数学
文章平均质量分 51
娃乐呵
这个作者很懒,什么都没留下…
展开
-
公式图像转Latex代码;图像序列转GIF
免费的公式图像转Latex代码;图像序列转GIF原创 2022-10-19 20:20:05 · 525 阅读 · 0 评论 -
Projected Gradient Methods for Nonnegative Matrix Factorization
非负矩阵因式分解(NMF)可以表述为具有约束约束的极值问题。 虽然约束优化在理论和实践上都得到了广泛的研究,但是到目前为止,还没有研究将其技术应用于NMF。 在这篇文章中,我们提出了两种适用于NMF的投影梯度方法,它们都具有很强的优化特性。 我们讨论了这些算法实现的效率,并证明了所提出的方法之一比流行的乘法更新方法收敛的更快。 还提供了一个简单的Matlab代码。1. 简介非负矩阵分解(NMF)对于寻找非负数据的表达十分重要。给定一个n×mn\times mn×m的数据矩阵VVV,有Vij≥0V_{ij翻译 2020-07-22 16:32:13 · 788 阅读 · 0 评论 -
近端算子及其FBS优化问题
1. 近端算子给定以下的优化问题:minimizeh(x)=f(x)+g(x)(t01)\operatorname{minimize} h(x)=f(x)+g(x)(t01)minimizeh(x)=f(x)+g(x)(t01)其中,x∈RNx\in R^{N}x∈RN,fff是凸函数并且可微,ggg是任意的凸函数(不必保证光滑)。在很多情形下,函数ggg 既不可微,也不是有限值,在这种情况下,上面的式子不能用梯度下降的方法进行求解。然而在实际的计算中,对于很大一类ggg都可以高效地计算其近端算子翻译 2020-07-07 11:00:51 · 1763 阅读 · 0 评论 -
A Singular Value Thresholding Algorithm for Matrix Completion
前提假设假设存在一个未知的方阵M∈Rn×nM\in R^{n\times n}M∈Rn×n,其中存在有mmm个采样得到的实例:{Mij:(i,j)∈Ω}\{M_{ij}:(i,j)\in \Omega\}{Mij:(i,j)∈Ω},其中Ω\OmegaΩ是基数为mmm的随机子集。换句话说,就是在MMM中,存在mmm个已知的元素。前言大部分秩为rrr的矩阵MMM可以通过求解下面的优化问题来解决:minimize∥X∥∗ subject to Xij=Mij,(i,j)∈翻译 2020-06-29 18:23:24 · 1760 阅读 · 1 评论 -
1.1哈恩巴纳赫定理
内容:假设:(i). LLL表示实线性空间XXX的线性子空间。(i). p:X→Rp:X\rightarrow \mathbb{R}p:X→R是一个子线性函数,也就是说,对于所有的u,v∈Xu,v\in Xu,v∈X以及所有的α≥0\alpha \ge 0α≥0, 有p(u+v)≤p(u)+p(v), and p(αu)=αp(u)p(u+v)\le p(u)+p(v),\;and\; p(\alpha u)=\alpha p(u)p(u+v)≤p(u)+p(v),andp(αu)=αp(u)翻译 2020-05-13 18:46:35 · 362 阅读 · 0 评论 -
泰勒公式在不同点处展开有什么不同
这篇答案讲的不错 泰勒级数的展开涉及到一个收敛域 的问题。收敛域可以通过与展开点距离最近的奇点(不可求导点)的距离d来计算,其范围大概就是以展开点为中心,d为半径的圆内。若奇点为虚数,则收敛域则为复空间中以d为半径的球体所包含的区域。那么,泰勒级数公式在不同的展开点展开有什么不同呢?1,首先,不同的展开点,其与最近的奇点的距离d是不尽相同的,因此其收敛域是不同的。因为在收敛域之外,泰勒级...原创 2018-03-07 16:19:37 · 24791 阅读 · 0 评论 -
YALMIP学习笔记-基础知识
基本知识下面的代码介绍了你可能需要的一些基础知识.YALMIP通过spdvar来定义变量,利用通过使用sdpsettings来定义约束(constraints),目标函数(objectives)以及包含设置求解器的选项(options).通过利用optimize来求解问题,检查结果以及取得最终的解.YALMIP默认使用QUADPROG来求解问题,该优化器Matlab默认包含.假设我们想求:...翻译 2019-06-12 21:34:33 · 30666 阅读 · 11 评论