- 博客(112)
- 资源 (10)
- 问答 (2)
- 收藏
- 关注
RSS订阅
原创 SLAM综述
关于SLAM（simultaneous localization and mapping）问题一个很粗糙的总结。对于SLAM的发展历程，Leonard和Reid大佬将SLAM到目前为止的发展过程总结为三个阶段：classical age（1986-2004）：早期阶段，SLAM问题的定义、基于概率框架的建模和求解方法；algorithm-analysis age（2004-2015）：深入研究SLAM问题的一些性质，比如稀疏性、收敛性、一致性等，更多样、更高效的算法也被相继提出；robust-.
2022-03-02 11:46:29
2946
原创 【高等数值分析】Krylov子空间方法
文章目录1. 预备理论1.1 Krylov 子空间1.2 最佳逼近1.2.1 方法一：最佳平方逼近1.2.2 方法二：假设 AAA 对称正定1.2.3 方法三：残差2范数2. 基底正交化2.1 Arnoldi 过程（CGS）2.2 改进 Arnoldi 过程（MGS）2.3 Lanczos过程3. 方程组求解3.1 全正交方法 (FOM)3.2 D-Lanczos方法3.3 广义极小残量法（GMRES）3.4 MINRES 方法1. 预备理论现在需要求解一个大规模稀疏方程组 Ax=bAx=bAx=b，可
2022-01-26 15:38:56
11110
3
原创 泛函分析笔记1：度量空间
这一章节研究度量空间的基本结构，在开始前，我们需要思考几个问题：什么是度量空间？我们为什么要首先学习度量空间呢？在这篇笔记的最后再来回答这个问题。文章目录1. 度量空间定义2. 开集2.1 开集的定义2.2 开集的性质2.3 稠密与可分3. 收敛性与完备性3.1 序列收敛性3.2 柯西列与完备性4. 映射与连续性5. Banach 不动点定理6. 小结1. 度量空间定义对于工科生来说，“空间”这个概念还是比较模糊的，但是我本人在学习数学的过程中发现很多数学的分支学科都是对于某个空间进行研究，
2020-10-19 18:18:04
4017
原创 凸优化学习笔记 11：对偶原理 & 拉格朗日函数
前面讲了凸优化问题的定义，以及一些常见的凸优化问题类型，这一章就要引入著名的拉格朗日函数和对偶问题了。通过对偶问题，我们可以将一些非凸问题转化为凸优化问题，还可以求出原问题的非平凡下界，这对复杂优化问题是很有用的。1. 拉格朗日函数考虑凸优化问题 minimize f0(x) subject to fi(x)≤0,i=1,…,mhi(x)=...
2020-03-21 00:54:16
4532
1
原创 Git 工作原理（一）
文章目录1. Git 的文件管理1.1 Git 文件存储1.2 Git 文件类型1.2.1 `blob` 文件1.2.2 `tree` 文件1.2.3 `commit` 文件1.2.4 `tag` 文件1.2.5 `index` 文件小结2. Git 的版本控制2.1 `git add` 会发生什么2.2 `git commit` 会发生什么小结注：个人博客 Glooow 开业啦！欢迎各位大驾...
2019-12-29 16:28:25
767
4
原创 连续参数马尔可夫链
文章目录7.1 定义与基本概念7.2 转移概率矩阵7.3 Kolmogorov前向后向微分方程7.4 平稳分布与极限分布及其矩阵计算7.1 定义与基本概念定义：设随机过程 X={X(t),t≥0}X=\{X(t),t\ge0\}X={X(t),t≥0}，状态空间 SSS，对任意 0≤t0<t1<⋯<tn<tn+10\le t_0 < t_1 < \cdots < t_n < t_{n+1}0≤t0<t1<⋯<tn<tn+1，
2022-01-27 08:51:43
711
原创 马尔可夫过程2 | 状态空间
文章目录6.4 状态空间的分解6.5 极限特性与平稳分布6.5.1 极限特性6.5.2 平稳分布6.6 转移矩阵的平均极限6.4 状态空间的分解定义：设 A⊂SA\subset SA⊂S，若对任意 i∈Ai\in Ai∈A 及 j∉Aj\notin Aj∈/A，都有 pij=0p_{ij}=0pij=0，称 AAA 为闭集。若 AAA 的状态是相通的，则 AAA 为不可约的。引理 6.1：AAA 为闭集的充要条件为：任意 i∈Ai\in Ai∈A 及 j∉Aj\notin Aj∈/A 都有 pi
2022-01-27 08:51:33
1895
原创 马尔可夫过程1 | 基本概念
文章目录6.1 基本概念6.2 转移概率矩阵6.3 Markov链状态的分类6.3.1 状态分类6.3.2 一些基本关系式6.3.3 状态间的等价关系6.1 基本概念马尔科夫链的定义很常见了，在此不再赘述。简单而言就是P(Xn+1=sn+1∣X0=s0,...,Xn=sn)=P(Xn+1=sn+1∣Xn=sn)P(X_{n+1}=s_{n+1}|X_0=s_0,...,X_{n}=s_n) = P(X_{n+1}=s_{n+1}|X_{n}=s_n)P(Xn+1=sn+1∣X0=s0,..
2022-01-27 08:51:24
1052
原创 布朗运动 2 | 布朗运动的推广
文章目录5.4 最大值与首中时的分布特性5.5 过零点的反正弦定理5.6 布朗运动的推广5.6.1 带吸收点的布朗运动5.6.2 原点反射的布朗运动5.6.3 几何布朗运动5.6.4 布朗运动的积分5.6.5 布朗运动的形式导数5.7 布朗桥与经验分布5.7.1 布朗桥的基本概念与性质5.7.2 经验分布与布朗桥的关系5.7.3 经验分布的误差估计5.8 带漂移的布朗运动5.8.1 移出区间的概率计算5.8.2 首中时问题5.9 布朗运动的轨道性质5.4 最大值与首中时的分布特性设 {B(t),t≥0}
2022-01-27 08:51:13
1142
原创 布朗运动 1 | 基本概念与性质
文章目录5.1 布朗运动概念5.2 正态分布相关理论5.2.1 柯西分布与高斯随机变量5.2.2 区域分布与互相关系数的关系5.2.3 贝叶斯定理与条件分布密度表示理论5.2.4 联合正态分布的边缘分布密度与条件分布密度5.2.5 几个基本关系式5.2.6 反正弦率5.2.7 零交叉问题5.2.8 正态分布拖尾概率估计5.3 布朗运动5.3.1 有限维联合概率密度5.3.2 布朗运动的性质5.3.3 正态过程5.3.4 马尔可夫性5.3.5 反射性5.3.6 时间可逆性5.1 布朗运动概念定义：若一个随
2022-01-27 08:51:03
4428
原创 泊松过程2 | 泊松过程扩展
文章目录4.5 非时齐次泊松过程4.6 复合泊松过程4.6.1 定义4.6.2 复合泊松恒等式4.7 条件泊松过程4.8 更新过程4.8.1 更新过程的定义4.8.2 更新过程的剩余寿命与年龄4.10 瓦尔德等式4.11 泊松过程与鞅4.5 非时齐次泊松过程定义：一个计数过程若满足：N(0)=0N(0)=0N(0)=0；它是独立增量过程；对充分小的 Δt>0\Delta t>0Δt>0，有 P(N(t+Δt)−N(t)=1)=λ(t)Δt+o(Δt)P(N(t+\Delta t
2022-01-27 08:50:51
589
原创 泊松过程1 | 定义与基本性质
文章目录4.1 泊松过程的定义与基本性质4.2 泊松过程与指数分布的关系4.3 到达时间的条件分布4.3.1 到达时间的条件分布4.3.2 顺序统计量4.4 泊松过程的分流4.1 泊松过程的定义与基本性质定义 4.1：随机过程 {N(t),t≥0}\{N(t),t\ge0\}{N(t),t≥0} 称为时齐泊松过程，若满足下列条件：他是一个计数过程，且 N(0)=0N(0)=0N(0)=0；（独立增量）任取 0<t1<t2<⋯<tn0 < t_1 < t_2 &l
2022-01-27 08:50:38
1990
原创 离散鞅论3 | 鞅论应用
文章目录3.11 鞅论的应用3.12 连续鞅论3.11 鞅论的应用栗子 1：三人赌博，每一轮从中随机依次选出两个人，第一个被选中的人给第二个一枚硬币。如果其中一个人没有硬币，其余两人继续赌博，直到其中一个人赢得所有硬币。假设三个人被选中概率完全相等，且每次选择相互独立。如果最初三人拥有的硬币数分别为 a,b,ca,b,ca,b,c，求此游戏结束的平均时间。解：设三个人在第 nnn 次赌博之后拥有的硬币分别为 Xn,Yn,ZnX_n,Y_n,Z_nXn,Yn,Zn，记 Sn=XnYn+YnZn+X
2022-01-26 15:56:54
719
原创 离散鞅论2 | 停时与停时定理
文章目录3.7 停时与停时定理3.8 上穿不等式3.9 极大值不等式与 Doob 定理3.10 Azuma不等式3.10.1 Azuma不等式3.10.2 Azuma不等式的推广3.7 停时与停时定理为了更好表述，下面给出一个不严谨的 σ\sigmaσ 域和停时的定义。用 Fn=σ(Yk,0≤k≤n)F_n = \sigma(Y_k,0\le k \le n)Fn=σ(Yk,0≤k≤n) 表示 Y0,...,YnY_0,...,Y_nY0,...,Yn 可提供的全部信息，称为他们生成的 σ\s
2022-01-26 15:55:18
2023
原创 离散鞅论1 | 基本概念
文章目录3.1 条件概率3.2 鞅的定义与基本性质3.3 鞅的举例与构造方法3.4 上鞅、下鞅的定义及基本性质3.5 Jensen不等式与下鞅的构造3.6 分解定理3.1 条件概率在初等概率论中，条件期望的概念比较好理解，有 E[X∣Y=yj]=∑ixiP(X=xi∣Y=yj){\mathbb E}[X | Y = y_j] = \sum_i x_i P(X=x_i | Y = y_j)E[X∣Y=yj]=∑ixiP(X=xi∣Y=yj)，得到的条件期望实际上是一个关于 Y=yjY=y_jY=
2022-01-26 15:52:52
1693
原创 随机过程2 平稳过程与二阶矩
文章目录1. 相关函数2. 功率谱2.1 定义2.2 功率谱与时域平均3. 线性系统4. 随机连续性与随机微积分4.1 随机连续性4.2 随机微分（均方意义）4.3 Taylor 级数4.4 随机微分方程4.5 随机积分5. 遍历性5.1 均值的遍历性5.2 自相关的遍历性5.3 分布函数的遍历性6. 抽样定理与随机预测6.1 随机过程抽样定理6.2 随机预测若无特殊说明，本章均考虑平稳过程。严平稳过程 + 一阶矩、二阶矩均存在 ⟹\Longrightarrow⟹ 宽平稳1. 相关函数互相关：Rx
2022-01-26 15:51:25
1454
原创 随机过程1 绪论
这个随机过程是工科院系开设的，所以理论性不那么强，更注重于实际问题的应用。参考教材为樊平毅老师撰写的《随机过程理论与应用》，清华大学出版社。最后给我的博客打个广告，欢迎光临https://glooow1024.github.io/https://glooow.gitee.io/前面的一些博客链接如下泛函分析专栏高等数值分析专栏...
2022-01-26 15:47:27
442
原创 【高等数值分析】常微分方程数值解
文章目录1. 预备理论2. 线性多步法2.1 线性多步法2.2 稳定性与收敛性2.2.1 相容性2.2.2 零稳定性2.2.3 收敛性2.2.4 绝对稳定性3. Runge-Kutta方法4. 刚性问题1. 预备理论求解常微分方程初值问题数值解KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲&\frac{dy}{dx}…存在唯一性定理：若 f(x,y)f(x,y)f(x,y)
2022-01-26 15:35:52
1358
原创 【高等数值分析】数值积分和数值微分
文章目录1. 预备理论2. 插值型求积公式2.1 Newton-Cotes求积公式2.2 Gauss型求积公式3. 数值微分1. 预备理论根据Newton-Leibniz公式有 ∫axf(t)dt=F(x)−F(a)\int_a^x f(t)dt = F(x)-F(a)∫axf(t)dt=F(x)−F(a)，但是绝大部分情况很难解析求解，需要数值积分。例如中点公式∫abf(x)dx≈f(a+b2)(b−a)\int_a^b f(x)dx \approx f(\frac{a+b}{2})(b-a)
2022-01-26 15:33:43
632
原创 【高等数值分析】函数逼近
文章目录1. 预备理论2. 多项式逼近2.1 总体框架2.2 正交多项式2.2.1 Lengdre多项式2.2.2 Chebyshev多项式2.2.3 Lagurre多项式2.2.4 Hermite多项式3. Pade逼近4. 最小二乘1. 预备理论函数插值当中我们只有几个离散的的插值节点及其函数值，在函数逼近里我们考虑的是有一个 f(x),x∈[a,b]f(x),x\in[a,b]f(x),x∈[a,b] 已知，但是希望用一组简单的基函数 {ϕ0,...,ϕn}\{\phi_0,...,\phi_n\
2022-01-26 15:31:48
912
原创 【高等数值分析】多项式插值
文章目录1. 预备理论2. Lagrange插值3. Newton插值3.1 Newton插值及其余项3.2 高阶项4. Hermite插值5. 样条插值1. 预备理论假设有离散的 {x0,x1,...,xn}\{x_0,x_1,...,x_n\}{x0,x1,...,xn} 插值节点，以及对应的函数值 {f(x0),....,f(xn)}\{f(x_0),....,f(x_n)\}{f(x0),....,f(xn)}，希望用函数 ϕ(x)\phi(x)ϕ(x) 来近似 f(x)f(x)f(x
2022-01-26 15:28:22
1321
原创 正交(IQ)调制解调与希尔伯特变换
文章目录1. 复信号2. 正交调制解调3. 希尔伯特变换1. 复信号首先我们为什么需要复信号？第一是因为复信号便于数学处理，例如获得信号的包络、相位等等；除此之外，从频域来看，实信号频谱总是共轭对称的，也就是双边带信号，这就导致有一半的频带是无用的，浪费频谱资源，因此实际通信系统中我们更希望传输单边带的复信号。但是在实际系统中我们只能获得实信号。2. 正交调制解调假设我们现在要发送一个复基带信号 x(t)=a(t)+jb(t)x(t)=a(t)+jb(t)x(t)=a(t)+jb(t)，调制
2021-08-29 13:45:58
4918
3
原创 CH1 基本概念
第一章主要介绍随机过程中的基本概念。1. 基本概念什么是随机过程？定义：设 (Ω,F,P)(\Omega, \mathcal{F},P)(Ω,F,P) 是一个概率空间，(E,E)(E,\mathcal{E})(E,E) 是一个可测空间，T\mathcal{T}T 是一个指标集，XT={Xt,t∈T}X_{\mathcal{T}}=\{X_t,t\in{\mathcal T}\}XT={Xt,t∈T} 是一族定义在 (Ω,F,P)(\Omega, \mathcal{F},P)(Ω,F,P) 上，取值
2021-06-09 11:19:39
476
原创 随机过程绪论
本专栏为研究生随机过程的课程笔记，主要内容包括停时、鞅论、Markov过程等，以高等概率论为基础，因此会需要部分测度相关的知识（目前为止高等概率论的专栏还在咕咕…）参考书为 Durret 的《Probability: Theory and Examples》...
2021-06-09 11:15:50
155
转载 理解复数域上的向量空间
说明：本文转载自博客：理解复数域上的向量空间（第一篇），由于没有找到原作者的联系方式，所以直接搬运过来了，如有侵权请联系我，我立即删除。线性代数进行到酉空间中的自伴算子、正规算子以及谱定理这部分内容时，会发现很多在复空间中成立的命题在实空间中却未必成立。这种情况多少让人感到有点奇怪，为什么会出现这种情况？复数域是包含实数域的，我们学习复数之后碰到最多的是相反的情况：原本在实数域上成立的性质在复数域中不一定成立了，比如，实数可以比较大小，但复数没有大小关系；又比如，实数的平方非负，等等。这样的命题见多.
2021-04-05 10:05:23
4507
1
原创 泛函分析笔记8：开映射定理与闭图像定理
接下来四大定理就剩下了两个：开映射定理与闭图像定理。剩下的内容相比于前面两个定理要少很多，也更简单，我们一口气讲完吧！文章目录1. 开映射定理2. 闭图像定理1. 开映射定理(X1,d1),(X2,d2)(X_1,d_1),(X_2,d_2)(X1,d1),(X2,d2)，称 T:X1→X2T:X_1\to X_2T:X1→X2 为开映射，若 ∀G⊂X\forall G\subset X∀G⊂X 为开集，都有 T(G)T(G)T(G) 在 X2X_2X2 中为开集。NOTE：我们讲到连
2020-12-30 18:07:18
3799
1
原创 泛函分析笔记7：弱收敛与弱星收敛
一致有界性原理的一个应用就是序列和算子的收敛性分析。文章目录1. 序列收敛性2. 线性泛函收敛性3. 一般有界线性算子收敛性4. 应用举例1. 序列收敛性(X,∥⋅∥)(X,\Vert\cdot\Vert)(X,∥⋅∥)，有 xn,x∈Xx_n,x\in Xxn,x∈X，称 xnx_nxn 强收敛到 xxx，若 ∥xn−x∥→0\Vert x_n-x\Vert \to 0∥xn−x∥→0；称 xnx_nxn 弱收敛到 xxx 若 ∀f∈X′\forall f\in X'∀f∈X′ 都有 f(x
2020-12-30 18:04:31
7551
原创 泛函分析笔记6：一致有界性原理
文章目录1. Baire范畴定理2. 一致有界性原理3. 应用举例Hahn-Banach定理主要是用于泛函的延拓，在较小的子空间上满足某个性质之后我们就可以将对应的泛函延拓至整个空间。而这一节要讲的一致有界性原理恰如其名，主要讨论一族有界线性算子一致有界的条件。他也是后续讨论序列弱收敛性以及泛函弱星收敛性的基础。1. Baire范畴定理一致有界性原理的证明需要用到Baire范畴定理（也叫Baire纲定理）。(X,d)(X,d)(X,d)，若 Mˉ⊂X\bar{M}\subset XMˉ⊂X 没有内点
2020-12-30 18:02:45
5420
原创 泛函分析笔记5：Hahn-Banach定理的应用
文章目录1. 共轭算子2. 自反空间2.1 典范映射2.2 可分性3. Riemann-Stieltjes积分1. 共轭算子赋范空间 X,YX,YX,Y，T∈B(X,Y)T\in B(X,Y)T∈B(X,Y)，对于任意的 f∈Y′f\in Y'f∈Y′，X⟶TY⟶fKX \stackrel{T}{\longrightarrow}Y\stackrel{f}{\longrightarrow}\mathbb{K}X⟶TY⟶fK，可以得到 f∘T∈X′f\circ T\in X'f∘T∈X′。因此我们可以定
2020-12-30 18:01:19
1397
原创 泛函分析笔记4：Hahn-Banach定理
前面三章讲了很多东西，但实际上都只是开胃小菜 >__<，度量空间、赋范空间、内积空间等等都是为了我们接下来要讲的四大定理做铺垫。泛函中的四大定理，即 Hahn-Banach 定理、一致有界性原理、开映射定理和闭图像定理，时整个泛函分析的基石（前面三章的内容是基石的基石）。1. Hahn-Banach 定理首先介绍几个要用到的概念。对于定义了序关系 ⪯\preceq⪯ 的集合 XXX，N⊂XN\subset XN⊂X，称 x0∈Xx_0\in Xx0∈X 为 NNN 的上界，若 x⪯x0,∀
2020-12-14 11:49:26
6088
1
原创 泛函分析笔记3：内积空间
我们前面讲了距离空间、赋范空间，距离空间赋予了两个点之间的距离度量，范数赋予了每个点自身的长度度量，而范数则可以导出距离。本章要讲的内积可以看成是更加统一的定义，因为从内积我们可以导出范数，进而导出距离。因此内积空间是一个“更小”的空间，在此基础上结合完备性我们引出了 Hilbert 空间，后续我们的研究也大多集中在 Hilbert 空间上。文章目录1. 内积空间2. 正交补与正交投影3. 标准正交基4. Hilbert 空间上有界线性泛函表示1. 内积空间定义：XXX 为 K\mathbb{K}K
2020-12-11 09:11:36
2715
原创 泛函分析笔记2：赋范空间
在度量空间中，我们重点关注的是两个元素之间的距离，而这一部分要引出来的赋范空间中，则对每个元素本身也赋予了“范数”，也就是“长度”。文章目录1. 线性空间2. 赋范空间与Banach空间3. 有限维赋范空间4. 有界线性算子4.1 线性算子4.2 算子范数5. 有界线性泛函1. 线性空间线性空间，可以简单理解为对线性运算封闭的集合。那么线性运算的形式是什么呢？常见的线性运算可以写为 T(x;a)=∑iaixiT(x;a)=\sum_i a_ix_iT(x;a)=∑iaixi，因此可以看出来包含了
2020-12-11 09:07:19
1268
原创 泛函分析笔记0：绪论
本系列泛函分析课程笔记的参考教材是清华大学出版社，步尚全老师写的《泛函分析基础》。笔记的内容基本来自于我的听课记录，以及自己复习过程中的一些想法，由于笔者的数学功底极其不扎实，因此很可能会有不准确甚至错误之处，欢迎大家指正。最后给我的博客打个广告，欢迎光临https://glooow1024.github.io/https://glooow.gitee.io/前面的一些博客链接如下泛函分析专栏泛函分析笔记 0：绪论泛函分析笔记 1：度量空间...
2020-10-19 18:21:17
549
原创 树莓派设置开机自启动程序(可执行文件与python脚本)
最近调试树莓派，希望开机运行两个程序，其中一个是可执行文件，另一个是 python 脚本，他们都是无限循环的程序，也就是说不关机不会停止运行。中间还是遇到了很多 bug，现在记录一下自启动程序的设置方法以及debug的整个过程。1. 自启动程序设置方法网上用的最多的方法就是修改 /etc/rc.local 文件：sudo nano /etc/rc.local进入之后在 exit 0 这句话上面添加需要运行的程序。比如我想运行 ~/test/ 文件夹下的可执行文件 runme 和 python 脚本
2020-07-20 17:37:06
8753
3
原创 JY901串口数据接收与处理(Python)
最近在用JY901做一些实验，关于JY901网上有很多资料了，也有上位机软件，可以方便的查看输出数据。我想做的是对输出的角速度进行积分，对比积分后的结果与输出的角度，如果数据都比较准确地话，那么他们应该相差不大。这篇文章里，要完成的事情就是通过串口接收他输出的角速度和角度，然后对角速度进行积分，并实时显示数据结果。下面我首先对各个部分进行分块解释，完整的代码放在最后。1. 串口通信python实现串口通信可以用 pySerial 库。我们首先选择串口对应的设备端口：# 获取串口设备对应的端口def
2020-07-09 08:18:44
3830
3
原创 强大数定律与弱大数定律（民科解释）
近学习的时候遇到了强大数定律与弱大数定律，两者的区分提到了“依概率收敛”和“几乎处处收敛”，由于本人的数学基础太差，一直很难理解这个地方，在网上查阅了一些资料有了一些个人的理解，不知道对不对，不过还是想记录下来。提前说明，这里给出的解释非常的不严格，甚至有点搞笑，不过个人觉得很容易理解。首先给出来强弱大数定律的表述。对于独立同分布的无穷随机序列 {Xi}\{X_i\}{Xi}，期望为 E(Xi)=μ\mathbb{E}(X_i)=\muE(Xi)=μ。大数定律要研究的就是样本均值的极限Xˉn=1n
2020-05-30 11:14:44
5786
3
原创 最优化方法 26：不动点迭代
前面讲了很多具体的算法，比如梯度、次梯度、近似点梯度、加速近似点梯度、PPA、DR方法、ADMM、ALM等，对这些方法的迭代过程有了一些了解。这一节则主要是针对算法的收敛性进行分析，试图从一个更加抽象的层面，利用不动点迭代的思想，把上面的算法综合起来，给一个比较 general 的收敛性分析方法。1. 什么是不动点？对于希尔伯特空间(Hilbert space) H\mathcal{H}H，定义了内积 <⋅,⋅>\left<\cdot,\cdot\right>⟨⋅,⋅⟩ 和 范数
2020-05-27 17:41:18
3909
1
原创 最优化方法 25：PDHG
前面的章节要么从原始问题出发，要么从对偶问题出发，通过求解近似点或者一个子优化问题进行迭代，而且推导过程中我们发现根据问题的参数特征，比如矩阵 AAA 是瘦高型的还是矮胖型的，采用对偶和原始问题的复杂度会不一样，可以选择一个更简单的。而这一节，我们将要从原始对偶问题出发来优化，什么是原始对偶问题呢？就是原始优化变量和对偶优化变量（原始函数和共轭函数）混合在一块，看下面的原理就知道了。1. 原始对偶问题现在考虑原始优化问题，其中 f,gf,gf,g 为闭凸函数minf(x)+g(Ax)\min \q
2020-05-24 10:46:46
3160
1
原创 最优化方法 24：ADMM
上一节讲了对偶问题上的 DR-splitting 就等价于原问题的 ADMM，这一节在详细的讲一下 ADMM 及其变种。1. 标准 ADMM 形式首先还是给出 ADMM 要求解的问题的格式，也就是约束存在耦合：minx,zf(x)+g(z)s.t.Ax+Bz=b\begin{aligned}\min_{x,z} \quad& f(x)+g(z) \\\text{s.t.} \quad& Ax+Bz=b\end{aligned}x,zmins.t.f(x)+g(z)Ax+
2020-05-20 23:51:45
3151
1
原创 最优化方法 23：算子分裂法 & ADMM
前面章节中，针对 minf(x)+g(Ax)\min f(x)+g(Ax)minf(x)+g(Ax) 形式的优化问题，我们介绍了如 PG、dual PG、ALM、PPA 等方法。但是比如 PG 方法为xk+1=proxth(xk−tk∇g(xk))x_{k+1}=\text{prox}_{th}(x_k-t_k\nabla g(x_k))xk+1=proxth(xk−tk∇g(xk))ALM 的第一步要解一个联合优化问题(xk+1,yk+1)=argminx,yLt(x,y,zk)
2020-05-10 10:07:45
3487
IguanaTex_v1_57
2020-02-02
ADS2017Crack.rar
2019-10-17
OPNET 仿真教程
2019-08-13
如何画出这样效果的图
2019-06-28
TA创建的收藏夹 TA关注的收藏夹
TA关注的人