计算最小奇异组的一个精化调和Lanczos双对角化方法

在很多实际应用中需要计算大规模矩阵的若干个最小奇异组.调和投影方法是计算内部特征对的常用方法,其原理可用于求解大规模奇异值分解问题.本文证明了,当投影空间足够好时,该方法得到的近似奇异值收敛,但近似奇异向量可能收敛很慢甚至不收敛.根据第二作者近年来提出的精化投影方法的原理,本文提出一种精化的调和Lanczos双对角化方法,证明了它的收敛性.然后将该方法与Sorensen提出的隐式重新启动技术相结合,开发出隐式重新启动的调和Lanczos双对角化算法(IRHLB)和隐式重新启动的精化调和Lanczos双对角化算法(IRRHLB).位移的合理选取是算法成功的关键之一,本文对精化算法提出了一种新的位移策略,称之为"精化调和位移".理论分析表明,精化调和位移比IRHLB中所用的调和位移要好,且可以廉价可靠地计算出来.数值实验表明,IRRHLB比IRHLB要显著优越,而且比目前常用的隐式重新启动的Lanczos双对角化方法(IRLB)和精化算法IRRLB更有效.

隐式重新启动精化Lanczos双对角化方法

给出一种计算少数几个最小奇异三元组的隐式重新启动精化Lanczos双对角化方法,采用调和Ritz值作为位移,有效地逼近大规模矩阵的小奇异值的奇异三元组.算法用精化残量,精化奇异向量和精化Rayleigh商,同时采取压缩技术压缩掉已经求出的小的奇异三元组.数值实验表明,算法更有效地求解大规模矩阵的小奇异三元组,收敛速度也快.

大型离散不适定问题的广义G-K双对角正则化算法

不适定问题常常出现于科学和工程等诸多领域,求解此类问题的难点在于其解对扰动的高度敏感性。正则化方法由于用与原不适定问题相邻近的适定问题的解逼近原问题的解,成为求解不适定问题的一类有效算法。近来,用不同范数分别约束保真项和正则项的极小化模型求解不适定问题的正则化方法引起了广泛关注。本文针对大型离散不适定问题的不同范数约束优化模型,基于Majorization-Minimization优化算法和Golub-Kahan Lanczos双对角化过程,采用基于偏差原理的正则化参数选择策略,提出了一种求解大型离散不适定问题的广义Golub-Kahan双对角化正则化算法,并给出了所提算法的收敛性理论证明。本文对新算法进行了数值实验,并与已有算法进行了比较,数值结果表明所提算法与已有算法相比在计算效能等方面更具优势;新算法应用到图像恢复问题的算例验证了新算法在图像恢复应用中的实用性和有效性。新算法由于其更低迭代运算和更高计算效率而更具吸引力。

隐式重新启动的上、下双对角化Lanczos方法之比较

隐式重新启动的上、下双对角化Lanczos方法,是计算大规模矩阵部分奇异值分解常用的方法.研究表明,如果选取特殊的初始向量,则二者等价.

半精化双正交Lanczos方法

根据精化投影方法的思想及双正交 Lanczos过程提出一种近似精化方法——半精化双正交 Lanczos方法 ,并给出了半精化近似特征对与精化近似特征对对应的残量范数之间的关系 ,数值实验表明了新算法的优越性 .

正则化超声Lanczos反卷积的NCB成像分析

Lanczos方法是求解大尺度逆问题的一种有效方法,这种方法的特点是可以把大尺度问题转化为小尺度问题,而且可以把解严格限制在Krylov子空间,只是它存在的半收敛性问题需要进一步克服。为了确保算法的有效性、稳定性和精确性,Lanczos混合法(Lanczos-hybrid)试图通过正则参数的适当选取来解决这个问题。文章在Hansen提出的正则化参数选取的NCP方法基础上,设计了一种新的算法NCB,即利用Burg功率谱代替NCP中的经典周期图谱,较好地克服了Lanczos的半收敛性问题,降低了解对迭代次数的敏感性,得到了大尺度反卷积病态问题的稳定解;并以超声RF信号为例进行仿真,结果表明,NCB的成像效果比GCV要好。

一类特殊子空间上调和Ritz对的性质及应用

讨论了增广矩阵在一类特殊子空间上的调和Ritz对的一些性质,并且结合Lanczos双对角化过程,研究了如何可靠且有效地计算部分最小的近似奇异值、近似奇异向量以及精化调和位移等问题。