增加了学习任务,算法最优化,根据老师推荐购买了《最优化:建模,算法与理论这本书》,接下来进行学习。
不知道应该怎样具体进行学习,目前的打算是遇到不会的就搞明白,后边学习模式是否需要改变再做打算。不懂的知识点会用块引用进行标注,代码应该会在pcharm中进行实现,如果需要再进行MATLAB的学习。
s.t.代表约束条件
在线性方程求解中,比如信号传输过程中,真正有用的解是所谓的“稀疏解”。
1.压缩感知:通过部分信息恢复全部信息的解决方案。
2.高斯分布:又称为正态分布,若随机变量X服从一个数学期望为μ、方差为σ2的正态分布,记为N(μ,σ2)。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。
若
3.欠定方程组:方程个数小于未知量个数的方程组。
对于方程组Ra=y,R为n×m矩阵,且n<m。则方程组有无穷多组解,此时称方程组为欠定方程组。内点法和梯度投影法是目前解欠定方程组的常用方法。
2.1范数
4.范数球:一定是凸集,且满足三角不等式
5.算子范数:由向量范数诱导出来,且都满足
这种也可以适用于相容性缩放,但要注意的是并不是所有的矩阵范数都与给定的向量范数相容。最常用到的是矩阵的2范数,即元素值的平方和开方。
6.最大奇异值:类似于矩阵特征值,在矩阵中也是从大到小排列
7.核范数:给定矩阵A,核范数就是该矩阵所有的非零奇异值之和,r=rank(A)
范数一般用于衡量矩阵模的大小
2.2导数
推导一下二次上界,是关于定义(梯度利普希茨连续)的引理,有什么理解错的地方欢迎大家指正,本身也是学习的过程
首先看一下梯度利普希茨连续,给定可微函数f,若存在L>0,对任意x,y∈dom f 有:
(2.2.2)
则称f是梯度利普希茨连续的,相应利普希茨常数为L,有时也简记为梯度L-利普希茨连续或L-光滑
梯度利普希茨连续表明的变化可以被自变量x的变化所控制,满足该性质的函数具有很多好的性质,一个重要的性质是具有二次上界。
引理(二次上界)设可谓函数的定义域,且为梯度L-利普希茨连续的,则函数有二次上界:
(2.2.3)
另附LaTeX的符号表 LaTeX常用数学符号表示方法 - 知乎
接下证明对于任意的,构造辅助函数
(2.2.4)
通过观察可以发现,以及
这一步很显然是等式两边同时对t进行求导,左边是右边见上式
由等式
以及可知:
下一步用到了柯西不等式:
其中最后一行的不等式利用了(2.2.2)条件
这个引理实际上指的是可被一个二次函数上界所控制,即要求的增长速度不超过二次。实际上,该引理对定义域的要求可减弱为是凸集(后边学到了再研究,还有很长一段路),此条件的作用是保证证明中的当时是有定义的。
若是梯度利普希茨连续的,且有一个全局极小点,以个重要的推论就是我们能够利用二次上界来估计的大小,其中可以是定义域中的任一点。