矩阵理论1.1要点.ppt

返回 返回 矩 阵 理 论 导 引 1、矩阵方法在电路网络中的应用 E(t) a b c d R6 KCL(基尔霍夫电流定律:在集总电路中，任何时刻，对任意结点,所有流出结点的支路电流的代数和恒等于零 )的矩阵表示 2. 在数值计算中的应用（Vandermonder矩阵） 出现在多项式插值中, 谐波恢复中 F称为Fourier矩阵，出现在离散Fourier分析 及快速Fourier变换中. 3. 盲信号分离中的应用 在离散时间t时刻，n个未知源信号S(t)=[s1(t),…, sn(t)]T被m个传感器观测到的信号X(t)=[x1(t),…, xm(t)]T，加性噪声V(t)=[v1(t),…, vm(t)]T，则观测信号和源信号之际的关系如下： X(t)=AS(t)+V(t)， 其中A=(aij)为m×n的未知列满秩混合矩阵， AT表示矩阵A的转置。为了讨论方便，这里假设无噪音，因此模型如下： X(t)=AS(t) (简记X=AS)。 假设传感器的个数m大于等于信号源的个数n， 各信号源si(t) (i=1, …, n)之间相互独立，在此情 况下，BSS的目标就是根据累积量矩阵找到一 个m×n的分离矩阵W，使得 Y=WX=WAS 是S的一个近似。 从上述表达式可以看出，分离矩阵W可以看作是混合矩阵A的某种“广义逆矩阵”。 根据假设源信号的统计规律，观测信号的二阶和高阶累积量矩阵组具有可联合对角化结构，可归结为数学问题如下：首先，根据观测信号得到一组实对称的矩阵组G1, …, Gk，其中Gi具有如下结构 Gi=AΛiAT，i=1, …, k， 其中Λi是n×n的未知的对角矩阵；其次，对给定矩阵组G1, …, Gk利用联合对角化算法，估计混合矩阵A或者分离矩阵W；最后，计算得到源信号的估计 Y=WX。 此类算法属于非正交算法。 利用正交矩阵具有的性质，可把观测信号作白化预处理，然后再利用白化后的信号计算累积量矩阵，此时获得的累积量矩阵组具有可正交联合对角化结构。 归结为数学问题如下：首先，对观测信号X作白化处理得到白化后的信号Z=BX，其中B为白化矩阵；其次，根据白化后观测信号Z计算得到一组实对称的累积量矩阵组G1, …, Gk，其中Gi具有如下结构 Gi=UΛiUT，i=1, …, k, 其中Λi是n×n的未知的对角矩阵，UUT=UTU=I，I表示单位矩阵。 最后，对给定累积量矩阵组G1，…，Gk利用正交联合对角化算法，估计混合矩阵U，并计算得到源信号的估计 Y=UTZ= UTBX。 4、信号滤波的矩阵分析： 5. Google矩阵 在互联 网上，如果一个网页被很多其它网页所链接，说明它受到普遍的承认和信赖，那么它的排名就高。这就是 PageRank 的核心思想。 当然 Google 的 PageRank 算法实际上要复杂得多。 比如说，对来自不同网页的链接对待不同，本身网页排名高的链接更可靠，于是给这些链接予较大的权重。PageRank 考虑了这个因素，可是现在问题又来了，计算搜索结果的网页排名过程中需要用到网页本身的排名， 这不成了先有鸡还是先有蛋的问题了吗？ 　 　Google 的两个创始人拉里·佩奇 （Larry Page ）和谢尔盖.布林 (Sergey Brin) 把这个问题变成了一个二维矩阵相乘的问题，并且用迭代的方法解决了这个问题。他们先假定所有网页的排名是相同的，并且根据这个初始值，算出各个网页的第一次迭代排名，然后再根据第一次迭代排名算出第二次的排名。 他们两人从理论上证明了不论初始值如何选取，这种算法都保证了网页排名的估计值能收敛到他们的真实值。值得一提的是，这种算法是完全没有任何人工干预的。 　 　 理论问题解决了，又遇到实际问题。因为互联网上网页的数量是巨大的，上面提到的二维矩阵从理论上讲有网页数目平方之多个元素。如果我们假定有十亿个网页，那么这个矩阵 就有一百亿亿个元素。这样大的矩阵相乘，计算量是非常大的。拉里和谢尔盖两人利用稀疏矩阵计算的技巧，大大的简化了计算量，并实现了这个网页排名算法。今天 Google 的工程师把这个算法移植到并行的计算机中，进一步缩短了计算时间，使网页更新的周期比以前短了许多。 6 机械力学 全长370米，宽4