子空间超循环性与公共的子空间超循环向量(英文)

若无限维可分的Banach空间上的线性有界算子T满足:对某个非零子空间M,存在向量x使C·O(x,T)∩M在M中稠密,则称T是子空间超循环算子.构造例子说明了子空间超循环性并非是无限维现象,以及子空间超循环算子并不一定是超循环的;同时,还给出了一个子空间超循环准则和一族算子的公共的子空间亚超循环(子空间超循环)向量是稠密Gδ集的充要条件.

Hilbert空间上可交换算子集合的超循环性

Hilbert空间上具有超循环性的算子对于研究空间性质有重要的作用.在本文中,讨论了Hilbert空间上可交换算子集合的超循环问题,给出了一个可交换算子集合具有公共的稠的超循环子空间的充分条件.从而为进一步研究Hilbert空间上算子的超循环性提供了条件.

位移算子的子空间亚超循环性

利用超循环算子研究的方法,给出了一个判定亚超循环算子的充分条件,并且讨论了位移算子和加权位移算子的子空间亚超循环性性质.

循环子空间的进一步应用

以向量的极小多项式作为出发点,深入分析了循环子空间的具体结构,得到了循环子空间进一步的应用.

算子的超不变子空间与Wolf谱

对于与Volterra算子V交换的算子T,通过构造和计算,证明了:如果f(x)=1是T的一个循环向量,则A′(V)=A′(T).因而V的不变子空间都是T的超不变子空间.此外还证明了T是单的当且仅当T是稠值域的,进而σ(T)=σe(T)=σlre(T).

结合超像元和子空间投影支持向量机的高光谱图像分类

目的高光谱图像包含了丰富的空间、光谱和辐射信息,能够用于精细的地物分类,但是要达到较高的分类精度,需要解决高维数据与有限样本之间存在矛盾的问题,并且降低因噪声和混合像元引起的同物异谱的影响。为有效解决上述问题,提出结合超像元和子空间投影支持向量机的高光谱图像分类方法。方法首先采用简单线性迭代聚类算法将高光谱图像分割成许多无重叠的同质性区域,将每一个区域作为一个超像元,以超像元作为图像分类的最小单元,利用子空间投影算法对超像元构成的图像进行降维处理,在低维特征空间中执行支持向量机分类。本文高光谱图像空谱综合分类模型,对几何特征空间下的超像元分割与光谱特征空间下的子空间投影支持向量机(SVMsub),采用分割后进行特征融合的处理方式,将像元级别转换为面向对象的超像元级别,实现高光谱图像空谱综合分类。结果在AVIRIS(airbone visible/infrared imaging spectrometer)获取的Indian Pines数据和Reflective ROSIS(optics system spectrographic imaging system)传感器获取的University of Pavia数据实验中,子空间投影算法比对应的非子空间投影算法的分类精度高,特别是在样本数较少的情况下,分类效果提升明显;利用马尔可夫随机场或超像元融合空间信息的算法比对应的没有融合空间信息的算法的分类精度高;在两组数据均使用少于1%的训练样本情况下,同时融合了超像元和子空间投影的支持向量机算法在两组实验中分类精度均为最高,整体分类精度高出其他相关算法4%左右。结论利用超像元处理可以有效融合空间信息,降低同物异谱对分类结果的不利影响;采用子空间投影能够将高光谱数据变换到低维空间中,实现有限训练样本条件下的高精度分类;结合超像元和子空间投影支持向量机的算法能够得到较高的高光谱图像分类精度。

关于算子族的复杂性（英文）

本文主要讨论Banach空间上有界线性算子族的复杂性,刻画具有稠密G_δ共同超循环向量集的算子族,推广Kit C.Chan和Rebecca Sanders的结果.作为应用,证明算子族{λB:λ∈Λ}的共同超循环向量集是一个稠密的G_δ集,这里B是单边移位算子,Λ是C的一个有界闭子集,满足λ∈Λ,|λ|>1.

常曲率黎曼空间的特征性质及其应用

A、Fialkow在他的文章[1]中用超曲面的几何性质来表达常曲率黎曼空间的特征,并且比较全面地讨论了常曲率空间的正常(proper)超曲面的种种性质.利用他的想法,本文把他的结果推广到子空间的情况,即常曲率空间由其子空间的几何性质来表示它的特征,以及常曲率空间的所谓正常可一致子空间的若干性质.例如,本文定理2.1是文章[1]

关于拟常曲率黎曼空间的循环超曲面

给出拟常曲率空问Ｎ中循环超曲面Ｍ局部对称的一个充要条件，并且证明若拟常曲率空间Ｎ的生成元是其完备不可约双循环超曲面Ｍ的法向量或切向量，则Ｍ是循环的。

一种无需信源数目的方位估计方法

针对子空间类波达角估计算法虽然性能可以达到超分辨,但当信源个数估计错误时,从而使得子空间划分错误将导致子空间类算法性能急剧下降的问题,本文提出一种无需信源数的超分辨波达角估计算法。该方法利用特定协方差矩阵的最小特征值对应的向量的正交性构建空间谱,因此算法无需已知信源数目,并讨论了所提算法下参数的边界条件以及选参方法。本文算法实现简单,与无需信源个数的最小方差无畸变响应算法相比拥有更高的分辨率以及更好的估计精度。通过计算机仿真实验分析验证了算法的可行性。