schur补(schur complement)

最新推荐文章于 2024-05-06 16:38:48 发布
最新推荐文章于 2024-05-06 16:38:48 发布
阅读量1w 收藏 35
点赞数 8
分类专栏： Optimization
原文链接：https://blog.csdn.net/itnerd/article/details/83385817
版权

1. schur补的定义及性质

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

2. schur补的应用

2.1 在矩阵方程求解中的应用

在这里插入图片描述

2. 概率论和统计学中的应用

在这里插入图片描述

https://blog.csdn.net/itnerd/article/details/83385817

Anne033
关注
  • 8
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
凸优化有关的数值线性代数知识 4分块消元与Schur补
清风吹斜阳
02-25 1817
4分块消元与Schur补 消除部分变量 逆矩阵引理 消除部分变量 考虑Ax=b，将变量分为凉快或两个子向量 对线性方程组Ax=b做同样的划分， 其中 假设可逆，则按以下方式消去，，再将其代入第二个方程 得到 其中是矩阵A的第一个分块矩阵的Schur补。当且仅当A非奇异时，Schur补S是非奇异矩阵。 通过分块消元求解线性方程组 给定非奇异线性方程组Ax=b，其中非奇...
The Schur Complement and its applications
12-02
The Schur Complement and its applications
LMI（线性矩阵不等式）、schur补 学习笔记
weixin_44074598的博客
02-17 1万+
掌握schurs补 掌握求解LMI的目的（以及整套流程） 掌握matlab中LMI工具箱的函数使用
舒尔补【Schur Complement】
最新发布
v20000727的博客
05-06 1138
舒尔补（Schur complement）是线性代数中的一个重要概念，经常在矩阵理论、优化问题和数值计算中出现。舒尔补可以用来简化大型线性系统的求解和分析，特别是在稀疏矩阵和块矩阵的情况下。
舒尔补
todingdong的博客
03-18 885
https://blog.csdn.net/itnerd/article/details/83385817 基本性质https://wenku.baidu.com/view/47359c1655270722192ef737.html
舒尔补理论Schur Compliment
10-24 3万+
在做slam的时候经常遇到的一个概念就是schur complement，了解这个概念，对于理解slam的优化过程也会有很大的帮助； 首先给出的是舒尔补的定义： 舒尔补的由来其实就是将一个矩阵变成对角阵的过程，比如在线性代数课程中会经常用到的Ax=B的求解，如果手动去求解的话就需要将矩阵A|b化简成为上三角矩阵或者下三角矩阵，主要用到的就是高斯消元法。 而舒尔补理论其实就是这个过程的一个...
舒尔补(schur completement)
weixin_43851636的博客
06-21 4788
矩阵 求逆 舒尔补
矩阵的舒尔补(Schur complement)
热门推荐
百把人的博客
07-10 3万+
什么是矩阵的舒尔补？为什么是这个形式？它有什么用？
The Schur Complement and Symmetric Positive Semidefinite....pdf
08-08
《Schur补与对称半正定（及正定）矩阵》 Schur补是线性代数中的一个重要概念，特别是在解决线性系统和研究矩阵性质时起到关键作用。这篇笔记详细介绍了Schur补以及其在对称半正定（正定）矩阵中的应用。对称半正定...
广义Schur补与Khatri-Rao积 (2006年)
05-15
把广义逆A（2）T，S的广义Schur补和Khatri-Rao积结合起来，得到了两个分块为2×2分块矩阵的Khatri-Rao积的广义Schur补的一个表达式。
分块幂等矩阵广义Schur补的性质 (2009年)
06-14
关于复分块矩阵 P = A B( ) C D ∈ Cm×n的广义 Schur补 S = A-BD+ C,T = D-CA+ B,S = A-BDgC,T = D-CAgB,这里,D+,A+分别代表D,A的Moore-Penrose逆,Dg,Ag分别代表D,A的群逆。 这篇文章我们主要给出当 P是幂等矩阵时,...
次正定复矩阵次Schur补的一些性质 (2014年)
05-12
利用复矩阵的Schur补和次正定性，研究了次正定复矩阵的次Schur补的一些性质，得到了次正定复矩阵次Schur补的几个行列式不等式，将相关文献的相应结果由次正定次Hermite矩阵推广到次正定复矩阵．
DSO 优化代码中的 Schur Complement
baochong7032的博客
01-16 248
接上一篇博客《直接法光度误差导数推导》，DSO 代码中 CoarseInitializer::trackFrame 目的是优化两帧（ref frame 和 new frame）之间的相对状态和 ref frame 中所有点的逆深度。 在代码中出现了变量Hsc和变量bsc，其中的"sc"是指 Schur Complement。依据这个事实就能够确定整个优化过程的所有细节。 一下假设 ref...
Schur Complement（舒尔补）
qq_44895520的博客
03-04 824
Schur Complement（舒尔补）
舒尔补（Schur Complement）
思维缜密的博客
02-08 1833
舒尔补 设M\mathbf{M}M是一个n×nn\times nn×n的矩阵 M=(ABCD) \mathbf{M}=\begin{pmatrix} \mathbf{A}&\mathbf{B}\\ \mathbf{C}&\mathbf{D} \end{pmatrix} M=(AC​BD​) 其中 A\mathbf{A}A是p×pp\times pp×p维矩阵， D\mathbf{D}D是q×qq\times qq×q维矩阵， B\mathbf{B}B是p×qp\times qp×q维矩阵，
舒尔补/schur补
颹蕭蕭
10-25 2万+
舒尔补，分块矩阵的逆
数学小抄系列:舒尔补/schur补
nkc555的博客
08-10 1799
数学小抄系列,记录本人遇到的数学知识点,不证明,只记录容易理解的叙述
块矩阵（Block Matrix）、舒尔补（Schur complement）
一个搬运知识的笨小孩
01-11 3289
1.块矩阵（Block Matrix）、舒尔补（Schur complement） 1.1 块矩阵 作用：来自百度百科 可使高阶矩阵的运算可以转化为低阶矩阵的运算 同时也使原矩阵的结构显得简单而清晰，从而能够大大简化运算步骤 将 4×6矩阵分成 2×3块矩阵，每个块矩阵为 2×2 块矩阵乘法 1.2 分块消元 与一般矩阵消元类似 [ABCD] \left[ \begin{array}{c|c} A& B \\ \hline C& D \end{array} \right] [AC​
如何用Schur Complement将不等式化简为矩阵形式？
05-14
Schur Complement是一种将一个大的矩阵分解为子矩阵的方法，并且可以将不等式化简为矩阵形式。 假设有一个不等式约束条件 $Ax \leq b$，其中 $A$ 是一个 $m \times n$ 的矩阵，$x$ 是一个 $n \times 1$ 的向量，$b$ 是一个 $m \times 1$ 的向量。 我们可以引入一个额外的变量 $s$，并将不等式约束条件转化为一个等式约束条件： $$ Ax + s = b \\ s \geq 0 $$ 其中，$s$ 是一个 $m \times 1$ 的向量，表示松弛变量。 然后，我们可以将 $A$ 分解为如下形式： $$ A = \begin{bmatrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{bmatrix} $$ 其中，$A_{11}$ 是一个 $k \times k$ 的矩阵，$A_{12}$ 是一个 $k \times (n-k)$ 的矩阵，$A_{21}$ 是一个 $(m-k) \times k$ 的矩阵，$A_{22}$ 是一个 $(m-k) \times (n-k)$ 的矩阵。 然后，我们可以将 $s$ 分解为如下形式： $$ s = \begin{bmatrix} s_1 \\ s_2 \end{bmatrix} $$ 其中，$s_1$ 是一个 $k \times 1$ 的向量，$s_2$ 是一个 $(m-k) \times 1$ 的向量。 现在，我们可以将原始的约束条件转化为如下形式： $$ \begin{bmatrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} + \begin{bmatrix} s_1 \\ s_2 \end{bmatrix} = b $$ 其中，$x_1$ 是一个 $k \times 1$ 的向量，$x_2$ 是一个 $(n-k) \times 1$ 的向量。 现在，我们可以利用 Schur Complement 将约束条件化简为如下形式： $$ A_{11} x_1 + A_{12} x_2 + s_1 = b_1 \\ A_{21} x_1 + A_{22} x_2 + s_2 = b_2 \\ s_1 \geq 0 $$ 其中，$b_1$ 是一个 $k \times 1$ 的向量，$b_2$ 是一个 $(m-k) \times 1$ 的向量。 现在，我们可以利用 $s_1 \geq 0$ 的条件，将约束条件进一步化简为如下形式： $$ \begin{bmatrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} + \begin{bmatrix} s_1 \\ 0 \end{bmatrix} = \begin{bmatrix} b_1 \\ b_2 \end{bmatrix} $$ 现在，我们可以将上述等式约束条件转化为一个矩阵形式： $$ \begin{bmatrix} A_{11} & A_{12} \\ A_{21} & A_{22} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \end{bmatrix} - \begin{bmatrix} b_1 \\ b_2 \end{bmatrix} \begin{bmatrix} I & 0 \\ 0 & 0 \end{bmatrix} \begin{bmatrix} s_1 \\ 0 \end{bmatrix} \leq \begin{bmatrix} 0 \\ 0 \end{bmatrix} $$ 其中，$I$ 是一个 $k \times k$ 的单位矩阵。 这样，我们就将原始的不等式约束条件化简为了一个矩阵形式，可以用线性规划算法求解。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值