最优化方法
文章平均质量分 83
显然易证
只有伟大的人格,才有伟大的风格
展开
-
最优化方法——Least Squares
最优化方法——Least Squares前言一、实验目的与要求二、问题三、模型建立与求解3.1 解决问题思路3.2 模型建立3.2.1 最小二乘法问题3.3 实验过程3.3.1 对矩阵A进行QR分解3.3.2 使用梯度下降法逼近最优解3.3.3 分析“近似解”与“准确解”之间的误差3.4 性能分析3.5 存在问题四、小结肝!前言Matrix InverseOrthogonal MatricesQR Factorization最优化太顶了…【注】以下内容全部非官方,纯属记录个人角度的理解原创 2021-11-29 13:18:32 · 1131 阅读 · 2 评论 -
最优化方法——QR Factorization
最优化方法——QR Factorization前言一、QR分解二、QR分解方法1.GS QR2.修正的GS QR3.Householder三、性能比较总结肝!前言Matrix InverseOrthogonal Matrices前面的两篇blog主要是回顾一下线代知识,打一打基础这三周学习的QR分解真的又双叕打开了我学习线性代数的格局,总觉得自己的数学真的是太过浅薄,总为那些优美的算法感到惊艳。于是打算整理三篇来好好地捋捋QR分解的理论和实验。(老话重提:不是为了完成DDL而作的blog)原创 2021-10-29 22:31:20 · 3369 阅读 · 0 评论 -
最优化方法——Orthogonal Matrices
Orthogonal Matrices8.1 正交单位向量8.2 标准正交矩阵8.1 正交单位向量如果一个向量集合a1,a2,...,an∈Rma_1,a_2,...,a_n\in R^ma1,a2,...,an∈Rm满足:向量有单位范数:∣∣ai∣∣=1||a_i||=1∣∣ai∣∣=1向量之间相互正交:如果i≠ji≠ji=j,有aiTaj=0a_i^Ta_j=0aiTaj=0则称这些向量是标准正交的。例子:8.2 标准正交矩阵如果A的Gram矩阵为单位矩原创 2021-10-29 18:13:02 · 893 阅读 · 0 评论 -
最优化方法——Matrix Inverse
Matrix Inverse7.1、矩阵左逆7.2、矩阵右逆7.3 性质7.4 矩阵的逆7.5 线性方差组7.6 线性方程组求解7.7 非奇异矩阵7.8 证明框架证明1→21\to21→2证明2→32\to32→37.9 例子7.1、矩阵左逆当一个矩阵X满足XA=I时,X被称为A的左逆;当左逆存在时,则称A是可左逆的;当左逆存在时,则A至少有一个左逆;矩阵A是可左逆的,其左逆矩阵有两个7.2、矩阵右逆当一个矩阵X满足AX=I时,X被称为A的右逆;当右逆存在时,则称A是可右逆的;原创 2021-10-29 18:12:28 · 1795 阅读 · 0 评论