Cтраница 1
Базис собственных векторов (1.67) может быть использован для разложения вектора q в ряд. [1]
Базис собственных векторов (1.77) может быть использован для разложения функции ф в ряд. [2]
Линейный оператор А, имеющий базис собственных векторов, называется диагоналигируемым или полу-простым. А, а столбцы матрицы X - соответствующие им собственные векторы. [3]
Таким образом, в базисе собственных векторов fa, 2, , In матрица линейного преобразования Т является диагональной. [4]
Если В и С имеют общий базис собственных векторов, то существует ортогональная матрица 5, такая, что STBS и STCS являются диагональными матрицами, которые обязательно коммутативны. [5]
Дается представление оператора спина в базисе собственных векторов оператора одной из его декартовых проекций. [6]
Для эрмитова или унитарного опера-гора А существует ортоиормироваиный базис собственных векторов. [7]
СОВА: матрица данных уже была пересчитана в базис собственных векторов. [8]
Для того чтобы реализовать описанные алгоритмы восстановления линейной регрессии в базисе собственных векторов матрицы ХТХ, необходимо перед выполнением программы ВОЛНА преобразовать исходную матрицу наблюдений с помощью программы СОВА. [9]
Напомним, что формулы (36.5) - (36.8) дают представление спина в базисе собственных векторов его Z-проекций. [10]
Вторую группу образуют алгоритмы построения линейной оценки регрессии с выбором оптимального набора аргументов в базисе собственных векторов ковариационной матрицы. Для их реализации необходимо после ввода исходных данных провести ( на втором этапе) их преобразование с помощью программы СОВА. Программа преобразует координаты входных векторов обучающей и экзаменационной ( рабочей) выборки и запишет их в файл данные вместо исходных. Далее на третьем этапе, используется программа ВОЛНА в любом из описанных выше режимов построения линейного приближения регрессии или оценки значений регрессии в заданных точках. [11]
Если пространство состояний понимается как абстрактное гильбертово пространство, то представление есть выбор и качестве базиса собственных векторов некоторого полного набора наблюдаемых и описание векторов состояния через координаты в этом базисе. [12]
V - Равенство ВС СВ выполняется тогда и только тогда, когда В и С имеют общий базис собственных векторов. Если ВС СВ, то матрицы ВС и СВ имеют собственные значения p Yi, -, РЛ-YJV и семейство собственных векторов, общих для В и С. [13]
В задачах с плохо обусловленной ковариационной матрицей может оказаться целесообразным и в случае нелинейной аппроксимации перейти к базису собственных векторов матрицы. Для этого исходные данные необходимо подвергнуть обработке с помощью программы СОВА. Далее исследователь может выделить ( в новом базисе) координаты, соответствующие малым собственным числам, н исключить их из дальнейшего рассмотрения с помощью масок признаков для программы ТАКСОН и ВОЛНА. Это может ускорить работу и повысить точность решения. [14]
Доказать, что два самосопряженных преобразования ф и ф унитарного ( или евклидова) пространства Ra тогда и только тогда имеют общий ортонормированиый базис собственных векторов обоих преобразований, когда эти преобразования перестановочны. Какое свойство квадратичных форм и поверхностей второго порядка отсюда вытекает. [15]