Определитель матрицы методом гаусса онлайн: Определитель матрицы методом Гаусса онлайн

Содержание

Эффективные подходы гауссовского процесса на основе факторизации для онлайн-отслеживания

Лю, К., Лю, X. и Михайлова, Л. orcid.org/0000-0001-5856-2223 (2022) Эффективные подходы гауссовского процесса на основе факторизации для онлайн-отслеживания. В: Материалы 25-й Международной конференции по объединению информации (FUSION) 2022 г. 2022 г. 25-я Международная конференция по объединению информации (FUSION), 04-07 июля 2022 г., Линчепинг, Швеция. Институт инженеров по электротехнике и электронике . ISBN 9781665489416

Abstract

Отслеживание целей часто основывается на сложных моделях с нестационарными параметрами. Гауссовский процесс (ГП) — это не модельный метод, который может обеспечить точную производительность. Однако обратная ковариационная матрица создает проблемы с масштабируемостью. Поскольку ковариационная матрица, как правило, плотная, методы прямой инверсии и детерминантной оценки страдают от кубической сложности из-за размера данных. Это узкое место ограничивает GP для долгосрочного отслеживания или высокоскоростного отслеживания. Мы представляем эффективный подход GP на основе факторизации без каких-либо дополнительных гиперпараметров. Предлагаемый подход снижает вычислительную сложность разложения Холецкого за счет иерархического разложения ковариационной матрицы на недиагональные части низкого ранга. Между тем, полученный аппроксимированный фактор Холецкого низкого ранга также может снизить сложность вычисления обратной операции и операции с определителем. Численные результаты, основанные на задачах автономного и онлайн-отслеживания, демонстрируют эффективность предложенного подхода.

Метаданные

Авторы/Создатели:

Лю К.
Лю К.
Михайлова Л. https://orcid.org/0000-0001-5856-2223

Авторские права, издатель и дополнительная информация:

Эта принятая рукописная версия доступна по лицензии Creative Commons Attribution CC BY. (http://creativecommons.org/licenses/by/4.0)

Ключевые слова:

Гауссовский процесс; сенсорные сети; количественная оценка неопределенности; факторизация; ковариационная матрица; иерархическая недиагональная матрица; низкоранговое приближение; факторизация Холецкого; онлайн отслеживание

Даты:

Принято: 4 апреля 2022 г.
Опубликовано (в сети): 9 августа 2022 г.
Опубликовано: 9 августа 2022 г.

Учреждение:

Университет Шеффилда

Академические единицы:

Университет Шеффилда > Инженерный факультет (Шеффилд) > Факультет автоматического управления и системотехники (Шеффилд)

Информация о финансировании:

Спонсор	Номер гранта
Исследовательская лаборатория армии США	н/д
Университет Министерства обороны Великобритании (UDRC)	нет данных

Вносящий пользователь:

Симплектический Шеффилд

Дата депонирования:

06 июн 2022 13:48

Последнее изменение:

01 Сен 2022 10:51

Статус:

Опубликовано

Издатель:

Институт инженеров по электротехнике и электронике

Рефери:

Да

Идентификационный номер:

https://doi.

org/10.23919/FUSION49751.2022.9841257

Связанные URL:

Конференция

Скачать

Принятая версия

Общий доступ / Экспорт

RDF+XMLBibTeXRIOXX2 XMLRDF+N-TriplesDublin CoreAtomSimple MetadataReferMETSHTML CitationASCII CitationRIOXX2 CC0OpenURL ContextObjectWRRIOXX2 XMLEndNoteMODSOpenURL ContextObject in SpanMPEG-21 DIDL9Reference Manager 9RDF04+N3

Math 2318 Информация о линейной алгебре |

LSC-CyFair Math Department

Описание каталога

Матрицы и линейные системы, определители, векторные пространства, линейная независимость, базис и размерность, замена базиса, линейные преобразования, подобие, пространства внутреннего произведения, собственные значения и собственные векторы, диагонализация. Также будут рассмотрены приложения этих концепций.

Результаты обучения по курсу

Студент будет:

Уметь решать системы линейных уравнений, используя различные методы, включая исключение Гаусса и обращение матриц.
Уметь выполнять матричные операции, в том числе обратные и определители.
Продемонстрировать понимание концепций векторного пространства и подпространства.
Продемонстрировать понимание линейной независимости, размаха и базиса.
Уметь определять собственные значения и собственные векторы и решать задачи, связанные с собственными значениями.
Применение принципов матричной алгебры к линейным преобразованиям.
Продемонстрировать применение внутренних продуктов и связанных с ними норм.
Постройте доказательства, используя определения и основные теоремы.

Информация о контактных часах

Кредитные часы: 3
Лекционные часы: 3
Лабораторные часы: 0
Внешние часы: 0
Всего контактных часов: 48

Предпосылки

902882

4
2;
Готовность к чтению и письму на уровне колледжа
Необходимые материалы
Учебник:
Лэй, Лэй, Макдональдс; Линейная алгебра и ее приложения, 6-е изд. ; Номер ISBN Pearson
для печатных копий необходимых кодов доступа MyMathLab: 9780135851159
Копия текста с доступом MyMathLab на вкладных листах: 9780136858140
Калькулятор:
Калькуляторы могут потребоваться для некоторых заданий или разделов инструкторов. Подробности смотрите в программе занятий.
Ни мобильные телефоны, ни КПК не могут использоваться в качестве калькуляторов. Калькуляторы могут быть очищены перед тестами.
Textbook Sections
Chapter 1. Linear Equations in Linear Algebra
1.1 Systems of Linear Equations
1.2 Row Reduction and Echelon Forms
1.3 Vector Equations
1.4 The Matrix Equation Ax = b
1.5 Solution Sets of Linear Equations
1.7 Линейная независимость
1.8 Введение в линейные преобразования
1.9 Матрица линейного преобразования
Глава 2. Алгебра матриц
2.1 Операции с матрицами
2.2. Обратная матрица
2,3 Характеристики инвертируемых матриц
2,5 Факторизации матрицы
Глава 3.
No related posts.