Cauchy方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Cauchy矩阵C,通过构造特殊分块矩阵并研究其逆矩阵的三角分解,进而间接地得到了线性方程组Cx=b的极小范数最小二乘解的显式表达式及其快速算法,所需运算量为O(mn)+O(n2),而通常构造法方程组的方法所需运算量为O(mn2)+O(n3),用正交化法虽然避免了构造法方程组,但所需的运算量更大些.     

Cauchy型方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Cauchy型矩阵C,通过构造特殊分块矩阵并研究其三角分解,进而得到了线性方程组C x=b的极小范数最小二乘解的快速算法,所需运算量为O(m n)+O(n2),而通常构造法方程组的方法所需运算量为O(m n2)+O(n3),用正交化法虽然避免了构造法方程组,但所需的运算量更大些.     

Loewner方程组极小范数最小二乘解的快速算法

对于秩为n的m×n阶Loewne矩阵,通过构造分块矩阵并研究其三角分解,进而得到了求线性方程组的极小范数最小二乘解的快速算法,所需运算量为O(mn)+O(m2),而通常构造法方程组的方法所需运算量为O(m2n)+O(m3),用正交化法虽然避免了构造法方程组,但所需的运算量更大。     

Loewner型方程组极小范数最小二乘解的快速算法

通过构造特殊分块矩阵及其三角分解给出了求秩为n 的m×n阶Loewner型矩阵为系数阵的线性方程组极小范数最小二乘解的快速算法, 该算法的计算复杂度为O(mn)+O(n²), 而一般方法的计算复杂度为O(mn²)+O(n³) .     

Loewner型方程组极小范数最小二乘解的快速算法

通过构造特殊分块矩阵并研究其三角分解,给出求以秩为n的m×nLoewner型矩阵为系数阵的线性方程组极小范数最小二乘解的快速算法,该算法的计算复杂度为O(mn)+O(n2),而一般方法的计算复杂度为O(mn2)+O(n3).     

整体最小二乘问题的解集与极小范数解

讨论了整体最小二乘问题的解集与极小范数ＴＬＳ解。     

用Gauss-Jordan消去法求解线性方程AX=b的极小范数最小二乘解

文章首先给出M-P逆A的又一显示表达式,A=E1A*AE2-1E10A*接着利用这一显示表达式,给出了用G auss-Jordan消去法求解矩阵方程AX=b的极小范数最小二乘解.     

矩阵方程的最小二乘解

给出了矩阵方程AXB=D的对称最小二乘解的表达式．     

矩阵方程的AXB＋CYD=E反对称极小范数最小二乘解

对任意给定的矩阵A∈R^m×n,B∈n×s,C∈R^m×k,D∈R^k×s,E∈R^m×s,本文利用矩阵的拉直算子,Moore—Penrose（M—P）广义逆及Kronecker积,研究矩阵方程AXB＋CYD=E的反对称最小二乘解,给出了解的表达式。并由此给出了该方程的反对称极小范数最小二乘解的表达式,同时给出了该方程有反对称解的充分必要条件及反对称解的表达式。     

矩阵方程的最小二乘解

给出了矩阵方程AXB=D的对称最小二乘解的表达式.     

关于四元数矩阵方程 AXA*=B 的最小二乘解

定义了四元数矩阵方程的范数，导出了四元数矩阵方程AXA^*＝B的最小二乘解及其在约束条件DX＝E下的最小二乘解，以及其具有极小范数的最小二乘解。     

对称Loewner矩阵Moore-Penrose逆的快速算法

对称Loewner矩阵在自然科学及工程技术中有着广泛的应用,许多问题都归结为求对称Loewner矩阵及其相关矩阵的代数问题.论文通过构造特殊分块矩阵并研究其逆矩阵,给出了秩为n的m×n对称Loewner矩阵Moore-Penrose逆的快速算法,该算法的计算复杂度为O(mn)+O(n2),而通过L+=(LTL)-1LT计算的复杂度为O(mn2)+O(n3).实验数据也表明前者在用时和效率方面均优于后者.     

基于Householder变换的复参数递推最小二乘估计方法

提出了一种基于Householder变换的复参数递推最小二乘参数估计方法.利用基本复Householder变换方法,研究了基于复Householder变换的递推复矩阵上三角化变换算法,针对上三角矩阵增加一行新数据后的复矩阵,提出了按列递推复矩阵上三角化变换算法,并给出了相应的算法证明.算例仿真结果验证了基于复Householder变换的复数最小二乘估计算法的有效性和可靠性.     

矩阵方程ATXA=C的对称斜反对称最小二乘解

文章利用矩阵对的广义奇异值分解和对称斜反对称矩阵的性质,研究了矩阵方程ATXA=C的对称斜反对称最小二乘解,并给出其通解的表达式;由正交矩阵的性质进一步给出了在相应的对称斜反对称最小二乘解解集中该矩阵方程的极小范数解。     

支持向量机与最小二乘法的关系研究

研究了支持向量机 (SVM)在二次损失函数下的优化问题解的形式 ,并与普通的最小二乘 (L S)估计问题进行了比较 ,得到了几乎完全一致的优化问题形式。由于 SVM在二次损失函数下的优化问题对应于一个欠定问题 ,该问题在最小二乘估计中有最小范数解。如果 SVM的参数选择合适 ,从理论上可以证明采用二次损失函数的 SVM函数拟合问题实际为约束最小二乘估计问题 ,并且该问题的解对应于最小范数最小二乘解。由于最小化范数解实际是 SVM在取某些参数时的一个特例 ,如果能够自动调整这些参数 ,则得到一类最小化范数解。由此提出了采用 SVM解决最小二乘法问题的思想 ,由于 SVM的优点 ,使解更加符合实际情况