Lågrangkomplettering av matriser: En komparativ studie av tre algoritmer

Visa enkel post
dc.contributor.authorAlbinsson, Erik
dc.contributor.authorOllinen, Petter
dc.contributor.authorVahlenberg, Allan
dc.contributor.departmentChalmers tekniska högskola / Institutionen för matematiska vetenskapersv
dc.contributor.departmentChalmers University of Technology / Department of Mathematical Sciencesen
dc.contributor.examinerEriksson, Dennis
dc.contributor.supervisorDmytryshyn, Andrii
dc.date.accessioned2025-07-01T09:09:02Z
dc.date.issued2025
dc.date.submitted
dc.description.abstractDenna 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.
dc.identifier.coursecodeMVEX11
dc.identifier.urihttp://hdl.handle.net/20.500.12380/309802
dc.language.isoswe
dc.setspec.uppsokPhysicsChemistryMaths
dc.titleLågrangkomplettering av matriser: En komparativ studie av tre algoritmer
dc.type.degreeExamensarbete för kandidatexamensv
dc.type.degreeBachelor Thesisen
dc.type.uppsokM2

Ladda ner

License bundle

Visar 1 - 1 av 1
Bild (thumbnail)
Namn:
license.txt
Storlek:
2.35 KB
Format:
Item-specific license agreed upon to submission
Beskrivning:
Ladda ner

Samlingar

Examensarbeten för kandidatexamen