矩阵不等式约束下矩阵方程最小二乘问题的增广Lagrangian方法北大核心CSCD

称X∈R^(m×n)为实(R,S)对称矩阵,若满足X=RXS,其中R∈R^(m×m)和S∈R^(n×n)为非平凡实对合矩阵,即R=R^(-1)≠±I_m,S=S^(-1)≠±I_n.该文将优化理论中求凸集上光滑函数最小值的增广Lagrangian方法应用于求解矩阵不等式约束下实(R,S)对称矩阵最小二乘问题,即给定正整数m,n,p,t,q和矩阵A_i∈R^(m×m),B_i∈R^(n×n)(i=1,2,…,q),C∈R^(m×m),E∈R^(p×m),F∈R^(n×t)和D∈R^(p×t),求实(R,S)对称矩阵X∈R^(m×m)且在满足相容矩阵不等式EXF≥D约束下极小化‖∑_(i=1)~qA_iXB_i-C‖,其中EXF≥D表示矩阵EXF-D非负,‖·‖为Frobenius范数.该文给出求解问题的矩阵形式增广Lagrangian方法的迭代格式,并用数值算例验证该方法是可行且高效的.     

基于新的随机选择方式的随机Kaczmarz算法

正1引言Kaczmarz算法[8]是求解超定相容线性方程组的最受欢迎的方法之一,Ax=b,(1.1)其中矩阵A=(a_(ij))∈C~(m×n)(m≥n),b=(b_1,b_2,…,b_m)~T∈C~m,a_i~T(i=1,2,…,m)表示矩阵A的行.由于其简单且收敛速度快,Kaczmarz算法的应用范围非常广泛,最早是被     

柯西矩阵的三角分解及应用

1 引 言 矩阵分解具有非常重要的应用.例如,可以利用矩阵的LU分解回代求解线性方程组Ax=b.对于在有理函数的计算中经常遇到的以柯西矩阵为系数的线性方程组的求解问题,需要做柯西矩阵的三角分解.     

AOR迭代法的收敛性

1.引言 [1]定义了解线性方程组A_x=b的AOR迭代法,它以SOR迭代为特例,而且适当选取参数,有可能比SOR方法收敛快(见[2]).众所周知,使 AOR方法有意义的最基本条件是A的对角元素都不为零.然而,在实际计算中,有时需要求解的线性方程组其系数矩阵存在零对角元素.例如[3]中研究的线性方程组的系数矩阵具有如下形式:     

研究简报：并行矩阵多分裂多参数松弛算法

求解大型稀疏线性方程组Ax=b，A∈L(R^n)，x，b∈R^n的并行矩阵多分裂算法最早由[1]提出，[2]提出了当系数矩阵是非奇H—矩阵时的多分裂多参数松弛算法，但是对于奇异H—矩阵的理论及算法的研究结果都很少，为此，     

并行矩阵多分裂多参数松弛算法

1 引言和算法 求解大型稀疏线性方程组Ax=6, A∈L(Rn), x,b∈Rn的并行矩阵多分裂算法最早由[1]提出, [2]提出了当系数矩阵是非奇H-矩阵时的多分裂多参数松弛算法.但是对于奇异H-矩阵的理论及算法的研究结果都很少,为此,[3]对于奇异H-矩阵的并行算法进行了有益的研究.本文给出了当系数矩阵是奇异H-     

一类非线性代数方程组的并行算法——适用于MIMD系统

为连续对角映射.而A=(a_(ij)∈L(R~n)是单调矩阵,B∈L(R~n)为非负矩阵,b∈R~n为已知向量. 方程组(1.1)具有丰富的实际背景,许多非线性微分方程的求解问题,经过有限元或差分离散,均可归纳为(1.1)的求解.特别,如[7],[10]以及[11]讨论的弱非线性椭圆方程和Stefan问题等,均可作为(1.1)的特例.     

LU和Cholesky分解的向前舍入误差分析

1引言LU分解可用于解可逆线性系统Ax=b．作为数值代数领域中的重要工具,其舍入误差分析一直为众多学者所关注．事实上,长方矩阵的LU分解也有着广泛的应用,如,确定矩阵数值秩的LU分解(RRLU)[5,7],解等式约束最小二乘问题的直接消去法[3]等问题中都涉及到长方矩阵的LU分解．当A∈Rm×n且秩r≤min{m,n},则在考虑A的LU分解时[4],一般需要确定置换阵∏L,∏R使得A(1):=∏L-A∏R的LU分解能持续qr步,这里当A为亏秩矩阵时,qr=r;否贝qr=r-1．在．A(1)的LU分解的第k(k≤qr)步,需执行如下Gauss消去过程:     

一类可逆的对角占优矩阵与Jacobi迭代法

<正> 用Jacobi 迭代法解线性方程组AX=b(其中A∈R~(n×n)、b∈R~n.X∈R~n)时,一般假定A 为可逆阵且a_(ii)≠0(i=1,2,…n)。文[1]指出.如果矩阵A 为严格对角占优阵,则Ja obi 迭代过程是收敛的。‘严格对角占优’这个条件是比较强的,它限制了Jacobi 迭代法的应用范围。实际     

求解多右端项线性方程组的块GMERR方法及其变形

1引言电磁场散射[1,2]、大规模电路模拟中的模型约化[3]、大规模数据降维[4]等许多科学与工程问题都需要求解如下系数矩阵相同而右端项不同的线性方程组.     

拟微分算子交换子的端点估计北大核心CSCD

本文给出了象征属于Hörmander类S^(m)_(ρ,δ)(R^(n))的拟微分算子T的交换子[b,T]从H^(1)(R^(n))到弱L^(1)(R^(n))以及H^(1)_(b)(R^(n))到L^(p)(R^(n))的有界性估计,其中b∈BMO(R^(n)).     

直交化递推算法的一个注记

我们要解的问题是A_m~Tx=b.(1)其中A_m为n×m的列满秩矩阵.m≤n,x∈R~n,b∈R~m.当m=n时,即A_m为m阶非奇异矩阵时,常用下列直交化方法得到(1)的解.算法Ⅰ(a)对A_m~T作直交分解A_m~T=Q_1R_1;(b)由R_1x=Q_1~Tb得到(1)的解.同样我们也可对A_m进行直交分解(即A_m~T的LQ分解):A_m=Q_2R_2,     

关于对称半正定矩阵线性方程组解法的注记

§1.引言 在有限元法中,以位移为未知数的静力求解问题,最后都归结为求解如下线性方程组 [K][δ]={P},(1.1)其中[K]为对称正定或对称半正定的总刚度矩阵.当出现后者时,直接解法在消元或分解过程中,使对角元素变为零,从而无法继续消元或分解.例如,采用对称分解法时,对[K]的分解公式如下     

求解非对称线性方程组的不完全最小联合向后扰动法

正1引言在许多应用科学和工程计算中,经常需要求解大型非对称稀疏线性方程组Ax=b,(1)其中A∈R~(n×n)非奇异,x,b∈R~n.Krylov子空间方法~([1,19,20])是求解(1)的一类很有效的方法.Krylov子空间方法通常用残量范数作为判断算法终止的条件.若近似解是精确的,残量范数是小的,但是反过来残量范数小并不意味着近似解就是精确的,尤其当A是病态矩阵时~([21]).为了克服残量范数作为终止条件的不足,文[2]提出了利用向     

求解张量绝对值方程基于连续时间的神经网络方法

1引言考虑如下的张量绝对方程(TAVE):寻找向量x∈R^(n)满足Ax^(m-1)-B|x|^(m-1)=b,(1.1)其中A,B∈T(m,n)且m为偶数,b∈R^(n)为已知向量.这里T(m,n)表示m阶n维实张量的集合,向量|x|定义为|x|=(|x_(1)|,|x_(2)|,…,|x_(n)|)^(T).当m=2时,方程(1.1)退化为下面的(矩阵)绝对值方程(AVE):Ax-B|x|=b.(1.2)方程(1.2)的一个特例是当B为单位矩阵的情形,即Ax-|x|=b.(1.3).     

Transputer上Cholesky分解的并行实现

§1.引言 对称正定矩阵A的Cholesky分解在求解线性系统Ax-b中非常重要,如果R是上三角矩阵,使得A=R~TR,则求解上述方程组可以通过向前及向后迭代来完成。然而求解一个线性系统,主要是计算系数矩阵的分解。这里主要是介绍如何有效地并行求矩阵R。在串行机上,已经有了很好的实现方法,如[1]至于如何在并行机上实现,是本文的目的。 众所周知,在并行机上求解大规模问题是今后科学与工程计算的必然发展方向。然     

解等式约束加权线性最小二乘问题的矩阵校正方法

1 引言 在实际应用中常会提出解等式约束加权线性最小二乘问题 min(b_2-A_2x)~TW(b_2-A_2x) x∈R~n (1) s.t.A_1x=b_1,其中A_1∈R~(p×n),A~2∈R(q×n),b_1∈R~p,b_2∈R~q,W∈R(q×q)为对称正定矩阵. 对于问题(1),目前已有多种数值求解方法,如Paige利用(1)的对偶公式给出了一个向后稳定的数值方法.Gulliksson和Wedin利用加权QR分解技巧给出了解(1)的一个直接解法.作者利用广义Cholesky分解构造了解(1)的矩阵分解方法.     

复矩阵截断奇异值分解的一类混合算法

截断奇异值分解是一类非常重要的矩阵分解,其在病态模型问题分析等领域有广泛的应用.该文主要研究复矩阵截断奇异值分解的有效算法,将问题转化为复Stiefel乘积流形上的黎曼优化问题,进而设计基于乘积流形的黎曼混合牛顿法求解.为有效求解黎曼牛顿方程,从降低系统维数和简化计算入手,通过克罗内克积和复矩阵拉直算子将其转化为易于求解的标准实对称线性方程组.数值实验和数值比较验证该文所提算法针对复矩阵截断奇异值分解问题是高效可行的.     

大规模矩阵降维的随机逼近方法

大规模矩阵降维和分解是数据分析的核心问题之一,在工程领域应用广泛,如图像分割、文本分类、数据挖掘,然而,传统的矩阵分解方法(如SVD、谱分解)计算复杂度高,不适用于大规模矩阵处理.近些年来,随机逼近方法用来发现大规模矩阵的低维近似,有效地降低了计算复杂度,是当今的研究热点.围绕基于随机逼近的大矩阵降维方法展开论述,介绍了矩阵降维中的抽样策略、CUR分解、Nystrom方法、随机逼近方法,比较研究了这些方法的优缺点.对重要的随机逼近方法开展了一些图像试验分析.最后,进行了总结并讨论了一些方向的可行性.     

贯序和并行求解线性与非线性方程组的一类算法

1.引论 Abaffy,Broyden和spedicato在最近的论文中,提出了一类求解线性和非线性方程组的算法(有可能推广于求解其它问题,例如最优化问题).我们首先给出这类算法求解线性方程组时的基本形式.设线性方程组为 或把它写成矩阵形式 其中A=(a_1,…,a_m)是n×m阶矩阵,共秩q可以小于m.算法具有拟Newton型结构,其计算步骤如下: