求矩阵方程AXB+CXD=F的中心对称最小二乘解的迭代算法

该文建立了求矩阵方程AXB+CXD=F的中心对称最小二乘解的迭代算法.使用该算法不仅可以判断该矩阵方程的中心对称解的存在性,而且无论中心对称解是否存在,都能够在有限步迭代计算之后得到中心对称最小二乘解.选取特殊的初始矩阵时,可求得极小范数中心对称最小二乘解.同时,也能给出指定矩阵的最佳逼近中心对称矩阵.     

矩阵方程AXB+CYD=E的对称极小范数最小二乘解

对于任意给定的矩阵A∈Rm×n,B∈Rn×s,C∈Rm×k,D∈Rk×s,E∈Rm×s,本文利用矩阵的Kmnecker积和Moore-Penrose广义逆,研究矩阵方程AXB CYD=E的对称极小范数最小二乘解,得到了解的表达式．并由此给出了矩阵方程AXB=C的双对称极小范数最小二乘解的表达式．此外,我们还给出了求矩阵方程AXB=C的双对称极小范数最小二乘解的数值算法和数值例子．     

矩阵方程AXB=D解的研究

给出了矩阵方程AXB=D相容的又一充要条件,同时讨论它的极小范数解、最小二乘解和极小范数最小二乘解,推广了文献[1]和[3]的结论.     

矩阵方程AXB+CYD=E的M对称解的迭代算法

在共轭梯度思想的启发下,结合线性投影算子,给出迭代算法求解了线性矩阵方程AXB+CYD=E的M对称解[X,Y]及其最佳逼近.当矩阵方程AXB+CYD=E有M对称解时,应用迭代算法,在有限的误差范围内,对任意初始M对称矩阵对[X_,Y_1],经过有限步迭代可得到矩阵方程的M对称解;选取合适的初始迭代矩阵,还可得到极小范数M对称解.而且,对任意给定的矩阵对[X,Y],矩阵方程AXB+CYD=E的最佳逼近可以通过迭代求解新的矩阵方程AXB+CYD=E的极小范数M对称解得到.文中的数值例子证实了该算法的有效性.     

子矩阵约束下矩阵方程AXB=E的极小范数最小二乘对称解

本文主要研究了任意子矩阵约束下矩阵方程AXB=E的极小范数最小二乘对称解问题,方法是借助于子空间的基将约束问题转化为非约束问题,可以应用到线性矩阵方程的所有子空间约束解问题．     

Sylvester矩阵方程极小范数最小二乘解的迭代解法

研究了Sylvester矩阵方程最小二乘解以及极小范数最小二乘解的迭代解法,首先利用递阶辨识原理,得到了求解矩阵方程AX+YB=C的极小范数最小二乘解的一种迭代算法,进而,将这种算法推广到一般线性矩阵方程A_iX_iB_i=C的情形,最后,数值例子验证了算法的有效性.     

矩阵方程AXB+CXD=F对称解的迭代算法

在共轭梯度思想的启发下,本文给出了迭代算法求解约束矩阵方程AXB+CXD=F的对称解及其最佳逼近.应用迭代算法,矩阵方程AXB+CXD=F的相容性可以在迭代过程中自动判断.当矩阵方程AXB+CXD=F有对称解时,在有限的误差范围内,对任意初始对称矩阵X1,运用迭代算法,经过有限步可得到矩阵方程的对称解;选取合适的初始迭代矩阵,还可以迭代出极小范数对称解.而且,对任意给定的矩阵X0,矩阵方程AXB+CXD=F的最佳逼近对称解可以通过迭代求解新的矩阵方程A(X)B+C(X)D=(F)的极小范数对称解得到.文中的数值例子证实了该算法的有效性.     

四元数矩阵方程(AXB,CXD)=(E,F)的最小范数最小二乘Hermitian解

提出了研究四元数矩阵方程(AXB, CXD)=(E, F)的最小范数最小二乘Hermitian解的一个有效方法.首先应用四元数矩阵的实表示矩阵以及实表示矩阵的特殊结构,把四元数矩阵方程转化为相应的实矩阵方程,然后求出四元数矩阵方程(AXB, CXD)=(E, F)的最小二乘Hermitian解集,进而得到其最小范数最小二乘Hermitian解.所得到的结果只涉及实矩阵,相应的算法只涉及实运算,因此非常有效.最后的两个数值例子也说明了这一点.     

两类矩阵方程的极小范数最小二乘三对角Hermite解

正1引言矩阵方程广泛应用于诸多领域,例如:控制理论[1],系统稳定性分析[2]等.对矩阵方程的研究虽然已取得一系列重要成果[3-9],但仍然是数值代数领域中热门的课题之一.此外,由于三对角矩阵在诸多学科领域中的广泛应用,使得三对角矩阵倍受人们的关注.文献[10]利用Moore-Penrose广义逆及Kronecker积,给出四元数矩阵方程AXB=C的三对角Hermite极小范数最小二乘解和三对角双Hermite极小范数最小二乘解;文献[11]利用矩阵的实表示结构,给出四元数矩阵方程AXB=C的三对角Hermite极小范数最     

矩阵方程AXB=C最小二乘D反对称解

首先将对称矩阵推广到D反对称矩阵,然后研究了方程AXB=C的D反对称最小二乘解,利用矩阵对的广义奇异分解、标准相关分解及子空间上的投影定理,得到了最小二乘解的通式．     

矩阵方程AXAT+BYBT=C的对称与反对称最小范数最小二乘解

对于任意给定的矩阵A∈Rk×m,B∈Rk×n和C∈Rk×k,利用奇异值分解和广义奇异值分解,我们给出了矩阵方程AXAT+BYBT=C的对称与反对称最小范数最小二乘解的表达式.     

矩阵方程ATXB+BTXTA=D的极小范数最小二乘解

1引言本文用Rm×n表示所有m×n实矩阵全体,ORn×n,ASRn×n分别表示n×n实正交矩阵类与反对称矩阵类.‖·‖F表示矩阵的Frobenius范数,A+为矩阵A的Moore-Penrose广义逆,A*B与A(?)B分别表示矩阵4与B的Hadamard乘积及Kronecker乘积,即若A=(aij),B=(bij),则A*B=(ajibij),A(?)B=(aijB),vec4表示矩阵A的按行拉直,即若A=[aT1,aT2,…,aTm],其中ai为A的行向量,则vecA=(a1a2…am)T.设A∈Rn×m,B∈Rp×m,D∈Rm×m,我们考虑不相容线性矩阵方程ATXB+BTXTA=D(1.1)     

线性子空间上求解AX=B的最小二乘问题的迭代算法

应用共轭梯度方法和线性投影算子,给出迭代算法求解了线性矩阵方程AX=B在任意线性子空间上的最小二乘解问题.在不考虑舍入误差的情况下,可以证明,所给迭代算法经过有限步迭代可得到矩阵方程AX=B的最小二乘解、极小范数最小二乘解及其最佳逼近.文中的数值例子证实了该算法的有效性.     

Least‐squares solutions and least‐rank solutions of the matrix equation AXA* = B and their relations

A Hermitian matrix X is called a least‐squares solution of the inconsistent matrix equation AXA^* = B, where B is Hermitian. A^* denotes the conjugate transpose of A if it minimizes the F‐norm of B ? AXA^*; it is called a least‐rank solution of AXA^* = B if it minimizes the rank of B ? AXA^*. In this paper, we study these two types of solutions by using generalized inverses of matrices and some matrix decompositions. In particular, we derive necessary and sufficient conditions for the two types of solutions to coincide. Copyright © 2012 John Wiley & Sons, Ltd.     

An efficient iterative method for solving the matrix equation AXB + CYD = E

This paper presents an iterative method for solving the matrix equation AXB + CYD = E with real matrices X and Y. By this iterative method, the solvability of the matrix equation can be determined automatically. And when the matrix equation is consistent, then, for any initial matrix pair [X₀, Y₀], a solution pair can be obtained within finite iteration steps in the absence of round‐off errors, and the least norm solution pair can be obtained by choosing a special kind of initial matrix pair. Furthermore, the optimal approximation solution pair to a given matrix pair [X?, ?] in a Frobenius norm can be obtained by finding the least norm solution pair of a new matrix equation AX?B + C?D = ?, where ? = E ? AX?B ? C?D. The given numerical examples show that the iterative method is efficient. Copyright © 2005 John Wiley & Sons, Ltd.     

矩阵方程AXA^T＋BYB^T=C的双对称最小二乘解及其最佳逼近

基于共轭梯度法的思想,通过特殊的变形,建立了一类求矩阵方程AXA^T＋BYB^T=C的双对称最小二乘解的迭代算法．对任意的初始双对称矩阵．在没有舍人误差的情况下,经过有限步迭代得到它的双对称最小二乘解;在选取特殊的初始双对称矩阵时,能得到它的的极小范数双对称最小二乘解．另外,给定任意矩阵,利用此方法可得到它的最佳逼近双对称解,数值例子表明,这种方法是有效的．     

矩阵方程A1X1B1 + A2X2B2 + · · · + AlXlBl = C的中心对称解及其最佳逼近

设矩阵X=(x_ij) ∈^Rn×n, 如果xi_j=x_{n+1-i, n+1-j} (i,j=1,2, …,n), 则称X是中心对称矩阵. 该文构造了一种迭代法求矩阵方程A₁X₁B₁+A₂X₂B₂+…+A_lX_lB_l=C的中心对称解组(其中[X₁, X₂, …, X_l]是实矩阵组). 当矩阵方程相容时, 对任意初始的中心对称矩阵组[X₁⁽⁰⁾, X₂⁽⁰⁾, …, X_l⁽⁰⁾], 在没有舍入误差的情况下,经过有限步迭代,得到它的一个中心对称解组, 并且, 通过选择一种特殊的中心对称矩阵组, 得到它的最小范数中心对称解组. 另外, 给定中心对称矩阵组[X₁, X₂, …, X_l], 通过求矩阵方程A₁X₁B₁+A₂X₂B₂+…+A_lX_lB_l=C(其中C=C-A₁X₁B₁-A₂X₂B₂－…－A_lX_lB_l)的中心对称解组, 得到它的最佳逼近中心对称解组. 实例表明这种方法是有效的.     

Fast enclosure for the minimum norm least squares solution of the matrix equation AXB = C

Fast algorithms for enclosing the minimum norm least squares solution of the matrix equation AXB = C are proposed. To develop these algorithms, theories for obtaining error bounds of numerical solutions are established. The error bounds obtained by these algorithms are verified in the sense that all the possible rounding errors have been taken into account. Techniques for accelerating the enclosure and obtaining smaller error bounds are introduced. Numerical results show the properties of the proposed algorithms. Copyright © 2015 John Wiley & Sons, Ltd.     

ON THE ACCURACY OF THE LEAST SQUARES AND THE TOTAL LEAST SQUARES METHODS

Consider solving an overdetermined system of linear algebraic equations by both the least squares method (LS) and the total least squares method (TLS). Extensive published computational evidence shows that when the original system is consistent. one often obtains more accurate solutions by using the TLS method rather than the LS method. These numerical observations contrast with existing analytic perturbation theories for the LS and TLS methods which show that the upper bounds for the LS solution are always smaller than the corresponding upper bounds for the TLS solutions. In this paper we derive a new upper bound for the TLS solution and indicate when the TLS method can be more accurate than the LS method.Many applied problems in signal processing lead to overdetermined systems of linear equations where the matrix and right hand side are determined by the experimental observations (usually in the form of a lime series). It often happens that as the number of columns of the matrix becomes larger, the ra