一.向量空间 二.基,维数和坐标 三.向量的内积 四.标准正交基 五 线性无关组的正交化单位化— Schimidt.正交化方法

1. 了解n维向量空间、子空间、基、维数、坐标等概念; 2. 了解内积的概念; 3. 了解标准正交基的概念; 4. 掌握线性无关向量组标准规范化的Schimidt(施密特)方法

一个复杂系统可能有多个输入和多个输出,并且以某种方式相互关联或耦合。为了分 析这样的系统,必须简化其数学表达式,转而借助于计算机来进行各种大量而乏味的分析 与计算。从这个观点来看,状态空间法对于系统分析是最适宜的。 经典控制理论是建立在系统的输入输出关系或传递函数的基础之上的,而现代控制理 论以n个一阶微方程来描述系统,这些微分方程又组合成一个一阶向量矩阵微分方程。应 用向量矩阵表示方法,可极大地简化系统的数学表达式

若干个同维数的列向量（或同维数的行向量） 所组成的集合叫做向量组．

定义2.1矩阵的行秩与列秩。 一个矩阵A的行向量组的秩成为A的行秩它的列向量组的秩称为A的列秩。 命题2.1矩阵的行(列)初等变换不改变行(列)秩证明只需证明行变换不该行秩

一、二维随机变量的概念及其分布函数 1.概念 定义 1.设是随机试验E的样本空间,X(a),y(a)是定义在上的随机变量,称有序组 (X,)为二维随机变量或二维随机向量,简记为R.v(x,y)。称(Xx2x)为n维随机变量或 n维随机向量

为了提高热轧生产过程精轧机组的轧制力预设定精度,需要对轧制力进行高精度的预报.本文通过机理公式计算出轧制力的近似值,然后采集大量的实际生产数据修正轧制力预报值.首先利用聚类方法区分不同的生产状态,其次在相同生产状态下采用加权最小二乘支持向量机计算轧制力的修正系数,最后采用乘法方式修正轧制力,达到高精度的轧制力预测.结果表明,轧制力预报的平均相对误差为3.2%,满足现场的生产要求

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

定理7设A是n维线性空间V的一个线性变换A的矩阵可以在某一基下为 对角矩阵的充要条件是A有n个线性无关的特征向量. 定理8属于不同特征值的特征向量是线性无关的 推论1如果在n维线性空间V中,线性变换的特征多项式在数域P中有n 个不同的根,即A有n个不同的特征值,那么A某组基下的矩阵是对角形的 推论2在复数上的线性空间中,如果线性变换A的特征多项式没有重根

针对高炉炼铁过程的关键工艺指标——铁水硅含量[Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机(R-S-LS-SVR)与多目标遗传参数优化的铁水[Si]动态软测量建模方法.首先,针对标准最小二乘支持向量机(LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGⅢ加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标.在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[Si]在线软测量模型.工业实验及比较分析验证了所提方法的有效性和先进性