基于MATLAB的Cholesky分解法解线性方程组

本文首先介绍什么是Cholesky分解及分解注意的事项,然后对Cholesky分解算法进行描述,重点介绍如何用Cholesky分解法及改进的平方根法解线性方程组Ax=b,对两种算法进行了比较,针对实例分别用MATLAB程序实现,最后进行总结并对此课题未来研究作出展望。     

四元数Cholesky分解的实保结构算法的再研究（英文）

文献[6]中,作者提出了四元数Cholesky分解的一种实保结构算法.本文对四元数Cholesky分解的实保结构算法进行了细致的研究,给出了基于高效运算的四元数Hermitian正定矩阵的LDL~H及LL~H分解的实保结构算法.我们将这两种实保结构算法的运算时间及精度与文献[6]中的算法及Matlab中的四元数工具包QTFM进行了比较.数值例子表明本文所提出的算法相对于利用低效运算[6]的算法及利用四元数代数运算的QTFM更加有效.     

非高斯型互相关随机数的发生技术

在用蒙特卡罗法进行仿真研究（例如进行测量不确定度评定）时,常常需要发生多个非高斯型互相关的随机数.就这一问题,给出完整的解决方案：用Hermite展开式生成近似的非高斯变量,借助Cholesky分解建立各变量之间的相关性.方法的关键在于对互相关系数矩阵进行“预变形”,使Cholesky分解也适用于非高斯变量.此外,还利用Cholesky分解式下三角矩阵的特点,对矩调整和建立相关性两个过程进行解耦.给出了详细的算法说明.     

基于LU分解的增广信息滤波机器人协同定位

在增广信息滤波机器人协同定位算法中,通常对联合分布的信息矩阵采用Cholesky方法进行分解。基于Cholesky分解的增广信息滤波对联合分布的信息矩阵的正定对称性要求很高,在联合分布的信息矩阵不满足正定对称性的情况下,求逆产生异常,影响联合分布的信息恢复,系统的鲁棒性下降。本文提出了一种基于LU分解的增广信息滤波算法,保证了机器人协同定位算法精度的同时,有效解决了联合分布的信息矩阵分解异常问题,最后对机器人系统可观测性进行分析。利用MATLAB软件平台对算法进行仿真验证。结果表明,该算法保证了机器人协同定位精度,提高了机器人系统的鲁棒性。     

一类o-对称矩阵的3种分解

给出o-对称矩阵概念及结构,研究其中一类o-对称矩阵的LDU分解和Cholesky分解及三对角分解,给出了分解公式,得到一些新结果,据此可大大减少这类矩阵的LDU分解和Cholesky分解及三对角分解的计算量和存储量.     

预处理ICCG法求解稀疏病态方程组

针对一般的对称正定线性代数方程组,首先给出了常用的不完全Cholesky分解预处理技术;然后通过改进对称逐次超松弛(SSOR)预处理矩阵形式提出SSOR-ICCG算法及其改进算法,并讨论了算法的收敛性;最后进行数值模拟仿真实验,数值结果表明,该算法是有效可行的,且较之一般的预处理不完全Cholesky共轭梯度法(ICCG方法),该算法在求解稀疏病态方程组方面具有优越性.     

基于单元级矩阵分解的EBE-PCG算法及其在网络机群并行环境上的实现

基于EBE策略，讨论求解大型线性方程组CG方法及PCG方法的并行计算．在不显式形成总刚度阵的情况下利用单元级矩阵的Cholesky分解构造总刚度阵的近似，形成预条件矩阵，提出了求解大型线性方程组的EBE—PCG并行算法，并讨论了算法在网络机群(COW)并行计算环境下的实现．结合实际算例，对EBE-PCG并行算法进行了并行效率分析．结果表明基于单元级Cholesky分解的EBE—PCG算法具有很好的并行效率，是一种适合网络机群并行环境的高效并行算法．     

基于Cholesky分解的LSSVM在线学习算法

针对最小二乘支持向量机(LSSVM)用于在线建模时存在的计算复杂性问题,提出一种LSSVM在线学习算法.首先引入了基于Cholesky分解求LSSVM的方法,接着根据在线建模期间核函数矩阵的更新特点,将分块矩阵Cholesky分解用于LSSVM的在线求解,使三角因子矩阵在线更新从而得出一种新的LSSVM在线学习算法.该算法能充分利用历史训练结果,减少计算量.仿真实验显示了这种在线学习算法的有效性.     

求解不定信赖域子问题的分段三次Hermite插值法

当Hessian阵为不定矩阵时,用修改Cholesky分解对其修正,再用分段三次Hermite插值法来求解新的信赖域子问题,提出解不定信赖域子问题的修正分段三次Hermite插值方法。并进行数值试验:比较此方法与修正分段割线法、混合折线法的数值结果。结果表明:此算法有效可行。     

求不定二次规划问题全局解的新的分支定界算法

提出了求解不定二次规划问题一个新的分支定界算法.利用D.C.分解和正定阵的Cholesky分解把问题转化为可分离形式,并导出Lagrangian对偶界,给出基于Lagrangian对偶界和矩形对分的分支定界算法,同时给出初步数值实验结果.     

基于矩阵三角化分解的Cholesky分解及FPGA并行结构设计

矩阵运算是高性能计算中核心问题之一,矩阵分解是提高矩阵运算并行性的重要途径,飞速发展的FPGA为并行运算结构提供了有力的环境支持。该文基于子矩阵更新同一化算法实现了Cholesky分解,基于FPGA设计了相应的并行结构。实验结果表明:与通用处理器的软件实现相比,本文实现的Cholesky分解的FPGA并行结果在核心计算性能上可以取得10倍以上的加速比,该算法针对矩阵三角化计算过程具有更高的数据和流水并行性。     

基于FPGA的正交匹配追踪算法的硬件实现

针对压缩感知重构算法中的正交匹配追踪(OMP)算法,设计了一种基于FPGA的OMP算法的硬体结构.在矩阵分解部分采用了修正的Cholesky分解方法规避开方运算,以减小计算延迟.在Quartus II开发环境下对该设计进行了RTL级描述,用Modelism进行了相应的功能仿真;针对Altera系列Cyclone III Ep3c120F780C7进行综合,并完成时序仿真.仿真结果验证了设计的正确性,在单精度条件下,设计的最高工作频率可达31.28MHz,占用的资源为9874个LE.     

新型粒子滤波算法在传递对准系统中的应用

为了提高传递对准非线性系统状态估计中粒子滤波算法的估计精度,提出了一类应用中心差分滤波(CDDF)算法产生粒子建议分布的中心差分粒子滤波(CDDPF)算法.该算法应用Stirling插值公式逼近非线性函数,用Cholesky分解确保误差方差阵正定性,获得滤波稳定数值计算;应用CDDPF算法生成粒子建议分布,能够融合最新量测信息;最后应用新算法对传递对准系统模型进行最优滤波,CDDPF算法数值计算稳定性优于UKPF算法,状态变量估计精度得到明显提高.     

基于现场可编程门阵列的矩阵求逆算法设计

针对自适应抗干扰算法在更新最优权值时存在时间延迟问题,提出了一种基于Cholesky分解的矩阵求逆算法实现架构。该实现架构主要包括协方差矩阵计算模块、Cholesky分解模块、计算下三角矩阵的逆矩阵模块、三角矩阵相乘和权值计算模块。本设计可完成在最短权值更新时间的前提下,对高阶采样矩阵进行求逆运算。仿真结果表明,在FPGA的硬件平台上,一次权值的更新时间只需要1.2 ms。本设计为自适应抗干扰快速求解权值提供了一种切实可行的解决方案,对存在类似需求的权值求解系统具有一定的参考价值。     

基于Cholesky矩阵分解的贝叶斯压缩感知信号处理

随着雷达、卫星遥感技术的的高速发展,信号重构精度和效率的要求越来越高.针对传统贝叶斯压缩感知(Bayesian compressed sensing,BCS)算法需要进行高维矩阵反复求逆致使算法复杂度过高、运算时间过长的问题,结合Cholesky矩阵分解快速求逆方法,提出一种基于矩阵分解的改进贝叶斯压缩感知算法.通过仿...     

Lorenz混沌系统的数据同化方法研究

利用数据同化方法研究了Lorenz混沌系统中的非线性问题.提出了一种基于Cholesky分解的降秩平方根滤波算法,可以改善数据同化中的滤波发散现象.通过对卡尔曼滤波误差协方差矩阵进行Cholesky分解,降低协方差矩阵的计算量和存储量,提高滤波的收敛速度.在Lorenz混沌系统上研究了降秩平方根滤波的性能,通过敏感性分析试验,讨论了降秩平方根滤波的稳定性,验证了算法的有效性,比较了降秩平方根滤波与集合卡尔曼滤波的同化性能.结果表明,在Lorenz混沌系统的短期预报实验中,降秩平方根滤波的同化性能优于集合卡尔曼滤波.     

谐波合成法模拟随机风场的优化算法

为解决传统谐波合成法模拟多变量随机脉动风场效率低下的问题,首先将互谱密度函数矩阵分块,然后采用递归优化算法进行矩阵的Cholesky分解,同时引入矩阵乘法算法来代替传统算法的叠加过程,从而减少了互谱密度矩阵中元素生成的数量,加快了矩阵分解和脉动风场合成的速度.工程实例表明,上述优化算法可有效减少整个模拟过程的计算时间,提高模拟效率.     

行(列)对称矩阵的LDU分解与Cholesky分解

提出行(列)转置矩阵与行(列)对称矩阵的概念,研究它们的性质,获得一些新的结果.给出行(列)对称矩阵的LDU分解、Cholesky分解和三对角分解公式,可极大地减少行(列)对称矩阵的LDU分解、Cholesky分解和三对角分解的计算量与存储量,而且不会丧失数值精度.     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

广义Lehmer矩阵求逆问题研究

利用矩阵的LU和Cholesky分解推导出Lehmer矩阵行列式和逆的解析表达式.在此基础上,定义了广义Lehmer矩阵,并获得了其LU分解和Cholesky分解公式,进而简化了广义Lehmer矩阵行列式和求逆的计算问题.