- •Нормированные пространства. Определение нормы. Эквивалентность норм
- •Векторные нормы. Основные типы норм в арифметических пространствах
- •Матричные нормы. Согласованные и индуцированные матричные нормы
- •Спектральная матричная норма
- •Числа обусловленности матриц и СЛАУ
- •Число обусловленности как мера чувствительности решения к возмущениям данных
- •Прямые и итерационные методы решения СЛАУ
- •Метод исключения Гаусса с выбором ведущего элемента
- •Ортогональные методы решения СЛАУ (QR-разложение)
- •Псевдорешение и нормальное псевдорешение произвольных СЛАУ
- •Вычисление псевдорешений на основе нормальной системы уравнений
- •Псевдообратная матрица Мура–Пенроуза
- •Вычисление нормальных псевдорешений на основе псевдообратных матриц
- •Числа с плавающей точкой
- •Машинное эпсилон
- •Арифметика чисел с плавающей точкой, фундаментальная аксиома арифметика с плавающей точкой
- •Компьютерный алгоритм. Точность компьютерных алгоритмов
- •Устойчивость и обратная устойчивость компьютерных алгоритмов
- •Приближённые некорректные СЛАУ
- •Метод регуляризации А. Н. Тихонова
- •SVD-разложение и решение линейных систем
- •Метод наименьших квадратов и SVD-разложение
- •Псевдообратная матрица и SVD-разложение
- •Наилучшие аппроксимации матриц с понижением ранга
- •Расстояние до множества вырожденных матриц
- •SVD и регуляризация
18. Компьютерный алгоритм. Точность компьютерных алгоритмов
Компьютерный алгоритм можно рассматривать как другое отображение ~ : → между этими двумя пространствами. Пусть даны фиксированные: задача , компьютер (система вычислений с плавающей точкой которого удовлетворяет (17.2)) (но не обязательно (17.1)), алгоритм для решенияи реализация этого алгоритма в форме компьютерной программы. Пусть исходные данные переведены в систему с плавающей точкой таким образом, что выполняется аксиома 16.1, и переданы на вход компьютерной программе. Результат — ~( ) .
Точность алгоритмов. Исключая тривиальные случаи, ~( ) не может быть непрерывной. Тем не менее хорошему алгоритму должно соответствовать хорошее приближение связанной с ним задачи. Для того чтобы выразить эту идею в цифрах, можно ввести абсолютную ошибку вычислений
‖~( ) − ( )‖ или относительную ошибку
‖~( ) − ( )‖ |
. |
(18.1) |
‖ ( )‖ |
|
Если ~ – "хороший" алгоритм, действительно можно ожидать, что относительная ошибка будет малой, т.е. порядка машинного эпсилон machine. Можно сказать, что алгоритм ~ для задачи точен, если для каждого выполняется
‖~( ) − ( )‖ |
= ( machine). |
(18.2) |
|
‖ ( )‖ |
|||
|
|
19. Устойчивость и обратная устойчивость компьютерных алгоритмов
Компьютерный алгоритм ~ для задачи называется устойчивым, если для каждого
выполняется |
|
|
|
|
‖~( ) − (~)‖ |
= ( machine), |
(19.1) |
||
|
‖ (~)‖ |
|
|
|
для некоторых ~, удовлетворяющих |
|
|
|
|
|
‖~ − ‖ |
= ( machine). |
(19.2) |
|
|
‖ ‖ |
|||
|
|
|
|
Другими словами, устойчивый алгоритм дает ответ, близкий к верному, для задач c входными данными близкими к точным.
Компьютерный алгоритм ~ для задачи называется обратно устойчивым, если для каждого
выполняется:
~( ) = (~) для некоторых ~ таких, что
‖~ − ‖ |
= ( machine). |
|
‖ ‖ |
||
|
Другими словами, компьютерный алгоритм, обладающий обратной устойчивостью, дает точный результат (решение) для приближенной задачи с исходными данными близкими к точным.
20. Приближённые некорректные СЛАУ
Рассмотрим некоторую задачу
= ,
где R × , R . Некорректной принято называть задачу, в которой решение возмущений не стремится к псевдорешению при → 0, то есть:
lim |^ − ^( )| = ∞.
→0
Корректная задача обладает свойствами: существования, единственности и устойчивости (малое возмущение должно соответствовать малой погрешности). Если хотя бы одно из условий не выполняется, задача так же называется некорректной.
10
Задачи такого рода постоянно возникают в приложениях, а решение таких задач связано с заменой исходной задачи на некоторую близкую к ней. Все методы подобной замены называются методами регуляризации.
Некорректные задачи, вообще говоря, не могут быть решены. Приближённые решения для некорректных задач могут быть найдены с помощью решения систем регуляризации.
21. Метод регуляризации А. Н. Тихонова
Одним из наиболее универсальных методов является метод регуляризации А.Н. Тихонова. Этот метод определяется:
= ( ), > 0,
R
где — сглаживающий функционал Тихонова, определяющийся следующим образом:
( ) = ( , , ) = ‖ − ‖2 + ( ),
где , — априорная информация, а ( ) = ‖ − 0‖2 — стабилизирующий функционал. Вектор 0 является априорно заданным пробным решением. В случае, если 0 = , очевидно, ( ) = ‖ ‖2.
Минимизация сглаживающего функционала Тихонова , очевидно, приводит к уравнению:
( T + ) = + 0,
называемому регуляризируемой нормальной системой или уравнением Эйлера. Чтобы сходилась к точному решению * необходимо, чтобы:
lim ‖ − *‖ = 0,
→0
в таком случае будет регуляризующим оператором.
22. SVD-разложение и решение линейных систем
Решение системы
|
|
|
|
= |
|
|
||
с |
невырожденной матрицей ( |
) может быть найдено с помощью SVD-разложения вида |
= |
|||||
|
| | ≠ 0 |
|
|
|
|
|
||
∑ =1 |
*: |
= |
|
, |
|
|||
|
|
|
* |
|
∑ |
|
|
|
|
|
|
|
=1 |
|
|
||
|
|
|
|
|
|
|
|
где = * = ( , ), называемые коэффициентами разложения вектора правой части по сингулярным векторам 1, 2, . . . , .
Данное утверждение проясняет роль направления возмущений при решении систем. Если коэффициент заменяется на + , где — некоторое возмущение, то коэффициент при векторе в разложении вектора * по базису 1, 2, . . . , возмущается на величину / . Таким образом, чем меньше , тем сильнее может измениться решение. Возмущение решения определяется не только
‖ ‖
отсительной погрешностью в векторе , то есть ‖ ‖ , но и направлением возмущений.
23. Метод наименьших квадратов и SVD-разложение
Рассмотрим уравнение
= ,
где C × , > . Рассмотрим задачу наименьших квадратов, то есть нахождения
C |
‖ |
|
− |
|
‖2 |
, |
min |
|
|
2 |
нормальное псевдорешение имеет вид
* = + .
11
Пусть C × , = . Тогда множество псевдорешений является линейным многообразием с размерностью − .
Из всех псевдорешений выделяется единственное, которое является нормальным псевдорешением. Нормальное псевдорешение существует всегда.
SVD-разложение позволяет дать явный вид нормальному псевдорешению:
∑
*
^ = · .
=1
Однако, несмотря на простоту формулы, могут возникнуть проблемы. Основная проблема возникает в случае, если матрица — неполного ранга, то есть < min( , ). Причиной этому является то, что ранг может повыситься при сколь угодно малом возмущении.
24. Псевдообратная матрица и SVD-разложение
Для любой матрицы C × существует сингулярное разложение (SVD-разложение) вида
= *.
Тогда из утверждения о том, что для любой матрицы C × выполнено соотношение
‖ + − ‖ 6 ‖ − ‖ .
непосредственно следует, что псевдообратная матрица
|
|
|
|
+ = + *, |
где + = diag |
( |
−1, . . . , −1 |
. |
|
Данный |
1 |
|
) |
|
|
|
|
метод является самым надежным (по точности) способом определения псевдообратных матриц, но в тоже время он является самым трудоемким (с вычислительной точки зрения) методом.
25. Наилучшие аппроксимации матриц с понижением ранга
Под аппроксимацией матрицы понимается замена исходной матрицы на матрицу, состоящую из суммы меньшего числа слагаемых с разделёнными переменными и .
Теорема 25.1. Пусть матрица C × задана сингулярным разложением вида
|
|
|
∑ |
= |
*, |
|
=1 |
и условимся считать, что +1 = 0. Пусть задано целое 1 6 6 . Тогда
min ‖ − ‖2 = +1 = ‖ − ‖2,
6
C ×
|
*. |
где = ∑ =1 |
26. Расстояние до множества вырожденных матриц
Если — невырожденная матрица, то все матрицы + при достаточно малой норме ‖ ‖2 будут невырожденными. Под спектральным расстоянием между и множеством вырожденных матриц понимается величина
|
inf |
‖ |
|
− |
|
‖2 |
. |
|
≡ det =0 |
|
|
|
Из теоремы об аппроксимациях с понижением ранга 25.1 вытекает, что
|
= |
inf |
1 |
‖ |
|
− |
|
‖2 |
= |
min |
( ) |
|
6 |
|
|
|
|
||||||
|
|
− |
|
|
|
|
|
|
|
|
|
Таким образом, спектральное расстояние от заданной невырожденной матрицы до множества вырожденных матриц равно её минимальному сингулярному числу.
12
27. SVD и регуляризация
Использование сингулярного разложения даёт простой способ вычисления регулярных решений
R |
‖ |
|
− |
|
‖ |
2. |
(27.1) |
min |
|
|
|
Решение задачи наименьших квадратов с использованием SVD имеет вид:
∑
T
= =1
Так как T = T , регуляризируемая нормальная система будет иметь вид
( T + ) = T .
тогда
|
|
|
|
|
|
T |
|
|
|
|
|
T |
|
|
|
|
|
|
|
|
∑ |
|
∑ |
|
|
|
|
||||
|
|
|
|
|
|
( ) |
|
(27.2) |
|||||||
|
|
|
|
= |
|
√ |
|
= |
|
|
|
, |
|||
|
|
|
|
|
+ |
|
|
|
|||||||
|
|
|
|
=1 |
|
=1 |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
( ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где |
= |
+ √ |
|
— коэффициенты фильтрации. |
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
Уравнение 27.2 даёт возможность легко вычислить регулярные решения с любым параметром регуляризации. Сингулярное разложение показывает, что регуляризационный алгоритм Тихонова является алгоритмом фильтрации.
13