大型实对称矩阵分块迭代求逆算法

为提高大型实对称矩阵数值求逆算法的运行速度,设计了一种分块迭代求逆算法,对算法做了详细的理论推导与分析。实现了四种常见的数值求逆算法,即Jacobi数值方法、QR分解法、LU分解法和高斯-约旦法,并分别与分块迭代求逆算法进行了对比分析。实验结果表明,在保证算法精度的情况下,分块迭代求逆算法极大的提高了算法的运行速度。当计算大小为700x700的实对称矩阵的逆矩阵时,相对于LU分解法,加速比为4倍;相对于QR分解法,加速比为26倍。

求解非线性矩阵方程X+Σ_(i=1)^(m)A_(i)^(T)X^(-ni)A_(i)=Q的无求逆迭代算法

针对从数值角度讨论非线性矩阵方程X+Σ_(i=1)^(m)A_(i)^(T)X^(-ni)A_(i)=Q的最大正定解问题,其中Q为对称正定矩阵,A_(i)∈R^(p×p),m∈N_(+),n_(i)∈N_(+),提出了一个求解该问题的无求逆迭代算法,给出了该算法的迭代格式及收敛性分析。数值实验表明,算法对该问题的求解是有效可行的。

基于CUDA的大型实对称矩阵并行求逆算法

针对大型实对称矩阵数值求逆算法运算量大、计算时间长的问题,分析分块迭代求逆算法的并行性,设计基于CUDA(compute unified device architecture)的并行求逆算法。设计对比分析实验,实验结果表明,该算法能够提高大型实对称矩阵求逆的速度,当矩阵大小为8000×8000时,加速比高达279倍,很好满足了实际工程中对实时性要求高的需求,且计算精度基本保持不变。

大型基因组亲缘矩阵求逆算法的优化研究

基因组选择常用的评估方法GBLUP和ssGBLUP都涉及到基因组亲缘矩阵的求逆,而大规模矩阵求逆运算非常耗时。本研究以提高大型基因组亲缘矩阵求逆运算的效率为目的。本研究通过真实数据和模拟数据构建基因组亲缘矩阵,引入Intel MKL矩阵函数,以减少迭代次数(方法1)和重复分块(方法2)两种方式改良分块迭代求逆算法,编程实现算法并在台式电脑和服务器上测试计算时间。结果表明,利用方法1计算4000×4000的基因组亲缘矩阵逆矩阵时,与MKL库函数的加速比为0.898。而16000×16000矩阵的计算速度为MKL库函数的1.006倍。利用方法2计算4000×4000矩阵的运算速度是MKL库函数的1.084倍;而在更大型的128000×128000基因组亲缘矩阵求逆运算时,该方法与MKL直接求逆函数的加速比为1.805倍。相比于MKL直接求逆函数,改进后的两种方法在效率上有一定程度的提升。

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列。为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法。该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力。然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差。仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计。

低复杂度大规模MIMO信号检测算法研究

原有的信号检测算法ZF(迫零)和MMSE(最小均方误差)不可避免地要对矩阵求逆,但是大规模MIMO中天线数量可能是上百根,复杂度随着天线数量呈指数增加,所以在大规模MIMO系统中直接对矩阵求逆任何机器都无法承担的。因此在不损失性能的前提下,提出一种通过迭代计算对矩阵近似求逆的方法来取代传统的矩阵精确求逆,从而起到算法复杂度降低的效果。