线性流形上Hermite-广义反Hamilton矩阵反问题的最小二乘解

1.引言 令Rn×m表示所有n×m实矩阵集合,Cn×m表示所有n×m复矩阵集合,Cn=Cn×1,HCn×n表示所有n阶Hermite矩阵集合,UCn×n表示所有n阶酉矩阵集合,AHCn×n表示所有n阶反Hermite矩阵集合,R(A)表示A的列空间,N(A)表示A的零空间,A+表示A的Moore—Penrose广义逆,A*B表示A与B的Hadamard积,rank(A)表示矩阵A的秩.tr(A)表示矩阵A的迹.矩阵A,B的内积定义为(A,B)=tr(BHA),A,B∈Cn×m,由此内积诱导的范数为||A||=√(A,A)=[tr(AHA)]1/2,则此范数为Frobenius范数,并且Cn×m构成一个完备的内积空间,In表示n阶单位阵,i=√-1,记OASRn×n表示n×n阶正交反对称矩阵的全体,即     

广义非线性最小二乘问题的两个新方法

1．引言讨论如下的广义非线性最小二乘问题其中为常数（i＝1~m），W由于此问题的特殊形式，将此问题转化为如下两个子问题进行求解比较有效[1]子问题1．对每一固定的X，解得子问题2。对子问题1的解，解对两个子问题的求解，[1]中给出了一种有效的方法。然而在两个子问题的已有求解方法中，关于方法收敛速度的讨论非常少见，本文给出了求解这两个子问题的两个算法，并证明了算法的超线性收敛性．为书写简单，以下约定：一个符号在（，L）处的值略去（，L），如V‘F＝＊‘列X，L）等·一个具有上标k和＊的符号分别表示其在（x‘，t‘）和…     

加权广义逆、加权最小二乘和约束最小二乘问题

本文采用如下记号:记C~m×n是具有复数域的m×n长方矩阵的集合,C~m=C~m×1是m维向量的集合.对A∈C~m×n称A~H∈C~m×n是A的共轭转置矩阵,rank(A)表示A的秩,R(A)和N(A)分别为A的值域和零空间,||·||=||·||2和||·||F分别为2-范数和Frobenius范数;I表示恒等矩阵.人们在研究数学规划、数值分析、数据处理,散射理论和电磁学等领域中都将问题归纳为如下的最小二乘问题:     

广义中心对称矩阵反问题的最小二乘解

讨论了广义中心对称矩阵反问题的最小二乘解,得到了解的一般表达式,并就该问题的特殊情形:矩阵反问题,得到了可解的充分必要条件及解的通式.此外,证明了最佳逼近问题解的存在惟一性,并给出了其解的具体表达式.     

关于求解带约束秩亏线性回归方程组最小二乘解的一个算法

1 引 言 考虑带线性约束的秩亏线性回归模型: Y=Xβ+ε, Hβ=c, (M_1) ε～N(0,σ~2V), V≥0,及带线性约束和非负性约束的秩亏线性回归模型:     

广义次对称矩阵反问题的最小二乘解

讨论了广义次对称矩阵反问题的最小二乘解,得到了解的一般表达式,并就该问题的特殊情形:矩阵反问题,得到了可解的充分必要条件及解的通式.此外,证明了最佳逼近问题解的存在唯一性,并给出了其解的具体表达式.     

线性流形上次反对称矩阵逆特征值问题的最小二乘解

讨论了线性流形上次反对称矩阵逆特征值问题的最小二乘问题及其最佳逼近，给出了这些问题解的通式；并就这些问题的特殊情况进行了讨论，得到了一些结果。     

关于广义压缩最小二乘估计的注记

本文研究了广义压缩最小二乘估计（ＧＳＬＳＥ）的一些性质，给出了它的均方误差（ＭＳＥ）的一个无偏估计量（ＵＥ），采用极小该ＵＥ的方法确定了ＧＳＬＳＥ的参数选取公式，并把这个统一化的方法应用于广义岭估计，岭估计、Ｍａｓｓｙ主成分估计、Ｓｔｅｉｎ型压缩估计以及根方有偏估计等，从而得到了它们的一种选取参数的方法，最后，结合Ｈａｌｄ实例进行比较分析，结果表明，本文的方法是实用的，有效的。     

等式约束加权线性最小二乘问题的解法

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-Ax||_M,(1.1) x∈C~n s.t.Bx=d, 其中B∈C~(p×n),A∈C~(q×n),d∈C~p,b∈C~q,M∈C~(q×q)为Hermite正定阵. 对于问题(1.1),目前已有多种解法,见文[1—3).本文将利用广义逆矩阵的知识,给出(1.1)的通解及迭代解法.本文中关于矩阵广义逆与投影算子(矩阵)的记号基本上与文[4]的相同.例如,A~+表示A的MP逆,P_L表示到子空间L上的正交投影算子,λ_(max)(MAY)表示矩阵M~(1/2)AY的最大特征值.我们还要用到广义BD逆的概念: 设A∈C~(n×n),L为C~n的子空间,则称A_(L)~(+)=P_L(AP_L+P_L⊥)~+为A关于L的广义BD逆.     

线性流形上D对称矩阵反问题的最小二乘解

本研究了线性流形上D对称矩阵反问的最小二乘解及其逼近问题，给出了最小二乘解的一般表达式，并就该问题的特殊情况－矩阵反问题，获得了有解的充分必要条件，并在有解的条件下得到了解的一段表达式。     

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.     

线性流形上反埃尔米特广义汉密尔顿矩阵的最小二乘问题与最佳逼近问题

利用反埃尔米特广义汉密尔顿矩阵的表示定理,得到了线性流形上反埃尔米特广义汉密尔顿矩阵反问题的最小二乘解的一般表达式,建立了线性矩阵方程在线性流形上可解的充分必要条件．对于任意给定的n阶复矩阵,证明了相关最佳逼近问题解的存在性与惟一性,并推得了最佳逼近解的表达式．     

广义压缩最小二乘估计

本文引进了线性模型中回归系数的一个估计类。许多常用的估计,例如岭回归估计、主成分估计、压缩最小二乘估计以及迭代估计都属于这个估计类。本文讨论该估计类中估计的容许性问题以及矩阵均方误差准则下估计的比较问题。     

最小二乘问题及其研究

本文从理论上讨论了线性方程中最小二乘解的存在性及最小范数最小二乘解的唯一性，并给出求最小二乘解及最小范数最小二乘解的公式方法。     

广义最小二乘估计为BLUE的若干条件

本文给出了一般广义最小二乘估计为BLUE的一个充要条件及几个充分条件。     

线性模型中广义最小二乘参数估计误差分布的稳健性研究

研究了线性模型中广义最小二乘参数估计的误差分布稳健性问题.首先讨论了在线性统计模型里,设计矩阵为列降秩矩阵时,模型中给出了误差最大分布类,当误差向量的分布在此范围内变动时,LS估计和GLS估计在均方误差矩阵准则下是最优估计.然后进一步探讨广义最小二乘估计GLSE关于误差分布的稳健性,求出误差项所对应的最大分布族,进而证明了在该区间波动情况下,误差向量对应的始终为一致最优解.     

最小二乘问题的稳定近似解

最小二乘法在实际中有着大量的应用,为解决其结果易受误差影响的问题,利用试验设计的思想,借助正交表得到了其稳定近似解的求解方法,使结果得以改进,并通过实例予以验证.     

解非线性最小二乘问题的ABS方法

在本文中,基于解非线性方程组的ABS方法的思想,我们对非线性最小二乘问题建立了一类新的算法。在类似于Gauss-Newton法的收敛条件下,我们证明了算法的局部收敛性。此外,在对算法结构进行深入分析的基础上,我们将新算法转化为一种近似Gauss-Newton法。并建立了它的Kantorovich型收敛定理。数值结果表明ABS算法是有效的,且在一定程度上优越于Gauss-Newton法。