第六章线性变换 第一节线性变换的概念 第二节线性变换和矩阵 第三节特征值与特征向量 第四节线性变换的不变子空间,象与核

设A是n维酉空间V内的线性变换,如果V内的线性变换A满足a,BV,有 (Aa, B)=(a, B) 则称A是A的共轭变换.A为A的共轭变换当且仅当它们在标准正交基下的矩阵互为共轭 转置. 共轭变换的五条性质:

拉普拉斯变换的定义与性质 (一)、拉普拉斯变换的定义 (二)、拉普拉斯变换的基本性质 (三)、展开定理

一、初等变换的概念 二、矩阵之间的等价关系 三、初等变换与矩阵乘法的关系 四、初等变换的应用

针对数字图像的特点,基于有限整数域上的二维置乱变换、仿射变换和整数提升变换,提出了适用于任意大小、任意长宽比图像的三维置乱加密算法.考虑了变换矩阵中部分参数取负整数或小数的可行性,明确给出了参数的具体设置方法.该算法引入实数作为参数,扩展了参数选择范围;置乱像素位置的同时改变像素值,改善了置乱效果,加大了置乱周期,提高了数字图像的安全性

4.4.正则变换 1.引言: 【例1】广义坐标间的坐标变换对正则方程的影响。 广义坐标的变换qa→QB=fB(,t),其逆变换为qa=a(t), 广义速度同时作相应变换:QB=+,qa=2而保持 LagrangeLagrange方程和力学的理论体系不变(具体形式当然有变化):

提出一种互为Hilbert变换对的小波代数构造方法.这种互为Hilbert变换对的小波基的构造是从构造小波的充要条件入手,利用延迟滤波器的思想,把问题化为代数方程组求解.该方法可以避免进行谱分解.经实验证实:由基于本文构造的小波对的对偶树复小波变换可以得到比离散小波变换更好的特征提取效果

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

6.2 拉普拉斯变换 6.3 拉普拉斯变换的反演 6.4 应用例

§3.2.3 哈达玛变换 §3.2.4 离散余弦变换 §3.2.5 斜变换 §3.3 霍特林变换（Hotelling）