凸优化第六章逼近与拟合 6.1范数逼近

最新推荐文章于 2024-07-11 16:47:15 发布

「已注销」

最新推荐文章于 2024-07-11 16:47:15 发布

阅读量3.1k

点赞数 4

分类专栏：凸优化

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/wangchy29/article/details/87176494

版权

本文讨论了凸优化中的范数逼近问题，包括最小二乘、Chebyshev和残差绝对值之和逼近。重点介绍了罚函数逼近，特别是Huber罚函数，它在处理异常值时表现优秀，能平衡拟合质量和稳定性。

摘要由CSDN通过智能技术生成

6.1范数逼近

基本的范数逼近问题
罚函数逼近

基本的范数逼近问题

$minimize \, \,\begin{Vmatrix}Ax-b \end{Vmatrix}$

其中 $A \in R^{m\times n},m\geq n$ ，且 $\begin{Vmatrix} \cdot \end{Vmatrix}$ 是 R^m 一种范数。

范数逼近问题的解有时又被称为 $Ax\approx b$ 在范数 $\begin{Vmatrix} \cdot \end{Vmatrix}$ 的近似解。

r=Ax-b 表示问题的残差。

解释：

（1）几何解释：在A的列空间上找到一个在范数 $\begin{Vmatrix} \cdot \end{Vmatrix}$ 下离b最近的点。

（2）估计的解释：假设y=Ax+v，y是测量值，v是噪声，x是待估计的参数向量。给定y=b，找到最好的估计值 x^* ，使得 $\begin{Vmatrix} Ax^*-b\end{Vmatrix}$ 最小。

（3）设计的解释：x是设计变量，b是期望得到的最好的结果，而Ax是实际的结果，找到最好

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。