Рефетека.ру / Математика

Реферат: СИНГУЛЯРНОЕ РАЗЛОЖЕНИЕ В ЛИНЕЙНОЙ ЗАДАЧЕ МЕТОДА НАИМЕНЬШИХ КВАДРАТОВ

МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

Математический факультет

Кафедра прикладной математики

ДИПЛОМНЫЙ ПРОЕКТ

СИНГУЛяРНОЕ РАЗЛОЖЕНИЕ В ЛИНЕЙНОЙ ЗАДАчЕ МЕТОДА НАИМЕНЬШИХ КВАДРАТОВ

Заведующий кафедрой прикладной математики

Исполнил:

Научный руководитель

Владикавказ 2002

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3


Глава 1. Метод наименьших квадратов 7

1.1. Задача наименьших квадратов 7

1.2. Ортогональное вращение Гивенса 9

1.3. Ортогональное преобразование Хаусхолдера 10

1.4. Сингулярное разложение матриц 11

1.5. QR–разложение 15

1.6. Число обусловленности 20

глава 2. Реализация сингулярного разложения 25

2.1. Алгоритмы 25

2.2. Реализация разложения 27

2.3. Пример сингулярного разложения 29

глава 3. Использование сингулярного разложения в методе наименьших квадратов 33


ЗАКЛЮЧЕНИЕ 38


ЛИТЕРАТУРА 39


ПРИЛОЖЕНИЕ 1. Исходные тексты программы 40


ПРИЛОЖЕНИЕ 2. контрольный пример 45

ВВЕДЕНИЕ

Метод наименьших квадратов обычно используется как составная часть некоторой более общей проблемы. Например, при необходимости проведения аппроксимации наиболее часто употребляется именно метод наименьших квадратов. На этом подходе основаны: регрессионный анализ в статистике, оценивание параметров в технике и т.д.

Большое количество реальных задач сводится к линейной задаче наименьших квадратов, которую можно сформулировать следующим образом.

Пусть даны действительная m(n–матрица A ранга k(min(m,n) и действительный m–вектор b. Найти действительный n–вектор x0, минимизирующий евклидову длину вектора невязки Ax–b.

Пусть y – n–мерный вектор фактических значений, x – n–мерный вектор значений независимой переменной, b – коэффициенты в аппроксимации y линейной комбинацией n заданных базисных функций (:

[pic].

Задача состоит в том, чтобы в уравнении подобрать такие b, чтобы минимизировать суммы квадратов отклонений e=y–Xb, где X – есть так называемая матрица плана, в которой строками являются n–мерный вектора с компонентами, зависящими от xj: [pic] каждая строка соответствует определенному значению xj. Коэффициенты можно найти решая нормальные уравнения [pic], откуда [pic]. Покажем это. Возведем в квадрат выражение для е:

[pic] т. к. [pic].

Это выражение имеет экстремум в точке, где [pic]=0

Откуда и получаем [pic].

Следует отметить, что последнее выражение имеет в определенной степени формальный характер, т. к. решение нормальных уравнений, как правило, проводится без вычисления обратной матрицы (метод Крамера) такими методами как метод Гаусса, Холесского и т. д.

Пример. Пусть заданы результаты четырех измерений (рис. 1): y=0 при x=0; y=1 при x=1; y=2 при x=3; y=5 при x=4. Задача заключается в том, чтобы провести через эти точки прямую [pic] таким образом, чтобы сумма квадратов отклонений была минимальна. Запишем уравнение, описывающее проведение прямой [pic] по результатам измерений. Мы получаем переопределенную систему:

[pic] или Xb=y. Нам понадобится матрица XTX и обратная к ней:

[pic]

Тогда решение b=(XTX)-1XTy по методу наименьших квадратов будет иметь вид [pic]

Таким образом, оптимальная прямая задается уравнением [pic] Метод точечной квадратичной аппроксимации (метод наименьших квадратов) не предполагает, что мы должны приближать экспериментальные данные лишь с помощью прямых линий. Во многих экспериментах связи могут быть нелинейными, и было бы глупо искать для этих задач линейные соотношения. Пусть, например, мы работаем с радиоактивным материалом. Тогда выходными данными у являются показания счетчика Гейгера в различные моменты времени t. Пусть наш материал представляет собой смесь двух радиоактивных веществ, и мы знаем период полураспада каждого из них, но не знаем, в каких пропорциях эти вещества смешаны. Если обозначить их количества через С и D, то показания счетчика будут вести себя подобно сумме двух экспонент, а не как прямая:

[pic]. (1)

На практике, поскольку радиоактивность измеряется дискретно и через различные промежутки времени, показания счетчика не будут точно

[pic]

Рис. 1. Аппроксимация прямой линией.

соответствовать (1). Вместо этого мы имеем серию показаний счетчика [pic] в различные моменты времени [pic], и (1) выполняется лишь приближенно:

[pic]

Если мы имеем более двух показаний, m>2, то точно разрешить эту систему относительно C и D практически невозможно. Но мы в состоянии получить приближенное решение в смысле минимальных квадратов.

Ситуация будет совершенно иной, если нам известны количества веществ C и D и нужно отыскать коэффициенты ( и (. Это нелинейная задача наименьших квадратов, и решить ее существенно труднее. Мы по–прежнему будем минимизировать сумму квадратов ошибок, но сейчас она уже не будет многочленом второй степени относительно ( и (, так что приравнивание нулю производной не будет давать линейных уравнений для отыскания оптимальных решений.

Глава 1. Метод наименьших квадратов


1.1. Задача наименьших квадратов

Задача наименьших квадратов заключается в минимизация евклидовой длины вектора невязок (( Ax-b ((.

Теорема 1. Пусть А – m(n–матрица ранга k, представленная в виде

A=HRKT (2) где H ортогональная m(m матрица; R – m(n–матрица вида

[pic], (3) где: R11 – kxk–матрица ранга k; K – ортогональная kxk–матрица.
Определим вектор

[pic] (4) и введем новую переменную

[pic]. (5)

Определим [pic] как единственное решение системы R11y1=g1. Тогда:
1. Все решения задачи о минимизации ((Ax-b(( имеют вид [pic], где y2 произвольно.

2. Любой такой вектор [pic] приводит к одному и тому же вектору невязки

[pic]. (6)
3. Для нормы r справедливо [pic]
4. Единственным решением минимальной длины является вектор [pic]

Доказательство. В выражении для квадрата нормы невязки заменим A на
HRKT в соответствии с (2) и умножая на ортогональную матрицу HT (умножение на ортогональную матрицу не меняет евклидову норму вектора) получим

[pic] (7)

Далее из (3) и (5) следует, что

[pic].

Из (4) следует

[pic]

Подставляя оба последних выражения в (7) получим

[pic]

Последнее выражение имеет минимальное значение [pic] при R11y1=g1, а в этом уравнении единственным решением является [pic], так как ранг матрицы
R11 равен к. Общее решение y выражается формулой [pic], где y2 произвольно.
Для вектора [pic] имеем

[pic], что устанавливает равенство (3). Среди векторов [pic] наименьшую длину имеет тот, для которого y2=0. Отсюда следует, что решением наименьшей длины будет вектор [pic]. Теорема доказана.

Всякое разложение матрицы А типа (2) мы будем называть ортогональным разложением А. Заметим, что решение минимальной длины, множество всех решений и минимальное значение для задачи минимизации ((Ax-b(( определяются единственным образом. Они не зависят от конкретного ортогонального разложения.

При проведении разложения необходимо приводить матрицы к диагональному виду. Для этого обычно используются два преобразования: Гивенса и
Хаусхолдера, оставляющие нормы столбцов и строк матриц неизменными.

1.2. Ортогональное вращение Гивенса

Лемма. Пусть дан 2–вектор [pic], причем [pic] либо [pic].Существует ортогональная 2(2 матрица такая, что:

[pic] (8)

Доказательство. Положим:

[pic].

Далее прямая проверка.

Матрица преобразования представляет собой матрицу вращений

[pic] или отражений

[pic]

1.3. Ортогональное преобразование Хаусхолдера

Применяется для преобразования матриц к диагональному виду. Матрица преобразования представляет из себя следующее выражение: [pic],

(9) или, если вектор v нормирован, т.е. используется вектор единичной длины
[pic], то [pic]. В обоих случаях H – симметричная и ортогональная матрица.
Покажем это:

[pic].

Отсюда следует: что [pic], т.е. симметричность и ортогональность. В комплексном случае матрица [pic] эрмитова[1] и унитарна[2]. Предположим, что дан вектор х размерности m, тогда существует матрица H такая, что
[pic], где

[pic] а ( = +1, при положительной первой компоненте вектора х и = –1, при отрицательной.

Доказательство. Положим [pic] действительная матрица. Любую действительную матрицу можно привести в треугольному виду

[pic]

Далее принимаем во внимание то, что [pic] и получаем следующее:

[pic]

1.4. Сингулярное разложение матриц

Пусть X – матрица данных порядка Nxp, где N>p, и пусть r – ранг матрицы
X. Чаще всего r=p, но приводимый ниже результат охватывает общий случай, он справедлив и при условии r

Похожие работы:

  1. • Классический метод наименьших квадратов
  2. • Метод наименьших квадратов в случае интегральной и ...
  3. • Классический метод наименьших квадратов
  4. • Линеаризация без метода наименьших квадратов
  5. • Многомерный статистический анализ
  6. • Применение сингулярной матрицы в химии
  7. • Инфракрасная спектроскопия и спектроскопия кругового ...
  8. • Метод наименьших квадратов для однофакторной ...
  9. • Прогнозирование функций по методу наименьших ...
  10. • Интегралы, объем тела вращения, метод наименьших ...
  11. • Расчёт и анализ нерекурсивного цифрового фильтра
  12. • Множественная регрессия и корреляция
  13. • Решение дифференциального уравнения с последующей ...
  14. • Зависимость потребления бензина от количества ...
  15. • Эконометрическое моделирование временных рядов
  16. • Создание макроса на языке Statistica Visual Basic для ...
  17. • Математическое моделирование
  18. • Математическое моделирование
  19. • Системы эконометрических уравнений, их применение в ...
Рефетека ру refoteka@gmail.com