Lågrangkomplettering av matriser: En komparativ studie av tre algoritmer

Publicerad

Typ

Examensarbete för kandidatexamen
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.

Beskrivning

Ämne/nyckelord

Citation

Arkitekt (konstruktör)

Geografisk plats

Byggnad (typ)

Byggår

Modelltyp

Skala

Teknik / material

Index

item.page.endorsement

item.page.review

item.page.supplemented

item.page.referenced