Optimal Regularized Inverse Matrices for Inverse Problems

نویسندگان
چکیده

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

Optimal regularized low rank inverse approximation

Article history: Received 5 September 2013 Accepted 19 July 2014 Available online 5 August 2014 Submitted by C. Greif MSC: 65F22 15A29

متن کامل

global results on some nonlinear partial differential equations for direct and inverse problems

در این رساله به بررسی رفتار جواب های رده ای از معادلات دیفرانسیل با مشتقات جزیی در دامنه های کراندار می پردازیم . این معادلات به فرم نیم-خطی و غیر خطی برای مسایل مستقیم و معکوس مورد مطالعه قرار می گیرند . به ویژه، تاثیر شرایط مختلف فیزیکی را در مساله، نظیر وجود موانع و منابع، پراکندگی و چسبندگی در معادلات موج و گرما بررسی می کنیم و به دنبال شرایطی می گردیم که متضمن وجود سراسری یا عدم وجود سراسر...

An Efficient Approach for Computing Optimal Low-Rank Regularized Inverse Matrices

Standard regularization methods that are used to compute solutions to ill-posed inverse problems require knowledge of the forward model. In many real-life applications, the forward model is not known, but training data is readily available. In this paper, we develop a new framework that uses training data, as a substitute for knowledge of the forward model, to compute an optimal low-rank regula...

متن کامل

Designing Optimal Spectral Filters for Inverse Problems

Spectral filtering suppresses the amplification of errors when computing solutions to ill-posed inverse problems; however, selecting good regularization parameters is often expensive. In many applications, data are available from calibration experiments. In this paper, we describe how to use such data to precompute optimal spectral filters. We formulate the problem in an empirical Bayes risk mi...

متن کامل

Distributed Iterative Thresholding for ℓ0/ℓ1-Regularized Linear Inverse Problems

The `0/`1-regularized least squares approach is used to deal with linear inverse problems under sparsity constraints, which arise in mathematical and engineering fields, e.g., statistics, signal processing, machine learning, and coding theory. In particular, multi-agent models have been recently emerged in this context to describe diverse kinds of networked systems, ranging from medical databas...

متن کامل

ذخیره در منابع من


  با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ژورنال

عنوان ژورنال: SIAM Journal on Matrix Analysis and Applications

سال: 2017

ISSN: 0895-4798,1095-7162

DOI: 10.1137/16m1066531