[论文解读] n-Linear Algebra of type I and its applications

Kandasamy, W. B. Vasantha, Florentín Smarandache|ArXiv.org|Dec 10, 2008

Advanced Topics in Algebra参考文献 29被引用 4

一句话总结

本文提出了I型n-线性代数，作为双线性代数与双矢量空间的推广，旨在处理计算应用中的批量数据。它建立了n-向量空间和n-矩阵等基础结构，并展示了在n-马尔可夫链、n-列昂蒂耶夫模型、通过n-最佳逼近进行纠错，以及利用n-特征值进行有限元分析中的应用，潜在扩展至模糊模型，如模糊认知图。

ABSTRACT

With the advent of computers, one needs algebraic structures that can simultaneously work with bulk data. One such algebraic structure, namely, n-linear algebras of type I are introduced in this book and its applications to n-Markov chains and n-Leontief models are given. These structures can be thought of as the generalization of bilinear algebras and bivector spaces. Several interesting n-linear algebra properties are proved. This book has four chapters. The first chapter just introduces n-group which is essential for the definition of n-vector spaces and n-linear algebras of type I. Chapter two gives the notion of n-vector spaces and several related results which are analogues of the classical linear algebra theorems. In case of n-vector spaces, we can define several types of linear transformations. The notion of n-best approximations can be used for error correction in coding theory. The notion of n-eigen values can be used in deterministic modal superposition principle for undamped structures, which can find its applications in finite element analysis of mechanical structures with uncertain parameters. Further, it is suggested that the concept of n-matrices can be used in real world problems which adopts fuzzy models like Fuzzy Cognitive Maps, Fuzzy Relational Equations and Bidirectional Associative Memories. The applications of these algebraic structures are given in the third chapter. The fourth chapter suggests problems to further a reader's understanding of the subject.

研究动机与目标

• 开发一种广义代数框架，以处理超越传统线性代数的多维数据结构。
• 将经典线性代数概念（如向量空间、线性变换和特征值）扩展至n维类比形式。
• 使在需要同时处理多个数据流的计算模型中得以应用，例如马尔可夫链和经济投入产出模型。
• 探索n-矩阵与n-特征值在工程分析中的应用，特别是在无阻尼结构的有限元方法中。
• 提出n-线性代数在模糊系统中的实际应用，包括模糊认知图与双向联想记忆。

提出的方法

• 将n-群定义为构建n-向量空间的基础结构。
• 引入n-向量空间作为同一域上n个向量空间的直积，以支持多个并行的线性运算。
• 将n-线性变换表述为保持n-线性性质的n-向量空间之间的映射。
• 通过最小化n维残差范数，提出n-最佳逼近方法，用于编码理论中的纠错。
• 通过n-矩阵理论中的广义特征方程引入n-特征值，用于结构动力学应用。
• 将n-矩阵应用于模糊逻辑中的复杂系统建模，如模糊关系方程与双向联想记忆。

实验结果

研究问题

• RQ1 经典线性代数概念如何被推广以同时处理n维数据结构？
• RQ2 I型n-向量空间与n-线性变换的结构与代数性质是什么？
• RQ3 n-特征值与n-最佳逼近能否在工程与编码理论应用中有效使用？
• RQ4 n-线性代数如何用于建模与分析n-马尔可夫链与n-列昂蒂耶夫投入产出模型？
• RQ5 n-矩阵在提升模糊认知与联想记忆模型的表示与分析方面能达到何种程度？

主要发现

• I型n-线性代数为使用n-向量空间与n-矩阵建模具有多个相互依赖数据流的系统提供了正式框架。
• 该理论支持在n维环境下的多种线性变换，扩展了经典变换理论。
• n-最佳逼近被证明适用于编码理论中的纠错，通过最小化n维误差范数实现。
• n-特征值由广义特征方程导出，可用于无阻尼机械结构的确定性模态叠加原理。
• n-矩阵被提议作为建模复杂模糊系统（包括模糊认知图与双向联想记忆）的工具。
• 在n-马尔可夫链与n-列昂蒂耶夫模型中的应用表明，n-线性代数在经济与随机建模中具有实用性。