1.minimized different norms 寻找最小化的范数
二维平面中的最小范数
找出在直线 上最小的范数1,范数2,范数3。
min ,, with
附:L1范数 L1=
L2范数L2=
L范数L
p=1 即L1范数 :假设x1与x2均为正,则用y=x1+x2;当x1为负时,存在y=-x1+x2;当x2为负时,存在y=x1+-x2,y=-x1+-x2等情况,因此L1范数图像呈钻石状。
p=2 即L2范数 :算术平方根形式,即该直线与原点的距离,因此L2范数图像呈现圆形。
p=即L范数:与坐标轴距离最大,L图像呈现矩形。
根据题目要求寻找最小范数p,图像求解如下:
随着范数p的增大,最小范数点在逐渐向下移动,直到()
推广到多维
In 3D,直线变成平面或两个方程一条直线,L1扩展为立体钻石,L2扩展为球形,L3扩展为立方体。在三维方向上扩展。
2.Gram-Schmidt
板块内容包括:
- Standard way A->QR
- Column exchanges
- "Krylov - Arnoldi"
(1)Srandard way A->QR
i. what Gram-Schmidt about?
即从A获得Q的过程
因此Gram-Schmidt,从一个非正交非独立的矩阵A,通过构造获得一个标准正交矩阵Q与其他矩阵的乘积R。
由于Q是标准正交矩阵,则(前面视频讲过),因此具体可计算出R的值,如下:
ii. review:what Gram-Schmidt about? 如何从A获得Q?
为非正交矩阵且非独立。因此每一个向量ai直接也not atrhogonal.
需要通过Gram-Schmidt算法将每一个向量ai调整为单位正交。
计算方法如下:
Gram-Schmidt 两个步骤:1.减去原有向量上的分量,获得A;2.除以长度 unit vector q
(2)Column exchanges
i. What is the risk?标准Gram-Schmidt顺序求解的问题在哪?
如果a2和a1非常接近,因此在与a1正交的方向上,只存在非常小的向量。
通过exchange向量改变问题。
解决方法:在剩余的所有向量中,均减去a1方向上的分量,后进行比较,选择剩余向量较大的做第二个基向量q2。即在选择基向量时,选择最大的。
在标准方式中,当计算到column i 时,才会减掉之前i-1方向上的分量;
在修改后的方式中,在每一步中,将所有列都减去上一步已知的方向分量,后选择最大的向量。
just like picking the biggest number to go into the pivot
- Are we permuting every time? 答:每次都需要进行排序,选择最大
(3)"Krylov - Arnoldi"
A是一个很大的矩阵,并且为一个稀疏矩阵,无法进行转置。
So what we can do?
答:matrix times a vector.
(空间的一组基向量)组成krylov space ,=best vector in .
当前基向量非独立,非正交。
正交化基向量:Arnoldi && Lanczos
因此Arnoldi -- Lanczos算法是Krylov基向量通过改进后的Gram-Schmidt方法变成正交基向量。