基于灰色理论和局部奇异值的人脸识别方法

提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服"小样本"效应。     

奇异值分解及其在人脸识别中的应用

人脸识别技术是一门利用计算机分析来分辨人们身份的新兴技术。该技术可以用于政府、军队、银行、社会福利保障、电子商务、等许多领域。本文对奇异值分解进行了研究。探讨了其在人脸识别中的作用以及这种方法目前还有的问题。最后提出了改进的奇异值分解方法。     

奇异值分解在人脸识别中的应用

使用人脸数字图像奇异值分解中前面部分较大的奇异值及其对应的特征向量来重构图像，以剔除原图像中由于光照、表情、姿势等噪声影响对应的高频信息，并将重构图像作为模板进行识别．此方法无需使用较多的奇异值和训练样本，就能达到了很高的识别率，大大降低了识别工作量，并优于PCA方法．     

奇异值分解的教与学

奇异值分解是最重要的矩阵分解之一,具有重要的理论价值。简述奇异值分解理论的发展历程、奇异值分解的证明以及奇异值分解在若干线性代数问题中的应用。     

奇异值分解的证明及奇异值与对角元的关系

奇异值和奇异值分解在矩阵论中起着重要的作用,通过矩阵的谱分解、极分解来给出奇异值分解的不同证明方法,并通过奇异值分解来获得矩阵的对角元与奇异值之间的弱受控关系。     

有限奇异值与奇异值l-群的特征

研究了奇异元与奇异值的性质，并由此获得了有限奇异值l-群与有限值l-群及奇异值l-群与特殊值l-群类似的结构。     

一种基于矩阵奇异值分解和奇异值量化的数字水印算法

在图像矩阵的奇异值中嵌入隐秘信息,这样的嵌入算法鲁棒性很强,但嵌入的信息量却很有限.本算法是将图像矩阵分解为若干小的矩阵序列,使用将每个小矩阵的奇异值进行量化的方法嵌入隐秘信息,这样既增强了算法的鲁棒性,也提高了算法的信息隐藏量.实验结果表明该算法可行,并且可以抵抗多种攻击.     

矩阵奇异值分解的几何意义

在改进了矩阵奇异值分解的方法基础上,通过探究矩阵奇异值分解的几何意义,进一步揭示了内积空间上线性映射的本质.     

矩阵奇异值分解的图像性质及其应用

本文从图像处理的角度讨论了矩阵的奇异值分解（SVD）的含义及相关性质,并简略描述了奇异值分解在数字图像处理领域的相关应用与进展．     

奇异值数字水印算法的数学基础

本文提出了一种利用奇异值分解的图像数字水印算法,针对的是在水印提取之前遭受了未知几何攻击的图像。实验结果表明,本文的算法对放大、旋转等几何攻击以及对剪切,噪声攻击是稳健的,而且此水印在受到了上述的几何攻击后仍能够被有效的提取。     

论人力资源管理的难以模仿性

在人力资源管理的实践中,人们往往要借鉴绩优组织成功人力资源管理的经验。但是,由于具有隐蔽性、系统性和路径依赖性,人力资源管理又是难以模仿的。而对绩优组织成功人力资源管理模仿的价值的实现,则在于借鉴其理念和思路,针对本组织的特点,进行本组织个性化的人力资源管理制度和政策的设计和实施。