1)eigenvalue decomposition特征值分解
1.A new TDE method based on adaptive eigenvalue decomposition in presence of impulsive noises;脉冲噪声下基于自适应特征值分解的时延估计新方法
2.In the blind source separation when there is noise present in the data,the methods of estimating the number of sources are mainly as follows: eigenvalue decomposition,the Akaike information criterion(AIC),the minimum description lengt.证明了无观测噪声时,利用观察信号数据矩阵的零空间估计法确定信号源数目的方法,等价于通过计算观察信号数据矩阵的秩来确定信号源数目;阐述了在信号源盲分离中有观测噪声时,国内外信号源数目估计的主要方法:特征值分解、Akaike信息准则(AIC)、最小描述长度(MDL)及Minka Bayesian准则,通过理论分析与实验结果对这些方法进行比较,得出各方法的适用范围以及影响估计的主要参数,为信号源数目的正确获取提供参考。
3.Based on the correctional signal auto-relation matrix eigenvalue decomposition, this m.提出基于特征空间求根法进行频率的精确估计,对修正的信号自相关矩阵进行特征值分解,利用信号子空间和噪声子空间的正交性构造多项式,进行多项时求根,得到单位圆上的根进行频率估计,在此基础上通过三角回归法,解一超定方程组得到相应的振幅和相位。
英文短句/例句
1.Fast Nulling Method Based on Eigenvalue Decomposition基于特征值分解的快速零陷形成技术
2.A Novel MUSIC Algorithm without Eigende-composition一种不需要特征值分解的MUSIC新算法
3.The Rank-decision Equality of Singular Value and Eigen Value Decomposition for Harmonics Analysis奇异值与特征值分解在谐波源定阶中的等价性
4.An Antenna Selection Algorithm Based on Matrix Eigenvalue Decomposition in MIMO System基于矩阵特征值分解的MIMO天线选择算法
5.Variable step-size AED for time delay estimation一种变步长的自适应特征值分解时延估计方法
6.The Method of Moving Target Detection Based on the Eigen-Decomposition of the Single-Channel SAR Image Sequence基于单通道SAR图像序列特征值分解的动目标检测方法
7.An SVD-Based Advanced Data Perturbation Method for Privacy-Preserving Data Mining一种基于特征值分解的数据挖掘隐私保护扰乱增强方法
8.A Feature Analysis of Numerical Solution for Partial Differential Equations;偏微分方程组数值解奇异性特征分析
9.Solving Eigenvalue and Eigenvector of a Kind of Block Matrix;一类分块矩阵的特征值及特征向量的求解
10.Researches of Methods of Numerical Solution Based on Proper Orthogonal Decomposition Technology for Burgers Equations;Burgers方程基于特征正交分解方法的数值解法研究
11.Uses graphic analytic method to find the eigenvalues of heat conduction equations.采用图解分析法求出热传导方程的特征值。
12.The solution of the set of second-order linear differential equations depends on the eigenvalues of A.二阶线性微分方程组（6．10）的解依赖于A的特征值。
13.Positive Solution to Non-Linear Tkree-order Differential Equations CHaracteristic Root;非线性三阶微分方程特征值问题的正解
14.Feature extraction methods based on singular value decomposition基于奇异值分解的信号特征提取方法研究
15.A Decomposition Theorem of Khler Manifolds With Constant Ricci Eigenvalues具有常Ricci特征值的Khler流形的一个分解定理
16.Green Function and Positive Solutions for Boundary Eigenvalue Problem of nth Order Difference Equationn阶差分方程特征边值问题的Green函数和正解
17.ANALYZING DYNAMIC CHARACTERISTICS OF NC TABLE BY MEANS OF SVD用奇异值分解研究数控工作台动态特征
18.numerical method of generalized eigenvalue problem广义特征值问题数值解法
相关短句/例句
EVD特征值分解
1.In this paper, a novel algorithm for high resolution DOA estimation is proposed, which not only skips sources number estimation and EVD, but also behaves satisfactorily with a few snapshot, it may be viewed as a combination of merit of conventional Capon and MUSIC method.该文提出一种超分辨的DOA估计算法,此算法不需要预判信源个数和进行特征值分解,同时在时变环境中,针对快拍数较少的情况下,依然保持较高的角度分辨能力,可以被认为是综合了Capon法和MUSIC法的优点。
2.It is an important direction, which use EVD (Eigen Value Decomposition) or SVD (Singular Value Decomposition) in modern spectral estimation.采用特征值分解(Eign Value Decomposition简称EVD)或者奇异值分解(Singular Value Decomposition简称SVD)进行功率谱估计，仍然是现代功率谱估计研究和应用的重要方向之一。
3.High-resolution spectrum estimation was achieved, which not only avoided number of signal estimation and EVD, but also could still maintain a relatively high angle resolution at lower SNR.该算法继承了求根MUSIC算法优越的性能,直接利用阵列接收数据的协方差矩阵,无须预判信源个数和进行特征值分解,实现高分辨谱估计,同时在信噪比较小时,仍能保持较高的角度分辨力。
3)SVD特征值分解
4)Singular Value Decomposition(SVD) /Eigen Value Decomposition(EVD)奇异值分解/特征值分解
5)dimension-reduced EVD降维特征值分解
6)generalized eigenvalue decomposition广义特征值分解
1.A linear blind source separation algorithm based on generalized eigenvalue decomposition is presented.在给出了一种基于广义特征值分解的线性混合信号盲分离方法的基础上,结合核特征空间而给出了一种非线性混合信号盲分离算法。
延伸阅读
偏微分算子的特征值与特征函数 由边界固定的膜振动引出的拉普拉斯算子的特征值问题：是一个典型的偏微分算子的特征值问题,这里x=(x1,x2)；Ω是膜所占据的平面区域。使得问题有非平凡解（非零解）的参数λ的值,称为特征值；相应的解称为特征函数。当Ω有界且边界嬠Ω满足一定的正则条件时,存在可数无穷个特征值,相应的特征函数ψn(x)组成l2(Ω)上的完备正交系。乘以常因子来规范ψn(x)，使其l2(Ω)模为1,则Ω上的任意函数??(x)的特征展式可写为：当??可以"源形表达"，即??满足边界条件且Δ??平方可积时,展式在Ω一致收敛。当??平方可积时，展式平方平均收敛，且有帕舍伐尔公式： 对膜振动问题的认识还是相当有限的。能够精确地知道特征值的，只限于矩形、圆盘等少数几种非常简单的区域。对椭圆和一般三角形的特征值精确值，还几乎毫无所知。其他情形就更谈不上了。 将不超过 λ的特征值的个数记为N(λ)。特征值的渐近分布由N(λ)对大 λ的渐近式来刻画。这方面最早的结果是（C.H.）H.外尔在1911年得到的（外尔公式）： 式中表示Ω的面积。R.库朗将余项改进为。对于多角形区域，又有人将余项改进到。各种情况下改进余项估计的工作至今绵延不绝。外尔猜测有一个更强的结果：式中｜嬠Ω｜是区域边界之长，但尚未被证出。 与此密切相关的是下面的MP公式：(t→+0) 取一个渐近项时，用陶伯型定理可由它推出N(λ)的外尔公式。第二渐近项与外尔猜想非常相象，但由此证不出外尔猜想。第三项迟至1966年才被M.卡茨导出，后来由H.P.麦基恩与I.M.辛格严格证明,其中h表示鼓膜Ω的洞数。 特征值与膜振动频率有一个直接的换算关系，M.卡茨据此给MP公式一个非常生动的解释：可以"听出"鼓膜的面积|Ω|、周长｜嬠Ω｜和洞的个数h！由于1-h恰巧是Ω的欧拉-庞加莱示性数,是整体几何中颇受重视的一个不变量，"听出鼓形"或"谱的几何"问题立即引起人们的强烈兴趣，并导致一系列重要的研究。不过一般的特征值反问题,要求从特征值的谱完全恢复Ω,还远远没有解决。 用陶伯型定理得出N(λ)渐近式的方法，由T.卡莱曼于1934年首创，他还得到谱函数的渐近式：(λ→∞)，式中δxy当x=y时为1，当x≠y时为0。 上述关于拉普拉斯算子的结果，由L.戈尔丁和F.E.布劳德推广到 Rn的有界区域Ω上的m 阶椭圆算子。尽管推算繁杂，但结果十分简单整齐：；；式中 v(x) 表示集合{ξ｜｜A0(x,ξ)｜<1}的勒贝格测度，而是A的最高阶导数项相应的特征形式。特征展开定理亦由L.戈尔丁得出。 对于奇异情形，例如薛定谔方程 的谱问题,可以证明存在谱函数S(x，y，λ),特征展式为。由于可能出现连续谱，S(x，y，λ)一般不一定能写成前述特征函数双线和的形式。判定奇（异）微分算子谱的离散性是很有意义的工作。已经出现各种充分条件。不过关于特征值与特征函数渐近性质的研究，还只是限于少数特例。 在处理‖x‖→∞ 时V(x)→∞的情形，M.卡茨与D.雷等人曾创造了一种系统的概率方法，其中借助数学期望表出格林函数，有效地求出谱函数与特征值的渐近式： 。 当算子A的系数不光滑,或非一致椭圆，或非自共轭，以及边条件带特征参数或带非定域项等等情形，都出现不少研究结果。还有人考察Au=λBu型的特征值问题,这里A、B都是椭圆算子。 除上述问题外，特征展式的收敛性与求和法也一直受到人们的关注。
