随机矩阵理论研究背景.doc

研究背景： 随机矩阵理论的起源可以追溯至1928年J.Wisllart在固定大小的Gatlssian矩阵上所做的研究。在发展的早期阶段，随机矩阵理论主要致力于解决科学实验所遇到的问题(比方说核物理,详见)。自从那以后,随机矩阵在数学和物理的许多领域得到广泛应用。例如在理论物理中的无序固体状态和混沌系统, 统计力学和量子场理论。在数学上,由于随机矩阵的研究,图论,传统的紧群,正交多项式,积分方程,非交换概率和组合的理论都得到极大的丰富。由于现代技术的发展,统计学家不得不面对一些庞大的高维数据。例如,股票市场上现在包含大量的上市公司, DNA的结构也及其复杂,通讯系统中有大量的用户同时通讯等。这些高维数据的统计问题随着随机矩阵理论研究的深入得到了进一步解决。 1999年，美国Stanley小组用随机矩阵理论的方法分析美国股市发现市场的绝大部分价格波动是随机的。2004年，日本的研究人员用同样的方法研究东京股票交易所每日股市价格变化时间系列，确认了Stanley小组关于本征值分布的结果具有普适意义。 施振刚等人考虑奇/偶电子数分布,用静态路径近似方法计算了随机矩阵理论中高斯正交系综所对应的电子能级分布下常规超导纳米粒子的电子热容,得到了弱自旋轨道耦合和弱磁场中奇/偶电子数分布下相变临界区域附近的电子热容。王庆梅等人利用随机矩阵理论将图像作为水印信息隐藏到载体图像中，使得攻击者在不知道秘密钥的情况下无法删除或改变水印信息。金百锁利用随机矩阵谱分布建立了一个简单实用的估计大维因子模型的因子个数方法。唐红等人提出了一种随机矩阵映射 Hash 算法，通过预先优选一个随机数矩阵，然后将大集合的元素分块映射成随机矩阵中的元素，从而把一个大集合映射到一个小集合。史宇峰利用随机矩阵理论，探讨了一种金融资产收益相关矩阵选取方法。李蓉等人利用随机矩阵理论方法除去肺（肝）癌基因表达数据中的噪声,并将去噪后的数据分别用模块方法和等级聚类方法进行处理，RMT-等级聚类方法是一种有效的识别基因网络的新方法。徐赞新（2010）等人借助随机矩阵理论的方法，比较移动人群数据与随机数据在互相关矩阵谱分布上的差异，这种差异体现了城市移动人群的整体行为特性。惠晓峰等人在文献中指出RMT 能够为多元 GARCH 的降维提供有效的依据并且较准确地确定多元 GARCH 模型的最佳维度。文献研究了我国股票投资组合噪声分析及风险控制。温万惠等人用随机矩阵理论分析, 发现皮肤电导、心率、心电和呼吸生理信号各自的相关矩阵最大特征值和对应特征向量的分布背离了随机矩阵理论的预测, 表现出集体的两两互相关, 揭示了由情感因素影响产生的相关生理反应。任乐义等人针对模式抖动加网技术在光栅防伪中的应用问题,通过对阈值矩阵进行改进,提出了在一定范围内随机选择阈值矩阵的模式抖动加网的方式。 国内外研究现状： 经过一个世纪的发展，时至今日，随机矩阵理论己被用于解决科学研究和工程实践的各方面问题了：随机差分方程，统计物理，神经网络，信息论，信号处理，以及小世界网络。尤其值得一提的是，近十年来随着无线通信技术，特别是多入多出(MIMO)技术的兴起，随机矩阵理论获得长足的发展。第一批将随机矩阵理论应用到MIMO领域中的学者是G.J.Foschini和I.E. Telatar 等人。他们用随机矩阵理论解决了MIMO通信的第一个基本问题一信道容量问题。 （1）目前国外研究现状： 已有学者将随机矩阵理论应用于频谱感知。该理论是研究大维随机矩阵的经验谱分布函数的特殊收敛特性的相关理论 , 已被广泛应用于无线通信领域中, 如无线信道容量、阵列信号处理、接收机性能分析、通信系统设计等。有关RMT 在无线通信领域应用的具体情况参见文献 。基于RMT 的频谱感知算法具有能够在噪声统计特性未知的情况下成功感知等优点。2008 年初, L. S.Cardoso 等人在文献提出的一种基于大维随机矩阵理论的协作频谱感知算法( 以下简称LSC 算法)，该算法利用M-P律给出了大系统情况下的频谱感知算法。Sebastian Wagner进行了有限反馈下MISO广播频道线性预编码的大型系统分析。Romain Couillet在文献中介绍了一种阵列信号处理的新方法，基于随机矩阵理论的稳健G-MUSIC估计。Jakob Hoydis对有限块长的MIMO衰落信道，提出了基于随机矩阵理论的新的中心极限定理。 （2）目前国内研究现状： 王磊提出了基于随机矩阵理论的协作MIMO 频谱感知算法,该算法不需要预知噪声的统计特性和噪声方差, 而是利用大维随机矩阵特征值的极限分布特性进行频谱感知。景源等人提出一种适用于有色噪声环境下的贝叶斯时变信道估计方法，该方法根据 Wishart 随机矩阵理论和 Gibbs采样方法，首先对有色噪声的协方差阵和信