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

一、 特征值与特征向量 二、 特征值与特征向量的求法 三、 特征子空间 四、 特征多项式的有关性质

一、特征值与特征向量的概念及性质 二、特征值与特征向量的计算

为准确掌握超宽冷轧机不同宽度带钢的板形特征,以某2180 mm超宽冷轧机1900 mm宽度带钢实测板形数据为研究对象,借鉴‘大数据’的思想,结合数据挖掘领域中聚类分析方法,提出基于网格和密度的板形特征聚类方法,并以此方法对几种典型带钢宽度的大量板形实测数据进行分析,得到不同宽度带钢的板形特征.以分段函数对板形特征进行多项式表达,得到不同宽度带钢的板形特征参数化分析结果.提出的基于网格和密度的板形特征聚类与分析方法,能够快速准确地对大量板形实测数据进行分析,提取出长期生产过程中板形缺陷特征并得到参数化表达,从而为冷连轧机,特别是超宽带钢冷连轧机的辊形改进和控制策略优化提供数据基础

手背静脉身份识别由于其非接触和不易被污染等独特的优势,已成为各种新型生物特征识别手段中的研究和应用热点.如何提取具有高鉴别性且鲁棒的手背静脉图像特征是本文的研究重点.本文简述了基于局部二值模式(local binary pattern,LBP)的特征提取方法及其改进方法的基本原理,讨论分析了其不足,并针对不足,提出了一种多尺度块中心对称局部二值模式(multi-scale block center-symmetric LBP,MB-CSLBP)算子.本文所提出的MB-CSLBP算子既考虑图像的局部宏观特征,也兼顾图像的微观特征,获取了更加全面的图像信息.在自建的2040幅近红外手背静脉图像数据库中,用MB-CSLBP方法获取图像特征并使用最近邻分类器进行识别.大量的对比实验结果表明,本文所提方法的识别率达到98.21%,优于原始LBP及其改进算子,中心对称局部二值模式(center-symmetric LBP,CS-LBP)和多尺度块局部二值模式(multi-scale block LBP,MB-LBP)等

针对网络控制系统模型参数选取困难的问题,利用特征模型和动态特征模型的自适应控制方法在实际工程中建模简单、控制精度较高的特点,以直流电机的网络控制系统为例,研究了具有时延和数据丢包网络情况下的网络控制系统,提出了基于特征模型的自适应控制方法和基于模糊动态特征模型的自适应控制方法.仿真结果表明:丢包率对特征模型控制器系统的影响较大,而网络延时对模糊动态特征模型控制器系统影响较大.所提两种方法均可有效保证网络控制系统的控制性能

本章要求学生重点掌握真菌门、亚门（纲）的分类特征及重要代表植物的形态特征、繁殖、生活， 分布及其经济意义。 重点： 1、真菌门的一般特征。 2、真菌的分类及各亚门（纲）的特征。 3、子囊菌亚门和担子菌亚门的重要代表植物的特 征。 难点： 1、子囊菌亚门的一般特征。子囊、子囊孢 子、子囊果的形成及类型。 2、担子菌纲的一般特征。双核菌丝和锁状 联合、担子的形成。 第一节：细菌门 第二节、粘菌门 第三节、真菌门 • 一、真菌的通性（特征）； • 二、真菌门的主要类群； • 三、真菌的起源及真菌门各亚门间的亲缘关系； • 四、真菌的经济意义

第四章随机变量的数字特征 数字特征的优越性: 1.较集中地反映了随机变量变化的一些平均特征 2.很多重要的随机变量(如二项分布、泊松分布、均匀分布、指数分布、正态分布等)的分布函数都能用一、两个数字特征完全确定。 3.重要的数字特征--数学期望、方差具有明确的统计意义,同时还具有良好的数学性质。 4.随机变量的数字特征较易求出

本文把旋转机械故障产生的周期性激励—周期性特征信号分解成“波形”与“特征脉冲序列”的卷积,提出了有关周期性特征信号幅值调制、相位调制、波形畸变以及背景噪声四种类型噪声的概念。在此基础上,应用解卷积理论,对实倒谱分析识别周期性特征信号问题进行了研究。并在计算机上讨论了各种类型噪声对实倒谱分析的影响。研究表明,周期性特征信号在实倒谱上将形成依次递减的倒谐频结构,其大小仅与特征信号本身的稳定性有关,与信号的大小、形状无关,且最大值不超过1。分析结论较好地解释了文献以及作者的应用实例

针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题，从血管形状拓扑关系利用的角度出发，探索多任务卷积神经网络设计，提出骨架图引导的级联视网膜血管分割网络框架。该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体。骨架提取辅助任务用于提取血管中心线，能够最大限度地保留血管拓扑结构特征；自适应特征融合结构体嵌入在两个模块的特征层间。该结构体通过学习像素级的融合权重，有效地将血管拓扑结构特征与血管局部特征相融合，加强血管特征的结构信息响应。为了获得更完整的骨架图，骨架图提取网络还引入了基于图的正则化损失函数用于训练。与最新的血管分割方法相比，该方法在3个公共视网膜图像数据集上均获得第一名，在DRIVE，STARE和CHASEDB1中其F1值分别为83.1%，85.8%和82.0%。消融实验表明骨架图引导的视网膜血管分割效果更好，并且，基于图的正则化损失也能进一步提高血管分割准确性。通过将骨架提取模块和血管分割模块替换成不同的卷积网络验证了框架的普适性