关性 §4.1 向量组的线性相关性 §4.2 向量组的极大线性无关组及秩 §4.3 向量空间介绍 §4.4 线性方程组的解的结构 第五章 特征问题及二次型 §5.1 方矩阵的特征值与特征向量 §5.2 方阵 A 相似于对角矩阵 §5.3 二次型的标准形 §5.4 正交变换化二次型为标准形 §5.5 二次型正定性

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

使学生掌握向量的概念；向量组的线性相关性及判定线性相关性的定理、性质；向量组的秩及与秩相关的定理和求秩的方法；线性方程组解的结构理论、向量空间

应用光滑函数改进支持向量机模型,得到无约束条件、可微的二次规划问题,从而可以采用快速的最优化算法求解光滑支持向量机模型.提出了一种广义三弯矩方法,用这个方法构造出新的五次样条光滑函数和七次样条光滑函数.证明了上述两个样条光滑函数的逼近精度均高于已有的各种光滑函数;基于上述两个样条函数的光滑支持向量机模型的收敛精度也高于已有的各种光滑支持向量机模型

一、线性组合 二、线性相关和线性无关 三、向量组的等价 四、向量组的最大无关组和秩 五、向量空间的基与向量的坐标

《高等数学》课程教学资源（PPT课件）第八章 空间解析几何与向量代数_2.理解单位向量、方向数与方向余弦、向量的坐标表示式，掌握用坐标表示式进行向量线性运算的方法。_》8-1向量及其线性代数

二. 向量组的线性相关性 一. 向量组及其线性组合 三. 向量组的秩 四. 向量空间 五. 线性方程组解的结构

针对高炉故障诊断系统快速性和准确性的要求，提出基于全局优化最小二乘支持向量机的策略.首先，采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化；然后，利用核主元分析法对选取的特征向量进行压缩整理；最后，构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明，通过对故障训练样本有意义地分割重组，用较少的最小二乘支持向量机分类器，得到较高的故障判断准确率且增强了整个系统的实时性