Lågrangkomplettering av matriser: En komparativ studie av tre algoritmer
Publicerad
Författare
Typ
Examensarbete för kandidatexamen
Bachelor Thesis
Bachelor Thesis
Program
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Denna kandidatuppsats jämför tre algoritmer för lågrang matriskomplettering: Singular Value Thresholding (SVT), Iterative Reweighted Least Squares Gradient Projection (IRLS-GP)
och Normalized Iterative Hard Thresholding (NIHT). Algoritmernas prestanda utvärderas på
både syntetisk och verklig data för att identifiera deras styrkor och brister under olika förutsättningar. Resultaten visar att SVT lämpar sig bäst då hög kompletteringsnoggrannhet är
viktigt för ett stort urval av matriser av olika typ. IRLS-GP fungerar mycket bra på specifika lågrangmatriser men är starkt beroende av ett parameterval där antingen stabilitet eller
tidsåtgång prioriteras. Om den sanna matrisrangen är känd i förväg, visar sig NIHT ofta vara
det mest effektiva valet.