Какие объекты исследует вычислительная математика |
Численное решение переопределенных СЛАУ. Метод наименьших квадратов
Теорема. Пусть столбцы матрицы линейно
независимы, т.е. ранг
равен p. Тогда существует единственный элемент p - мерного евклидова пространства
являющийся обобщенным решением системы (3.2), и решением СЛАУ
![]() |
( 3.5) |
состоящей из p скалярных уравнений относительно неизвестных доставляющий минимум квадратичной форме
![\Phi (\mathbf{u}) = {\left[\mathbf{Au} - \mathbf{f}, \mathbf{Au} - \mathbf{f}\right]}^n.](/sites/default/files/tex_cache/048d2f7a9b582c83013362ad78a80d7c.png)
Доказательство.
Покажем, что решение СЛАУ существует и единственно. Введем обозначение
для вектора — k столбца матрицы системы
:
![{\mathbf{q}}_k = {\{a_{1k}, \ldots, a_{nk} \}}^T; k = 1, \ldots, p.](/sites/default/files/tex_cache/4cee954f31a089582851b36bba7f1677.png)
Несложно показать, что матрица системы (3.5) есть квадратная матрица p x p. Элемент dij этой матрицы, стоящий на пересечении i строки и j столбца, есть
в силу коммутативности скалярного произведения dij = dij, что означает самосопряженность матрицы
Покажем, что матрица невырождена и положительно
определена. Напомним, что
Это равенство проверяется непосредственно, если записать обе его части в
развернутом виде. Невырожденность матрицы
следует из того, что ранг матрицы
равен p.
В таком случае Поскольку
невырождена и положительно определена, то (3.5) имеет единственное решение
Теперь покажем, что
— единственное
обобщенное решение системы. Для любого вектора
выполнено
:
![\Phi (\mathbf{v} + \mathbf{\Delta }) = {\left[{\mathbf{A}(\mathbf{v} +
\mathbf{\Delta }) - \mathbf{f},\mathbf{A}(\mathbf{v} + \mathbf{\Delta }) - \mathbf{f}}\right]}^n = \\
= {\left[{\mathbf{Av} - \mathbf{f},\mathbf{Av} - \mathbf{f}}\right]}^n -
2{\left[{\mathbf{Av} - \mathbf{f},\mathbf{A\Delta }}\right]}^n +
{\left[{\mathbf{A\Delta },\mathbf{A\Delta }}\right]}^n = \\
= \Phi (\mathbf{v}) + {2\left[{\mathbf{Av} - \mathbf{f},\mathbf{A\Delta }}\right]}^n + {(\mathbf{D\Delta },\mathbf{\Delta })}^p = \Phi (\mathbf{v}) + {(\mathbf{D\Delta },\mathbf{\Delta })}^p > \Phi (\mathbf{v}),](/sites/default/files/tex_cache/48f94b1d9f83ae71683436e2795d8ba3.png)
что и требовалось доказать.
При доказательстве использовалось
![{\left[{\mathbf{Av} - \mathbf{f},\mathbf{A\Delta }}\right]}^n =
{(\mathbf{B}(\mathbf{Av} - \mathbf{f}),\mathbf{A\Delta })}^n =
{({\mathbf{A}}^*{\mathbf{BAv}} - {\mathbf{A}}^*{\mathbf{Bf}},\mathbf{\Delta
})}^p = 0,](/sites/default/files/tex_cache/56ebfd5acd49ab2a201c1ec66bb08c0a.png)
поскольку
Так как матрица — симметричная и положительно определенная, то для численного решения полученной СЛАУ можно воспользоваться итерационными методами.
Если система векторов
оказывается ортонормированной, т.е.
то матрица
оказывается единичной. Ее
элементы и есть скалярные произведения
В этом случае решением системы будет
![\mathbf{u} = \mathbf{A^*Bf}.](/sites/default/files/tex_cache/bfc2cfa83f145643abb2b5dd75032fe5.png)
Следует отметить, что если базисные функции не выбираются специальным образом, то при достаточно больших p
полученная СЛАУ оказывается плохо обусловленной. Строки матрицы
могут оказаться почти линейно зависимыми. Простейшим примером такого почти линейно зависимого базиса является система функций xi, i = 1, ..., p при больших p. В этом случае желательно использовать ортогональные функциональные базисы, однако такой выбор не
всегда возможен и удобен.
Для примера возьмем в качестве базисных функций степенные, обобщенный полином в этом случае будет
![f(x) = \sum\limits_{j = 0}^p {u_j x^j}.](/sites/default/files/tex_cache/7648d77fb016c5b3fac446ca81a88a39.png)
Скалярные произведения на отрезке [0, 1], записанные в интегральной форме (т.е. при ), будут иметь вид
![$ (\varphi_i,\varphi_j) = \int\limits_0^1 x^i x^j dx =
\int\limits_0^1 x^{i + j}dx = \frac{1}{i + j + 1}. $](/sites/default/files/tex_cache/c031a018dce1520c69223a9586bf0e1f.png)
В таком случае СЛАУ после применения МНК, т.е. минимизации функционала где F(x) — заданная функция, будет:
![\begin{gather*}
u_0 + \frac{1}{2}u_1 + \ldots + \frac{1}{p + 1}u_p = \int\limits_0^1{F(x)dx}, \\
\frac{1}{2}u_0 + \frac{1}{3}u_1 + \ldots + \frac{1}{p + 2}u_p = \int\limits_0^1 xF(x)dx, \\
\ldots \\
\frac{1}{p + 1}u_0 + \frac{1}{p + 2}u_1 + \ldots + \frac{1}{2p + 1}u_p = \int\limits_0^1 pF(x)dx,
\end{gather*}](/sites/default/files/tex_cache/d6f3baa9efe3ac8d78d33ce4d6bb6f6b.png)
или
![{\mathbf{H}}_{p + 1}\mathbf{u} = \mathbf{F^{\prime}},](/sites/default/files/tex_cache/0a84fe01ce1a26ffacfbdd2c754c227e.png)
где
![\begin{gather*}
\mathbf{u} = {\{u_0, \ldots, u_p \}}^T,\quad \mathbf{F^{\prime}} = {\left\{{\int\limits_0^1 {F(x)dx}, \ldots, \int\limits_0^1 {x^p F(x)dx}} \right\}}^T, \\
{\mathbf{H}}_{p + 1} = {\left\{\frac{1}{i + j - 1}\right\}}^{p + 1}_{i,j} = 1
\end{gather*}](/sites/default/files/tex_cache/272b31a4f69bf50d8e73e388e4435901.png)
Матрица называется матрицей Гильберта. Это
классический пример плохо обусловленной матрицы. Число обусловленности очень быстро растет с ростом p. Так при p = 1
при
Если получим СЛАУ для дискретной системы точек, т.е. для
![$ (\varphi_j,\varphi_k) = \sum\limits_{i = 0}^n x^{k + j}_i, (\varphi_j,f) = \sum\limits_{i = 0}^n x^k_i f(x_i)x_i = \frac{i}{n} $,](/sites/default/files/tex_cache/00dfefa044d488391b520ed9e17f113a.png)
![\mathbf{H}_{p + 1}](/sites/default/files/tex_cache/2cb3987e404749c4b30527a2884df85d.png)
![n \rightarrow \infty.](/sites/default/files/tex_cache/7e730a5b63e01914bd79df9f3739696d.png)