图变换及其在图的最小特征值的应用

假设G是一个简单连通图,其顶点集V(G)={v_(1),v_(2),⋯,vn}.图G的邻接矩阵表示为A(G)=(a_(ij))n×n,其中如果两个顶点vi和vj在图G中相邻,则a_(ij)=1;否则a_(ij)=0.由于A(G)是一个实对称矩阵,所以其特征值可以排列为λ_(1)(G)≥λ_(2)(G)≥⋯≥λn(G),A(G)的特征值也是图G的特征值。文章首先给出图的三个图变换,然后应用其确定存在两个有n≥12个顶点的连通图,其最小特征值可以达到所有单圈图的补图中最小,这修改了文献[9]中的主要结果。

具有n-4个悬挂点的双圈补图的最小特征值的下界

图的最小特征值作为刻画图结构性质的参数具有重要的研究意义,且相比于谱半径,图的最小特征值研究较少.在补图简单无向且连通的情况下,通过运用相关知识分析,在有n-4个悬挂点的n阶双圈图集中刻画了最小邻接特征值的下界.

给定最大度的补图的最小特征值

假设G是一个简单连通图,其顶点集V(G)={v1,v2,⋯,vn}。图G的邻接矩阵表示为A(G)=(aij)n×n,其中如果两个顶点vi和vj在图G中相邻,则aij=1;否则aij=0。用Jn表示所有元素均为1的n阶矩阵,并且用In表示n阶单位矩阵,那么A(Gc)和A(G)之间有A(Gc)=Jn−In−A(G)。在这篇文章中,通过使用A(Gc)和A(G)的关系,确定了给定最大度Δ≥⌈n2⌉的所有简单图的补图中最小特征值达到最小的图。

关于M-矩阵Schur积最小特征值的几个新不等式

运用非奇异M-矩阵和矩阵Schur积的定义及性质,结合矩阵的特征值包含域定理和不等式放缩技巧,对非奇异M-矩阵和M-矩阵的逆矩阵的Schur积的最小特征值下界做进一步研究,给出其在不同情况下的几个新不等式。新不等式在某些条件下改进了现有文献中的结论,计算简单且更精确,具有一定的优越性。

矩阵Hadamard积的最小特征值新下界

依据Gerschgorin定理,给出非奇异M-矩阵Hadamard积的最小特征值新的下界,新结果只与相关矩阵的元素有关,在计算上比现有结果更容易.新估计式改进了现有文献中的一些结果,是现有结果的有益补充.

非奇异M-矩阵特殊积最小特征值下界的新估计

根据非奇异M-矩阵的性质和矩阵的特征值包含域定理,结合两个M-矩阵Hadamard积的特征,分别给出q(B°A-1)和q(A°A-1)下界的一个新估计式。对A-1是双随机矩阵时B与A-1的Hadamard积最小特征值下界的估计式进行改进,理论证明这些估计式改进了现有的结果,且这些估计式仅用到矩阵A和B的元素,计算更简捷。通过数值算例表明新估计式的优越性和有效性,估计结果更接近于真实值。

M-矩阵与其逆矩阵的Hadamard积最小特征值下界的估计

关于M-矩阵A与其逆矩阵的Hadamard积AA-1,利用Gerschgorin圆盘定理给出了AA-1的最小特征值下界的一些新的估计式,改进了Fiedler和Markham的猜想.

基于最大最小特征值之差的频谱感知技术研究

频谱感知技术是认知无线电系统的关键技术之一,该文基于阵列天线理论,利用并分析接收信号相关矩阵,并以其最大与最小特征值之差作为检验统计量,进而判断主用户是否存在,实现频谱感知。理论分析和仿真结果均表明,此方法的感知性能明显优于能量检测算法,并且有效地解决了噪声不确定度对检测性能的影响。

不可约M-矩阵最小特征值的估计

文献中给出了估计弱对角占优M-矩阵的最小特征值的一些方法。本文中利用M-矩阵的最小特征值与非负矩阵潜半径之间的关系,给出了不可约M-矩阵最小特征值上下界的几个估计式。

基于最小特征值的合作频谱感知新算法

针对认知无线电中频谱感知问题,利用随机矩阵理论(random matrix theory,RMT)最新研究成果,提出了一种基于采样协方差矩阵最小特征值(smallest eigenvalue,SE)的合作频谱感知新算法。该算法采用的最小特征值分布函数比目前所采用的最大特征值的近似分布函数更精确。理论分析表明,与MED(maximum eigenvalue detection)算法和能量检测法(ED)相比,SE算法具有合理性更强、判决门限更低以及感知灵敏度更高的特点。仿真结果也显示,该算法不仅漏检概率更低,感知性能更好,而且在认知用户数较少、样本较小的情况下,也可获得较好的检测性能。

Z-矩阵最小特征值及特征向量的数值算法

基于Z-矩阵与非负矩阵的关系,给出了不可约Z-矩阵最小特征值及特征向量的同步数值算法,数值实验表明算法是可行有效的。

补图为2-点或2-边连通的图的最小特征值(英文)

图的最小特征值定义为图的邻接矩阵的最小特征值,是刻画图结构性质的一个重要代数参数.在所有给定阶数的补图为2-点或2-边连通的图中,刻画了最小特征值达到极小的唯一图,并给出了这类图最小特征值的下界.

基于最小特征值分布的频谱感知算法

现有的频谱感知算法中,能量检测容易实现,但检测性能依赖噪声功率。基于随机矩阵理论的频谱感知算法巧妙地规避了噪声不确定性对检测性能带来的影响,但大都采用的是最大特征值的近似分布规律,所得到阈值表达式的精度有待进一步提高。针对上述问题,通过利用随机矩阵理论的最新研究成果,提出一种基于接收信号样本协方差矩阵最小特征值分布的频谱感知算法。最小特征值的分布函数不基于渐近假设,更加符合实际的通信情境。推导所得的阈值表达式是虚警概率的函数,在小样本情况下,对它的有效性和优越性进行了分析与验证。根据单一变量原则,分别在低样本点、低协作用户数、低信噪比和低虚警概率条件下对提出算法与最大最小特征值算法的检测性能进行了仿真比较,检测概率最多可以提高0.2左右。结果表明,该算法能够显著改善系统的检测性能。

不可约Z-矩阵最小特征值的数值算法

首先给出了不可约非负矩阵最大特征值的上下界。然后利用相似变换构造了一列相似矩阵,从而得到不可约非负矩阵最大特征值的逐步压缩的一列上下界,其极限为所要求的最大特征值。最后利用Z-矩阵与非负矩阵的关系,给出了计算不可约Z-矩阵最小特征值的一个新算法。理论上给出了收敛性证明。该算法迭代过程简单,不用计算逆矩阵,从而计算量小,占用内存少。数值实验的结果表明该算法具有可行性和有效性。

M矩阵与M矩阵的逆矩阵的Hadamard积的最小特征值的下界估计式

给出了M矩阵的逆矩阵的对角元素的一个下界及M矩阵和M矩阵的逆矩阵的Hadmard积的最小特征值的一个下界,通过理论证明改进了现有的结果,并通过数值算例进行了说明.

M-矩阵与其逆矩阵的Hadamard积最小特征值的新下界

关于M-矩阵与其逆矩阵的Hadamard积A。A-1,给出A。A-1的最小特征值下界的一些新的估计式,新下界估计式只依赖于矩阵的元素,易于计算。算例表明,新估计式有效地改进了Fiedler和Markham的猜想,也改进了其它已有的结果。

严格对角占优M-矩阵最小特征值的新界

利用严格对角占优M-矩阵A的逆矩阵A-1非主对角元素的估计式,首先给出了A-1的主对角元素的上下界,然后利用这个新界得到了最小特征值τ(A)的新估计式.理论证明和数值算例都说明新的估计式改进了李朝迁2013年给出的结果.

M-矩阵与其逆矩阵的Hadamard积的最小特征值的下界

对M-矩阵A与其逆矩阵A-1的Hadamard积的最小特征值τ(A°A-1)的下界进行了研究,给出了其下界的新估计式,而且证明了这些估计式是现有一些结果的推广.最后用数值算例验证了所得的结果改进了现有的某些结果.

M-矩阵Hadamard积的最小特征值下界的新估计式(英文)

设B和A是非奇异M-矩阵,给出B和A-1的Hadamard积的最小特征值下界τ(B°A-1)的一个新估计式,理论证明和算例表明,本文所得新估计式改进了现有的一些结果.

非奇异M-矩阵的逆矩阵和M-矩阵的Hadamard积的最小特征值下界估计

给出非奇异M-矩阵的逆矩阵和M-矩阵的Hadamard积的最小特征值下界新的估计式,这些估计式都只依赖于矩阵的元素.数值例子表明,新估计式在一定条件下改进了Fiedler和Markham的猜想,也改进了其它已有的结果.