因子分析( Factor Analysis)是多元统讣分析技术的一个分支,其主要目的 是浓缩数据。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本 结构,并用少数几个假想变量来表示基本的数据结构。这些假想变量能够反映原 来众多的观测变量所代表的主要信息,并解释这些观测变量之间的相互依存关 系,我们把这些假想变量称之为基础变量,即因子( Factors)。因子分析就是研 究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子 因子分析是由心理学家发展起来的,最初心理学家借助因子分析模型来解释 人类的行为和能力,1904年查尔斯·斯皮尔曼( Charles spearman)在美国心理学 杂志上发表了第一篇有关因子分析的文章,在以后的三四十年里,因子分析的理 论和数学基础逐步得到了发展和完善,它作为一个一般的统计分析工具逐渐被人 们所认识和接受

基因变异是人类进化的基础，构成了群体中的个体多样性．由于 群体是由一群可以相互婚（交）配的个体组成，如果仅仅从个体的遗 传结构是难以解释群体的遗传组成及其随时间和空间的变化规律，而 且基因型和表型存在复杂关系，因此，研究群体中基因的分布及逐代 传递中影响基因频率和基因型频率的因素，追踪基因变异的群体行 为，应用数学手段研究基因频率和相对应的表型在群体中的分布特征 和变化规律，这就是群体遗传学的研究内容，也是人类遗传学、人类 进化和后基因组学研究的中心任务

本章概述 新康德主义继承和发展康德的“哥白尼变更”学说,旨在超越以二元分 立和理性独断为特征的近代哲学的形而上学。他们或用生理学的新发展 来证明康德的“哥白尼变更理论;或把客体当做主要对象,从对数学的 自然科学的研究中发挥康德的先验逻辑学说,致力于发现各门科学的 般的逻辑结构或形式,强调纯粹思维对知识的形式和内容的创造;或把 先验主体本身当做主要研究对象,从对主体的研究出发来研究客体及其 与主体的关系,发挥康德的先验心理学,把先验主体对于对象的评价当 做统一全部哲学的基础和解决全部哲学问题的标准,把对文化历史事件 的评价当做哲学的主要内容。新康德主义在哲学史上起了非常重要的承 前启后的作用,20世纪很多著名的哲学家都曾一度是新康德主义者,或出 自新康德主义门下。本章主要介绍新康德主义的概况及其主要流派

教学目的欧氏空间R”上的测度与积分是本课程的主要研究对象本节讨 论欧氏空间上的若干拓扑概念通过本节的学习可以熟悉欧氏空间上的开集, 闭集和 Borel集, Cantor集等常见的集,为后面的学习打下基础 本节要点由R”上的距离给出邻域内点聚点的定义从而给出开集,闭集 的定义由开集生成一个o代数引入 Borel集 Cantor集是一个重要的集,它有 一些很特别的性质.应使学生深刻理解本节介绍的各种集的概念并熟练应用 充分利用几何图形的直观,可以帮助理解本节的内容

AMCM91问题A估计水塔的水流量 美国某州的各用水管理机构要求各社区提供以每小时多少加仑计的用水率以及每天所用的总水量,但许多 社区并没有测量流人或流出当地水塔的水量的设备,他们只能代之以每小时测量水塔中的水位,其精度在 0.5%以内。更为重要的是,无论什么时候,只要水塔中的水位下降到某一最低水位L时,水泵就启动向 水塔重新充水直至某一最高水位只,但也无法得到水泵的供水量的测量数据。因此,在水泵正在工作时, 人们不容易建立水塔中的水位与水泵工作时的用水量之间的关系

第四章4-4线性变换的特征值与特征向量 4.4.1线性变换的特征值与特征向量的定义 定义若存在非零向量ξ∈V,使得对于某个∈K,有A5=5,则称ξ是A的属 于特征值λ的特征向量。 命题线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间。 证明设51,52是属于的特征向量,Vk,∈K,则 A(k5+2)=k()+a(2)=k+2=(k5+152), 证毕。 定义线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间称 为属于特征值的特征子空间,记为V 4.4.2特征值和特征子空间的计算、特征多项式

第四章4-4特征值与特征向量(续) 4.4.2关于特征向量与特征子空间的一些性质 命题线性变换的属于不同特征值的特征向量线性无关。 证明设A为VK上的线性变换,,2,是两两不同的特征值,(1≤i≤t)是 属于特征子空间V的特征向量,设k,k2,k,∈K,使得k5+k252+…+k5=0,两 边用A作用(i=1,2,…,-1),于是得到方程组 5+52++=0,j0,1,t-1 其中入的方幂组成的矩阵为

第五章5-1双线性函数 5.1.1线性空间上的线性函数的定义 1、线性函数的定义 定义设V为数域K上的线性空间,fV→K为映射,满足 f(a+B)=f(a)+f(),va,B∈V;f(ka)kf(a),∈k,aev,则称f为由V 到K的一个线性函数(即f为V到K的一个线性映射) 如同一般的线性映射,有以下事实: i)、f:V→K是线性函数当且仅当f(ka+1B)=kf(a)+lf(B) i)、f(0)=0; i)、f(-a)=-f(a) 命题数域K上的n维线性空间V上的线性函数的全体关于函数加法和数乘构成K上 的n维线性空间

5.1.3线性空间上的对称双线性函数、二次型函数的定义 定义若f为V上的双线性函数且f(a,B)=f(B,a),则称f为V上的对称双线性 函数。 命题f为对称双线性函数,当且仅当f在任意一组基下的矩阵为对称矩阵,当且仅 当f在某一组基下的矩阵为对称矩阵。 证明任取V的一组基1,2,…,n,任取a,B∈V,设它们在此组基下的坐标所构成 的列向量分别为X和Y,f在此组基下的矩阵记为A,若f为对称双线性函数,则由定

为提高无法准确建立数学模型的非线性约束单目标系统优化问题的寻优精度,并考虑获取样本的代价,提出一种基于支持向量机和免疫粒子群算法的组合方法(support vector machine and immune particle swarm optimization,SVM-IPSO).首先,运用支持向量机构建非线性约束单目标系统预测模型,然后,采用引入了免疫系统自我调节机制的免疫粒子群算法在预测模型的基础上对系统寻优.与基于BP神经网络和粒子群算法的组合方法(BP and particle swarm optimization,BP-PSO)进行仿真实验对比,同时,通过减少训练样本,研究了在训练样本较少情况下两种方法的寻优效果.实验结果表明,在相同样本数量条件下,SVM-IPSO方法具有更高的优化能力,并且当样本数量减少时,相比BP-PSO方法,SVM-IPSO方法仍能获得更稳定且更准确的系统寻优值.因此,SVM-IPSO方法为实际中此类问题提供了一个新的更优的解决途径