矩阵最小二乘与Tikhonov正则化
来源:互联网 发布:程序设计用什么软件 编辑:程序博客网 时间:2024/06/04 17:54
最小二乘矩阵求解与正则化
最小二乘是最常用的线性参数估计方法,早在高斯的年代,就用开对平面上的点拟合线
对高维空间的点拟合超平面。
作为最小二乘代价函数的改进
式中 ℷ >0 则称为正则化参数 (regularization parameters)
代价函数关于变元 x 的共轭梯度
令
得到
使得替代协方差矩阵的直接求逆 的方法常称为Tikhonov 正则化
在信号处理和图像处理中有时也称为松弛法(relaxation method)
Tikhonov 正则化的本质是通过对非满秩的矩阵A的协方差矩阵的每一个对角元素加入一个很小的扰动
使得奇异的协方差矩阵求逆变为非奇异矩阵的求逆,从而大大改善求解非满秩矩阵
的数值稳定性 也就是降低cond条件数的大小。
增加的项对其施加一个惩罚,其得到的解比仅优化更切合实际
如果矩阵A是满秩矩阵,但存在误差或者噪声是,需要采用与上面相反的做法,就是对上面的协方差矩阵
加上以恶搞很小的扰动矩阵 去干扰,类似于上面的公式
使分离噪声。
其实这两个公式可以合并,本身就带有符号属性,当取得正值的时候是对矩阵的约束,迫使原来的对角协方差元素减少,
取得负值的时候就是分离残差.取0的时候就是普通最小二乘。
参数 是使得原始目标函数值尽可能小的同时保证不能太大,在二者取得一个很好的平衡。
阅读全文
0 0
- 矩阵最小二乘与Tikhonov正则化
- 正则化最小二乘
- 投影矩阵与最小二乘
- 【线性代数】最小二乘与投影矩阵
- 投影矩阵与最小二乘
- 投影矩阵与最小二乘
- 投影矩阵与最小二乘
- 最小二乘与投影矩阵
- 投影矩阵与最小二乘(二)
- 投影矩阵与最小二乘(二)
- 矩阵最小二乘求导
- 投影矩阵与最小二乘(一)
- 投影矩阵与最小二乘(三)
- 投影矩阵与最小二乘(一)
- 投影矩阵与最小二乘(三)
- 投影矩阵与最小二乘的背后联系
- 吉洪诺夫正则化(Tikhonov regularization )
- 最小二乘拟合,L1、L2正则化约束
- 文本分类-特征选择方法
- JS常见算法
- 【技术贴收集】微信视频播放全屏问题
- 树状数组模板
- 【linux】复制文件部分内容到另外一个文件
- 矩阵最小二乘与Tikhonov正则化
- Python数据结构——序列、字典
- java 反射的原理
- C#计算一段程序运行时间的三种方法
- XML文档相关介绍
- smaps文件的解释
- Class装载系统
- 状压DP 分裂
- POJ3076-Sudoku