西安交大,模式识别,基于IRIS的PCA与KPCA算法

统计西安交大期末考试试题(含答案)

西安交大统计学考试试卷 一、单项选择题（每小题2 分，共20 分） 1.在企业统计中，下列统计标志中属于数量标志的是（C） A、文化程度 B、职业 C、月工资 D、行业 2.下列属于相对数的综合指标有（B ） A、国民收入 B、人均国民收入 C、国内生产净值 D、设备台数 3.有三个企业的年利润额分别是5000 万元、8000 万元和3900 万元，则这句话中有（B）个变量？ A、0 个 B、两个 C、1 个 D、3 个 4.下列变量中属于连续型变量的是（A ） A、身高 B、产品件数 C、企业人数 D、产品品种 5.下列各项中，属于时点指标的有（A ） A、库存额 B、总收入 C、平均收入 D、人均收入 6.典型调查是（B ）确定调查单位的 A、随机 B、主观 C、随意 D 盲目 7.总体标准差未知时总体均值的假设检验要用到（A ）： A、Z 统计量 B、t 统计量 C、统计量 D、X 统计量 8.把样本总体中全部单位数的集合称为（A ） A、样本 B、小总体 C、样本容量 D、总体容量 9.概率的取值范围是p（D ） A、大于1 B、大于－1 C、小于1 D、在0 与1 之间 10.算术平均数的离差之和等于（A ） A、零 B、1 C、－1 D、2 二、多项选择题（每小题2 分，共10 分。每题全部答对才给分，否则不计分） 1.数据的计量尺度包括（ABCD ）： A、定类尺度 B、定序尺度 C、定距尺度 D、定比尺度 E、测量尺度 2.下列属于连续型变量的有（BE ）： A、工人人数 B、商品销售额 C、商品库存额 D、商品库存量 E、总产值 3.测量变量离中趋势的指标有（ABE ） A、极差 B、平均差 C、几何平均数 D、众数 E、标准差 4.在工业企业的设备调查中（BDE ） A、工业企业是调查对象 B、工业企业的所有设备是调查对象 C、每台设备是 填报单位D、每台设备是调查单位E、每个工业企业是填报单位 5.下列平均数中，容易受数列中极端值影响的平均数有（ABC ） A、算术平均数 B、调和平均数 C、几何平均数 D、中位数 E、众数 三、判断题（在正确答案后写“对”，在错误答案后写“错”。每小题1 分，共10 分） 1、“性别”是品质标志。（对）

西安交通大学计算方法B上机试题

1.计算以下和式：01421181 84858616n n S n n n n ∞ =?? =--- ?++++??∑ ，要求： (1)若保留11个有效数字，给出计算结果，并评价计算的算法； (2)若要保留30个有效数字，则又将如何进行计算。 （1）题目分析 该题是对无穷级数求和，因此在使用matlab 进行累加时需要一个累加的终止条件。这里令?? ? ??+-+-+-+= 681581482184161n n n n a n n ，则 ()()1.016 1 6855844864816114851384128698161 681581482184161148113811282984161111<< ? ??? ????? ??++++++???? ????? ??++++++=??? ????? ??+-+-+-+??? ????? ??+-+-+-+=+++n n n n n n n n n n n n n n n n a a n n n n n n 故近似取其误差为1+≈k a ε，并且有m -1m -111021 21 ?=?=≈+βεk a ， （2）算法依据 使用matlab 编程时用digits 函数和vpa 函数来控制位数。 （3）Matlab 运行程序 %%保留11位有效数字 k1=11; s1=0;%用于存储这一步计算值 for n=0:50 a=(1/16^n)*(4/(8*n+1)-2/(8*n+4)-1/(8*n+5)-1/(8*n+6)); n1=n-1; if a<=0.5*10^(1-k1) break end end; for i=0:1:n1 t=(1/16^i)*(4/(8*i+1)-2/(8*i+4)-1/(8*i+5)-1/(8*i+6)); s1=s1+t; end s11=vpa(s1,k1); disp('保留11位有效数字的结果为：');disp(s11); disp('此时n 值为：');disp(n1); %%保留30位有效数字 clear all; k2=30;

西安交大成本会计在线作业答案精编版

西安交大成本会计在线 作业答案 文件编码（008-TTIG-UTITD-GKBTT-PUUTI-WYTUI-8256）

《成本会计》3（2017） 试卷总分：100 测试时间：-- 一、单选题（共25道试题，共50分。） 1.如果同一时期内，在几张定单中规定有相同的产品，则计算成本时 可以(D )。 A. 按定单分批组织生产 B. 按品种分批组织生产 C. 按产品的组成部分分批组织生产 D. 将相同产品合为一批组织生产 满分：2分 2.不在“财务费用”账户核算的项目是(A )。 A. 业务招待费 B. 利息费用 C. 汇兑损失 D. 金融机构结算手续费 满分：2分 3.“基本生产成本”月末借方余额表示(B )。 A. 本期发生的生产费用 B. 完工产品成本 C. 月末在产品成本 D. 累计发生的生产费用 满分：2分 4.下列不属于成本计算基本方法的是(C )。 A. 品种法 B. 分批法 C. 分类法

满分：2分 5.成本还原的对象是（D ）。 A. 产成品成本 B. 各步骤半成品成本 C. 最后步骤产成品成本 D. 产成品成本中所耗上步骤半成品成本费用 满分：2分 6.采用计划成本分配法分配辅助生产费用，辅助生产的实际成本是 (B )。 A. 按计划成本分配前的实际费用 B. 按计划成本分配前的实际费用加上按计划成本分配转入的费用 C. 按计划成本分配前的实际费用减去按计划成本分配转出的费用 D. 按计划成本分配前实际费用加上按计划成本分配转入的费用， 减去按计划成本分配转出的费用 满分：2分 7.成本会计最基本的任务和中心环节是（ C）。 A. 进行成本预测，编制成本计划 B. 审核和控制各项费用的支出 C. 进行成本核算，提供实际成本的核算资料 D. 参与企业的生产经营决策 满分：2分 8.下列各项属于产品成本项目的有（C ）。 A. 财务费用 B. 管理费用

PCA主成分分析计算步骤

主成分分析（ Principal Component Analysis ， PCA ）是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n*m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。 PCA 的目标是寻找 r （ r

成本会计-学习指南 西交大考试题库及答案

成本会计-学习指南 一、单项选择题 1．产品成本计算分类法的成本计算对象是（A ） A．产品类别B．产品品种 C．产品规格D．产品加工步骤 2．生产经营费用按费用的（B ）分类形成要素费用。 A．经济内容B．经济性质 C．经济用途D．经济作用 3．对大量大批生产的产品，应当以（A ）作为产品成本计算对象。 A．产品的品种B．产品的批次 C．产品的生产步骤D．产品的类别 4．最基本的产品成本计算方法是（C ） A．分批法B．分步法 C．品种法D．分类法 5．李某本月生产甲零件2000只，其中合格品1950只，工废品30只，料废品20只。本月李某计算计件工资的甲零件数量是（ C ） A．2000 B．1980 C．1970 D．1950 6．成本会计的对象是（D ） A．产品生产成本的形成 B．各项期间费用的支出和归集 C. 生产费用和期间费用 D．各行业企业生产经营业务的成本和有关的期间费用 7．下列制造费用分配方法中，使制造费用账户可能出现余额的是（D ）A．工时比例法B．工资比例法 C．机时比例法D．年度计划分配率法 8．成本会计的最基本职能是（C ） A．成本预测B．成本决策 C．成本核算D．成本分析 9．下列企业中，适合运用品种法计算产品成本的是（A ） A．发电厂B．纺织厂 C．拖拉机厂D．造船厂 10．王某去年8月参加工作（病假扣发比例为40%），月标准工资418元，本月日历天数为31天，出勤19天，双休日8天，病假4天（合双休日1天）。若按月薪制计算，月工作天数为20.9天，则本月应付王某的计时工资是（ B ）A．386元B．394元C．396元D．418元 11．下列报表中不属于产品成本报表的是（D ） A．主要产品单位成本表B．制造费用明细表 C．营业费用明细表D．主营业务收支明细表 12．甲、乙两种产品的重量不同、材料单位消耗量基本相同、企业没有制定材料单位消耗定额、材料领用时未能区分每种材料的消耗量，则对甲、乙产品共同消耗的材料费用，可以用作为分配标准的是（ B ）

PCA算法详解

主成分分析法 主成分分析（Principal Component Analysis，简称PCA）方法是目前应用很广泛的一种代数特征提取方法，可以说是常用的一种基于变量协方差矩阵对样本中的信息进行处理、压缩和抽提的有效方法，主要通过K-L（Karhunen-Loeve）变换展开式从人脸数据库中提取人脸的主要特征[i]，构成特征脸空间，在识别时将待测试的人脸图像投影到特征脸空间，得到一组投影系数，与数据库中各个人脸图像进行比对识别。这种方法保留了原向量在与其协方差矩阵最大特征值相对应的特征向量方向上的投影，即主分量(Principal Components)，因此被称为主成分分析。由于PCA方法在进行降维处理和人脸特征提取方面的有效性，在人脸识别领域得到了广泛的应用。它的核心思想是：利用较少数据的特征对样本进行描述以达到降低特征空间维数的目的，根据样本点在多维空间的位置分布，以样本点在空间中变化最大方向，即方差最大方向，作为差别矢量来实现数据的特征提取。利用K-L变换抽取人脸的主要成分，利用特征脸法进行人脸识别的过程由训练阶段和识别阶段两个阶段组成。 3.1.1 K-L变换概述 K-L变换是Karhunen-Loeve变换的简称，是一种特殊的正交变换。它是建立在统计特性基础上的一种变换，它的突出优点是它能去相关性，而且是均方误差(Mean Square Error，MSE)意义下的最佳变换。 K-L变换的基本思想是在一个新的特征空间中将样本数据沿其特征矢量用对齐的方式进行旋转变换。这个变换有效地克服了样本数据向量间的相关性，从而去除那些只带有较少信息的数据以达到降低特征空间维数的目的。经过以上K-L 变换得到的特征是原图像向量的正交分解，其图像信息的总能量不变，不损失任何信息。在这个互相正交、可测量的特征空间中进行图像的特征提取可以有效地利用图像之间的差异，提取有效信息。K-L特征空间中，较大特征值所对应的特征向量体现原图像的总体趋势以及低频分量，较小特征值所对应特征向量体现原图像的细节变化以及高频分量所以人们用PCA法提取图像总体特征，其目的是用较少数量的特征对样本进行描述，同时又能保留所需要的识别信息。在人脸图像

西安交通大学计算方法B大作业

计算方法上机报告 姓名： 学号： 班级：

目录 题目一------------------------------------------------------------------------------------------ - 4 - 1.1题目内容 ---------------------------------------------------------------------------- - 4 - 1.2算法思想 ---------------------------------------------------------------------------- - 4 - 1.3Matlab源程序----------------------------------------------------------------------- - 5 - 1.4计算结果及总结 ------------------------------------------------------------------- - 5 - 题目二------------------------------------------------------------------------------------------ - 7 - 2.1题目内容 ---------------------------------------------------------------------------- - 7 - 2.2算法思想 ---------------------------------------------------------------------------- - 7 - 2.3 Matlab源程序---------------------------------------------------------------------- - 8 - 2.4计算结果及总结 ------------------------------------------------------------------- - 9 - 题目三----------------------------------------------------------------------------------------- - 11 - 3.1题目内容 --------------------------------------------------------------------------- - 11 - 3.2算法思想 --------------------------------------------------------------------------- - 11 - 3.3Matlab源程序---------------------------------------------------------------------- - 13 - 3.4计算结果及总结 ------------------------------------------------------------------ - 14 - 题目四----------------------------------------------------------------------------------------- - 15 - 4.1题目内容 --------------------------------------------------------------------------- - 15 - 4.2算法思想 --------------------------------------------------------------------------- - 15 - 4.3Matlab源程序---------------------------------------------------------------------- - 15 - 4.4计算结果及总结 ------------------------------------------------------------------ - 16 - 题目五----------------------------------------------------------------------------------------- - 18 -

python实验报告(经过pca算法)

#-*-coding:utf-8-*- """ Created on Fri923:15:472017 @author """ #-*-coding:utf-8-*- """ Created on Tue May3020:31:022017 @author: """ import pandas as pd import numpy as np from sklearn.preprocessing import Imputer from sklearn.cross_validation import train_test_split from sklearn import svm from sklearn import cross_validation from sklearn.decomposition import PCA from sklearn.lda import LDA def loadData(filePath): fr=open(filePath,'r+') lines=fr.readlines() Data=[] label=[] for line in lines: items=line.strip().split(",") label.append(items[0]) Data.append([float(items[i])for i in range(1,len(items))]) return Data,label if__name__=='__main__': x1_train,y1_train=loadData('C:\Users\Administrator\SPECTF.train') x_test,y_test=loadData('C:\Users\Administrator\SPECTF.test') x_train=[] y_train=[] for i in range(23,37): x_train.append(x1_train[i]) y_train.append(y1_train[i]) for i in range(173,187): x_train.append(x1_train[i]) y_train.append(y1_train[i])

西交大计算方法上机报告

计算方法（B）实验报告 姓名： 学号： 学院： 专业：

实验一 三对角方程组Tx f =的求解 一、 实验目的 掌握三对角方程组Tx f =求解的方法。 二、 实验内容 求三对角方程组Tx f =的解，其中： 4 -1 -1 4 -1 -1 4 1 -1 4T ????????=?? ?? ???? ， 3223f ?? ? ? ?= ? ? ??? 三、 算法组织 设系数矩阵为三对角矩阵 11222333111 b c a b c a b c a b c b n n n n T ---???????? =?????? ?????? 则方程组Tx f =称为三对角方程组。 设矩阵T 非奇异，T 可分解为T=LU ，其中L 为下三角矩阵，U 为单位上三角矩阵，记 1 1 212 313 1 1 1111 ,11n n n n n r l r l r L U l r l μμμμμ---???? ? ? ? ? ? ?== ? ? ? ? ? ? ? ? ? ?? ? ? ? 可先依次求出,L U 中的元素后，令Ux y =，先求解下三角方程组Ly f =得出 y ，再求解上三角方程组Ux y =。 追赶法的算法组织如下： 1.输入三对角矩阵T 和右端向量f ；

2.将Tx f =压缩为四个一维数组{}{}{}{}i i i i a b c d 、、、，{}{}{}i i i a b c 、、是T 的三对角线性方程组的三个对角，{}i d 是右端向量。将分解矩阵压缩为三个一维数组 {}{}{}i i i l r μ、、。 3.对T 做Crout 分解（也可以用Doolittle 分解）导出追赶法的计算步骤如下： 1111,b r c μ== for 2i n = 111, , ,i i i i i i i i i i i i i l a b a r r c y d l y μμ---==-==- end 4.回代求解x /n n n x y μ= for 11i n =- 1()/i i i i i x y c x μ+=- end 5. 停止，输出结果。 四、 MATLAB 程序 MATLAB 程序见附件1. 五、 结果及分析 实验结果为： (1.0000 1.0000 1.0000 1.0000)T x =

人脸识别PCA算法matlab实现及详细步骤讲解

%FaceRec.m %PCA人脸识别修订版，识别率88％ %calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); %imshow(a); b=a(1:112*92);%b是行矢量1×N，其中N＝10304，提取顺序是先列后行，即从上 到下，从左到右 b=double(b); allsamples=[allsamples;b];%allsamples是一个M*N矩阵，allsamples中每一行数 据代表一张图片，其中M＝200 end end samplemean=mean(allsamples);%平均图片，1×N for i=1:200xmean(i,:)=allsamples(i,:)-samplemean;%xmean是一个M×N矩阵，xmean 每一行保存的数据是“每个图片数据-平均图片” end; %获取特征值及特征向量 sigma=xmean*xmean';%M*M阶矩阵 [v d]=eig(sigma); d1=diag(d); %按特征值大小以降序排列 dsort=flipud(d1); vsort=fliplr(v); %以下选择90%的能量 dsum=sum(dsort); dsum_extract=0; p=0; while(dsum_extract/dsum<0.9) p=p+1; dsum_extract=sum(dsort(1:p)); end i=1; %(训练阶段)计算特征脸形成的坐标系 base=xmean'*vsort(:,1:p)*diag(dsort(1:p).^(-1/2)); %base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） %详见《基于PCA的人脸识别算法研究》p31 %xmean'*vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程 %while(i<=p&&dsort(i)>0) %base(:,i)=dsort(i)^(-1/2)*xmean'*vsort(:,i);%base是N×p阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） %详见《基于PCA的人脸识别算法研究》p31 %i=i+1;%xmean'*vsort(:,i)是小矩阵的特征向量向大矩阵特 征向量转换的过程 %end %以下两行add by gongxun将训练样本对坐标系上进行投影,得到一个M*p阶矩阵allcoor allcoor=allsamples*base;%allcoor里面是每张训练人脸图片在M*p子空间中的一个点，即在子空间中的组合系数， accu=0;%下面的人脸识别过程中就是利用这些组合系数来进行识别

西安电子科技大学出版社计算方法上机答案

西安电子科技大学出版社《计算方法》任传祥等编著第九章计算方法上机参考答案 实验一，算法一 #include #include double I0=log(6)/log(5),I1; int n=1; main () { while(1) { I1=1.0/(n)-I0*5.0; printf("%d %lf\n", n,I1); if(n>=20) break; else I0=I1; n++; } } 实验一，算法二 #include #include double I0=(1/105.0+1/126.0)/2,I1; int n=20; main () { printf("%d %lf\n", n,I0); while(1) { I1=1.0/(5.0*n)-I0/5.0; printf("%d %lf\n", n-1,I1); if(n<2) break; else I0=I1; n--; } } 实验二，二分法

#include #include #define esp 1e-3 double f(double x); main () { double a=1,b=2,x; while(fabs(b-a)>esp) { x=(a+b)/2; printf("x=%lf\n",x); if(f(x)==0) break; else if(f(x)*f(a)<0)b=x; else a=x; } } double f(double x) { return pow(x,3)-x-1; } 实验二，牛顿迭代法 #include #include double f(double x); double f1(double x); #define esp 1e-3 void main() {double x0 = 1.5, x1; x1 = x0 - f(x0) / f1(x0); printf("x=%lf\n", x1); x0 = x1; x1 = x0 - f(x0) / f1(x0); printf("x=%lf\n", x1); while (fabs(x1 - x0)>esp){ x0 = x1; x1 = x0 - f(x0) / f1(x0); printf("x=%lf\n", x1);} } double f(double x) {return pow(x, 3) - x - 1;} double f1(double x) {return 3 * x*x - 1;}

人脸识别PCA算法matlab实现及详细步骤讲解

% FaceRec.m % PCA 人脸识别修订版，识别率88％ % calc xmean,sigma and its eigen decomposition allsamples=[];%所有训练图像 for i=1:40 for j=1:5 a=imread(strcat('e:\ORL\s',num2str(i),'\',num2str(j),'.jpg')); % imshow(a); b=a(1:112*92); % b 是行矢量1×N，其中N＝10304，提取顺序是先列后行，即从上 到下，从左到右 b=double(b); allsamples=[allsamples; b]; % allsamples 是一个M * N 矩阵，allsamples 中每一行数 据代表一张图片，其中M＝200 end end samplemean=mean(allsamples); % 平均图片，1 × N for i=1:200 xmean(i,:)=allsamples(i,:)-samplemean; % xmean 是一个M × N 矩阵，xmean 每一行保存的数据是“每个图片数据-平均图片” end; % 获取特征值及特征向量 sigma=xmean*xmean'; % M * M 阶矩阵 [v d]=eig(sigma); d1=diag(d); % 按特征值大小以降序排列 dsort = flipud(d1); vsort = fliplr(v); %以下选择90%的能量 dsum = sum(dsort); dsum_extract = 0; p = 0; while( dsum_extract/dsum < 0.9) p = p + 1; dsum_extract = sum(dsort(1:p)); end i=1; % (训练阶段)计算特征脸形成的坐标系 base = xmean' * vsort(:,1:p) * diag(dsort(1:p).^(-1/2)); % base 是N×p 阶矩阵，除以dsort(i)^(1/2)是对人脸图像的标准化（使其方差为1） % 详见《基于PCA 的人脸识别算法研究》p31 % xmean' * vsort(:,i)是小矩阵的特征向量向大矩阵特征向量转换的过程 %while (i<=p && dsort(i)>0) % base(:,i) = dsort(i)^(-1/2) * xmean' * vsort(:,i); % base 是N×p 阶矩阵，除以dsort(i)^(1/2) 是对人脸图像的标准化（使其方差为1） % 详见《基于PCA 的人脸识别算法研究》p31 % i = i + 1; % xmean' * vsort(:,i)是小矩阵的特征向量向大矩阵特 征向量转换的过程 %end % 以下两行add by gongxun 将训练样本对坐标系上进行投影,得到一个M*p 阶矩阵allcoor allcoor = allsamples * base; % allcoor 里面是每张训练人脸图片在M*p 子空间中的一个点，即在子空间中的组合系数， accu = 0; % 下面的人脸识别过程中就是利用这些组合系数来进行识别

西交计算方法A上机大作业

计算方法A 上机大作业 1. 共轭梯度法求解线性方程组 算法原理：由定理3.4.1可知系数矩阵A 是对称正定矩阵的线性方程组Ax=b 的解与求解二次函数1()2 T T f x x Ax b x =-极小点具有等价性，所以可以利用共轭梯度法求解1()2 T T f x x Ax b x = -的极小点来达到求解Ax=b 的目的。 共轭梯度法在形式上具有迭代法的特征，在给定初始值情况下，根据迭代公式： (1)()()k k k k x x d α+=+ 产生的迭代序列(1)(2)(3)x x x ，，，... 在无舍入误差假定下，最多经过n 次迭代，就可求得()f x 的最小值，也就是方程Ax=b 的解。 首先导出最佳步长k α的计算式。 假设迭代点()k x 和搜索方向()k d 已经给定，便可以通过()()()() k k f x d φαα=+的极小化 ()()min ()()k k f x d φαα=+ 来求得，根据多元复合函数的求导法则得: ()()()'()()k k T k f x d d φαα=?+ 令'()0φα=，得到: ()() ()()k T k k k T k r d d Ad α=，其中()()k k r b Ax =- 然后确定搜索方向()k d 。给定初始向量(0)x 后，由于负梯度方向是函数下降最快的方向，故第一次迭代取搜索方向(0) (0)(0)(0)()d r f x b Ax ==-?=-。令 (1)(0)00x x d α=+ 其中(0)(0)0(0)(0) T T r d d Ad α=。第二次迭代时，从(1) x 出发的搜索方向不再取(1)r ，而是选取(1) (1)(0)0d r d β=+，使得(1)d 与(0)d 是关于矩阵A 的共轭向量，由此可 求得参数0β:

PCA算法的数学知识---特征值分解和奇异值分解

PCA算法的数学知识---特征值分解和奇异值分解： 1）特征值： 如果说一个向量v是方阵X的特征向量，将一定可以表示成下面的形式： = Xv vλ 这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特征向量是一组正交向量。特征值分解是将一个矩阵分解成下面的形式： 1 =∑ X Q Q- 其中Q是这个矩阵X的特征向量组成的矩阵，Σ是一个对角阵，每一个对角线上的元素就是一个特征值。 首先，要明确的是，乘以一个矩阵其实就是一个线性变换，而且将一个矩阵乘以一个向量后得到的向量，其实就相当于对这个向量进行了线性变换。如果我们想要描述好一个变换，那我们就描述好这个变换主要的变化方向就好了。分解得到的Σ矩阵是一个对角阵，里面的特征值是由大到小排列的，这些特征值所对应的特征向量就是描述这个矩阵变化方向（从主要的变化到次要的变化排列）。通过特征值分解得到的前N个特征向量，就对应了这个矩阵最主要的N个变化方向。我们利用这前N个变化方向，就可以近似这个矩阵（变换）。也就是：提取这个矩阵最重要的特征。 总结一下，特征值分解可以得到特征值与特征向量，特征值表示的是这个特征到底有多重要，而特征向量表示这个特征是什么，可

少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说，我们也可以用前r 大的奇异值来近似描述矩阵，这里定义一下部分奇异值分解： ****T n p n r r r r p X U V ≈∑ r 是一个远小于n 、p 的数，右边的三个矩阵相乘的结果将会是一个接近于X 的矩阵，在这儿，r 越接近于p ，则相乘的结果越接近于X 。而这三个矩阵的面积之和（在存储观点来说，矩阵面积越小，存储量就越小）要远远小于原始的矩阵X ，我们如果想要压缩空间来表示原矩阵X ，我们存下这里的三个矩阵：U 、Σ、V 就好了。 奇异值与主成分分析（PCA ）： PCA 的全部工作简单点说，就是对原始的空间中顺序地找一组相互正交的坐标轴，第一个轴是使得方差最大的，第二个轴是在与第一个轴正交的平面中使得方差最大的，第三个轴是在与第1、2个轴正交的平面中方差最大的，这样假设在N 维空间中，我们可以找到N 个这样的坐标轴，我们取前r 个去近似这个空间，这样就从一个N 维的空间压缩到r 维的空间了，但是我们选择的r 个坐标轴能够使得空间的压缩使得数据的损失最小。 假设矩阵每一行表示一个样本，每一列表示一个特征，用矩阵的语言来表示，对一个n* p 的矩阵X 进行坐标轴的变化，P 就是一个变换的矩阵，从一个p 维的空间变换到另一个p 维的空间，在空间中就会进行一些类似于旋转、拉伸的变化。

西安交大《管理心理学B》作业高分答案

第一次作业 三、主观题(共14道小题) 21. 管理心理学的研究重点是组织管理中具体的社会、心理现象，以及（）、群体、（）、组织中的具体心理活动的规律性。 答：个体，领导 22. 现场实验又称为（） 答：自然实验法 23. 霍桑实验发现并证实了（）的存在 答：“非正式组织” 24. 超Y理论是由（）和（）提出来的。 答：莫尔斯,洛希 25. 投射是一种通过（）的方法而达到（）的目的。 答案：以己度人,心理防御 26. 挫折是人们在有目的的活动中遇到了无法克服或自以为是无法克服的障碍和干扰，其（）和（）不能满足时所产生的消极的情绪反应。 参考答案：需要,动机 27. 名词解释：观察法--- 答案： 观察法，是在未受控制的日常生活中，了解和分析人的言行、表情等，借此来判断被观察者心理活动的一种研究方法。 28. ：复杂人假设--- 答案：复杂人假设是指人是很复杂的，人们的需要与潜在的欲望多种多样，而且这些需要的模式也是随着年龄与发展阶段的变迁，随着所扮演的角色的变化，随着所处境遇及人际关系的演变而不断变化的。 29. 名词解释：知觉防御--- 答案：知觉防御是指人们对不利于自己的信息会视而不见或加以歪曲，以达到防御的目的。 30. 名词解释：角色知觉--- 答案：角色知觉是指人对于自己所处的特定的社会与组织中的地位的知觉。 31. 名词解释：心理疏导--- 答案：心理疏导是指运用一定的心理诱导的策略和方法使受挫者在别人引导下发挥内在潜力，达到消除心理障碍、明确前进方向、排除不良情绪和行为的目的。 32. 麦格雷戈关于人性假定的论述是什么？

答案：（1）管理的理论与管理者的观念是第一位的，而管理的政策与具体措施是第二位的，不能本末倒置，也不能简单混同、不加区分。 （2）强调在管理中要着重开发人力资源，发觉人的“潜在力量”。 （3）管理人员采取哪种理论假定要看具体情况，但是所持理论的观点要旗帜鲜明。 33. 一个完整的角色知觉过程应该包括哪些成分？ 答案：一个完整的角色知觉过程应该包括以下四个成分：角色认知、角色行为、角色期望、角色评价。 角色认知是指一个人对自己应该在社会与组织中所处地位的认识。 角色行为是指一个人按照特定的社会与组织所赋予角色的特定的行为模式而进行的行为。角色期望是指他人对一个人所应承担角色的希望与寄托。 角色评价是指他人对一个人的角色扮演的评论与估价。 其中，角色认知与角色行为是角色扮演者主观方面的因素；而角色期望与角色评价是指他人对角色扮演者的反馈信息，属于客观方面的因素。角色知觉作为复杂的社会认知与社会知觉中的一个方面，只有在主客观因素相互作用的条件下，才能最后完整、正确地形成。 34. 生活压力源具体包括哪些方面？ 答案：生活压力源指应激起源于与员工个人生活有关的因素，具体包括四个方面： （1）重要人员的影响。包括员工家庭成员、师长、邻里或亲朋好友的期望与态度。 （2）个人生活事件的影响。包括结婚、离婚，家庭成员的生产、死亡等个人生活经历中的突发事件、重大变化，这些事件足以扰乱人们的生理与心理稳定。 （3）生活方式的变化。主要体现为现代生活的节奏加快，使人们产生不适感，以及消费导向的迷惘感的压力、对生活质量的高期望值与实际生活之间的差异造成的失望感和压力等。（4）经济收入压力。一方面，收入低会产生生活中入不敷出的压力；另一方面，收入高的人则可能有请客、救助，甚至道德等方面的压力。 第二次作业 三、主观题(共14道小题) 21. 人们对不利于自己的信息会视而不见或加以歪曲，以达到防御目的是指（）. 答案：知觉防御 22. 自我认识的内容包括以下三个方面：物质自我、社会自我和（）。 答案：精神自我 23. 形成个性的原因基本上可以归结为两个方面：（）和（）。 答：遗传因素，环境因素 24. 马斯洛的需要层次理论将人的需要分为了五个层次：（）、安全需要、爱的需要、（）和（）。 答案：生理需要，尊重需要，自我实现需要

西安交通大学计算方法A实验报告

实验一 矩阵的分解 一、实验目的 掌握矩阵的分解原理和一般方法，学会利用矩阵分解直接求解线性方程组。 二、实验内容 求矩阵() 2020 =ij A α?的T LDL 分解与Cholesky 分解，其中 ,min(,),ij i i j i j i j α=?=? ≠? 。 三、问题分析 1． Cholesky 分解 Cholesky 分解是针对被分解矩阵为对称正定的情况给出的。 分解步骤如下： 11g =1111/y b g =，1111i i g g α= 2i n = ； DO 2j n = jj g = IF 0jj g < STOP ，JUMP TO (5) DO 1i j n =+ 1 1j ij ik kj k ij jj g g g g α-=??- ? ? ?=∑ ji ij g g = 1 1j i ik k k i jj b g y y g -=??- ? ? ?=∑ END DO END DO

2． T LDL 分解 T LDL 分解是针对Cholesky 分解中的开平方运算进行的改进。 分解步骤如下： 11i i r α=，1111/i i r r r =，11y b = 1i n = DO 2i n = DO j i n = 1 1i ij ij ik kj k r l r α-=??=- ??? ∑ /ji ij ii l r r = 1 1i i i ik k k y b l b -=??=- ??? ∑ END DO END DO 四、matlab 求解 分别写出T LDL 分解和Cholesky 分解的函数程序gaijinsqrt.m 和.cholesky m ，调用格 式如下： 1. [index,x,r]=gaijinsqrt(A,b) 参数说明： A 和b 分别是线性代数方程组Ax =b 的系数矩阵和右端向量；输出x 为解向量。 [index,x,g]=Cholesky(A,b) 参数说明： A 和b 分别是线性代数方程组Ax =b 的系数矩阵和右端向量；输出x 为解向量。 然后写出主程序2homework .m 如下： %生成矩阵A A=zeros(20,20); for i=1:20 for j=1:20 if i~=j if i>j A(i,j)=j; else A(i,j)=i; end

西安电子科技大学平时作业-计算方法

《计算方法》平时作业 一 选 择（每题3分，合计42分） 1. x* ＝ 1.732050808，取x ＝1.7320，则x 具有 B 位有效数字。 A 、3 B 、4 C 、5 D 、6 2. 取7 3.13≈（三位有效数字），则 ≤-73.13 B 。 A 、30.510-? B 、20.510-? C 、10.510-? D 、0.5 3. 下面_ D _不是数值计算应注意的问题。 A 、注意简化计算步骤，减少运算次数 B 、要避免相近两数相减 C 、要防止大数吃掉小数 D 、要尽量消灭误差 4. 对任意初始向量) 0(x 及常向量g ，迭代过程g x B x k k +=+)()1(收敛的充分必要条件是_ C_。 A 、11< B B 、1<∞ B C 、1)(