第二章2矩阵的秩 2.1.1矩阵的行秩与列秩、矩阵的转置 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。容易证明经过任意一种初等行变换,得到的行向 量组与原来的向量组线性等价,所以命题成立。证毕。 定义2.2矩阵的转置 把矩阵A的行与列互换之后,得到的矩阵A称为矩阵A的转置矩阵 命题2.2矩阵的行(列)初等变换不改变列(行)秩

定理1设向量a≠0,那么,向量b平行于a的充分必要 条件是:存在唯一的实数,使b=a 证明充分性是显然的,只需证必要性. 设bla.取,当b与a同向时取正值, 当b与a反向时取负值,即b=a.这是因为此时b与a同向

将一种机器学习算法——支持向量机引入到软岩工程支护设计领域,并根据问题需要提出了一种支持向量机回归算法且编制了相应的计算程序.工程算例证明,这种算法在学习样本数量很少的情况下就可以得到很高的预测精度,且具有推广性能好的优点,避免了人工神经元由于存在过学习问题而带来的网络参数难以确定的弊病,为类似工程的支护设计提供了一种新的途径

平面和直线是最简单和最基本的空间图形。本 节和下节我们将以向量作为工具讨论平面和直线 的问题。介绍平面和直线的各种方程及线面关系、 线线关系。 确定一个平面可以有多种不同的方式,但在解析 几何中最基本的条件是:平面过一定点且与定向量 垂直。这主要是为了便于建立平面方程,同时我们 将会看到许多其它条件都可转化为此

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

一、随机向量的概念 多维随机变量也就是多个随机取值的变量,也称为随机向量。定义如果随机变量X1…Xn定义在同一概率空间(,3,P)上,则称

(一)边缘分布函数 二维随机向量(X,Y)作为一个整体,具有分 布函数F(x,y) 其分量X和Y也都是随机变量,也有自己的分 布函数,将其分别记为Fx(x),Fy() 依次称为X和Y的边缘分布函数. 而把F(xy)称为X和Y的联合分布函数

平面及其方程 平面和直线是最简单和最基本的空间图形。本节和下节我们将以向量作为工具讨论平面和直线 的问题。介绍平面和直线的各种方程及线面关系、 线线关系。 确定一个平面可以有多种不同的方式,但在解析几何中最基本的条件是:平面过一定点且与定向量垂直。这主要是为了便于建立平面方程,同时我们 将会看到许多其它条件都可转化为此。 先介绍平面的点法式方程

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

一般情况下,多个同步观测站之间的基线向量解算, 均可由基线解算软件自动完成。数据处理结果:观测 站之间的基线向量及其方差与协方差,或观测站在上 述坐标系中的坐标值及其方差与协方差。 当布设的GPS卫星网点数较多时,需在不同的时段, 按照预先设计的作业计划,依次进行观测。在这种情 况下,为了提高定位结果的可靠性,通常须将不同时 段观测的基线向量网连接成网,并通过观测量的整体 平差,以提高定位结果的精度。 整体平差的目的,在于消除图形闭合条件的不符值, 并建立网的基准