An adaptive localized orthogonal decomposition method for Helmholtz problems
Zhejiang University(浙江大学)
提出自适应局部正交分解方法求解Helmholtz问题,首次给出波数鲁棒残差后验误差估计,并利用POD压缩共享富集空间,实现高效在线计算。
2026-10-14 cs.NA math.NA
A rank-adaptive higher-order orthogonal iteration algorithm for truncated Tucker decomposition
Peking University(北京大学)
提出了一种新的秩自适应高阶正交迭代(HOOI)算法,在给定的误差容限下计算高阶张量的截断Tucker分解,并证明了该算法是局部最优的和单调收敛的.一系列的数值实验进行了相关的合成和现实世界的张量,以表明所提出的秩自适应HOOI算法是在精度和效率方面的优势。对HOOI算法和经典的交替最小二乘法进行了进一步的分析,以进一步理解为什么可以将秩自适应引入HOOI算法以及它是如何工作的。
2021-10-25 cs.LG cs.NA math.NA
Adaptive phase field method for quasi-static brittle fracture based on recovery based error indicator and quadtree decomposition
Indian Institute of Technology Madras(印度马德拉斯理工学院)
本文提出了一种基于恢复型误差指标和四叉树分解的自适应相场方法,用于解决脆性材料在准静态加载下的裂纹传播问题,通过多项式有限元方法处理悬挂节点元素,提高了计算效率。
2019-04-03 cs.NA math.NA
Adaptive spectral decompositions for inverse medium problems
逆介质问题涉及通过探索可能解的受限搜索空间来从可用观测重构空间变化的未知介质。标准的基于网格的表示是非常通用的,但由于搜索空间的高维数,通常在计算上是禁止的。自适应谱(AS)分解,而不是扩展未知的介质在一个明智的椭圆算子的本征函数的基础上,这取决于自己的介质。在这里的AS分解相结合的一个标准的不精确的牛顿型方法的时间谐波散射问题的解决方案所管辖的亥姆霍兹方程。通过反复调整特征函数基及其维数,所得到的自适应谱反演(ASI)方法在非线性最优化期间显著降低了搜索空间的维数。对于一般分段常数介质,证明了AS分解的严格估计。数值结果表明,ASI方法的精度和效率的时谐逆散射问题,包括盐丘模型从地球物理。
2020-06-17 cs.NA math.NA math.OC
An Augmented Subspace Based Adaptive Proper Orthogonal Decomposition Method for Time Dependent Partial Differential Equations
本文提出一种基于增广子空间的自适应POD方法,通过辅助模态构造误差指示子,并给出随机向量和粗网格两种增广策略,在对流占优的时间依赖偏微分方程求解中显著提升了效率。
2023-04-18 cs.NA math.NA
Efficient randomized algorithms for the fixed Tucker-rank problem of Tucker decomposition with adaptive shifts
Guizhou University(贵州大学);Fudan University(复旦大学);City University of Hong Kong(香港城市大学)
本文提出融入动态移位策略的自适应移位幂迭代,改进T-HOSVD和ST-HOSVD的随机变体,求解Tucker分解固定Tucker秩问题,在保持精度的同时减少迭代次数,效率和精度优于现有技术。
2026-08-18 cs.NA math.NA
Multiresolution Mode Decomposition for Adaptive Time Series Analysis
本文提出\emph{multiresolution mode decomposition}作为一种新的自适应时间序列分析模型。主要的概念创新是引入了形式为\[ \sum_{n=-N/2}^{N/2-1} a_n\cos(2πnϕ(t))s_{cn}(2πNϕ(t))+\sum_{n=-N/2}^{N/2-1}b_n \sin(2πnϕ(t))s_{sn}(2πNϕ(t))\]的\emph{multiresolution intrinsic mode function}(MIMF),用于对具有随时间变化的幅度、频率和波形的非线性和非平稳数据进行建模。MIMF解释了集中非线性和非平稳数据的时频表示的内在困难,并为模式分解提供了一个新的方向。多分辨率展开系数$\{a_n\}$、$\{b_n\}$和形状函数序列$\{s_{cn}(t)\}$和$\{s_{sn}(t)\}$为自适应时间序列分析提供了创新的特征。对于由多个相位函数$ϕ(t)$可微的MIMF叠加而成的复信号,提出了一种基于Gauss-Seidel迭代和同态的MIMF多分辨展开系数和形函数级数的识别方法.数值例子从合成数据和自然现象,以证明这种新方法的权力。
2019-08-28 cs.NA math.NA
An adaptive reduced basis collocation method based on PCM ANOVA decomposition for anisotropic stochastic PDEs
University of Maryland(马里兰大学)
本文提出一种基于PCM ANOVA分解的自适应降阶校准方法,用于求解高维参数化随机PDEs,通过两阶段适应性策略有效识别有效维度并优化参数空间,验证了该方法在求解各向异性随机对流-扩散方程中的有效性。
2017-09-25 cs.NA math.NA
Coupling parallel adaptive mesh refinement with a nonoverlapping domain decomposition solver
研究了自适应网格加密对线性系代数方程并行区域分解求解器的影响。这些概念需要结合在一个并行自适应有限元软件。一个原型的实现,为此目的。它使用自适应网格细化与一个层次的悬挂节点。采用基于约束的平衡区域分解(BDDC)方法的两层和三层版本来求解所产生的代数方程组。回顾了基本概念,并详细研究了组合所需的组件。特别感兴趣的是断开的子域,一个典型的输出所采用的网格划分的基础上的空间填充曲线,对BDDC方法的收敛性和解决方案的时间的影响。大量的实验表明,虽然加细网格和不连通子域对BDDC的收敛性有负面影响,但迭代次数仍然可以接受。此外,三级BDDC求解器的可扩展性在多达几千个处理器内核上仍然保持良好。使用自适应网格细化的最大问题有超过10^9个未知数,并在2048个核心上求解。
2017-03-19 cs.MS cs.NA math.NA
Deep orthogonal decomposition: a continuously adaptive data-driven approach to model order reduction
本研究提出深度正交分解(DOD)深度学习技术,通过连续自适应局部基的深度网络逼近解流形,突破全局方法的柯尔莫哥洛夫壁垒,兼容侵入/非侵入式技术,可解释性强且误差控制更优,为参数化偏微分方程降阶建模提供新方案。
2024-05-14 cs.NA math.NA
Adaptive domain decomposition method for time-dependent problems with applications in fluid dynamics
Charles University, Faculty of Mathematics and Physics(查理大学数学物理学院);Institute of Mathematics of the Czech Academy of Sciences(捷克科学院数学研究所)
本文提出了一种自适应域分解方法,通过优化子域数量和粗网格元素数量来最小化计算成本,用于解决时间依赖问题的高效数值解法。
2026-01-28 cs.NA math.NA
Towards an Adaptive Dynamic Mode Decomposition
North South University(南北大学)
动态模式分解(DMD)是一种基于数据的建模工具,它识别一个矩阵,将某个时刻的量映射到未来的相同量。我们设计了一个新版本,我们称之为自适应动态模式分解(ADMD),它根据数据的性质利用时间延迟坐标,投影方法和滤波器来创建可用问题的模型。过滤器对于降低高维数据集的排名非常有效。我们采用了“离散傅里叶变换”和“增广拉格朗日乘子”作为滤波器在我们的方法。建议的ADMD进行了测试,不同的复杂性和它的性能似乎是有前途的几个数据集。
2020-12-11 cs.LG cs.NA eess.SP
An Adaptive Subdomain Coupling Approach in Domain Decomposition for Multiphase Porous Media Flow
SKLMS, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院);College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机学院)
本文提出一种基于域分解的自适应子域耦合框架,用于高效求解复杂多相流问题,通过自适应耦合策略提升非线性求解器的收敛性和可扩展性。
2026-04-10 cs.NA math.NA
Robust Blockwise Random Pivoting: Fast and Accurate Adaptive Interpolative Decomposition
本文提出鲁棒块状随机选元(RBRP)算法,通过兼顾准确性、硬件效率和秩自适应性,解决了现有插值分解算法难以全面兼顾各性能指标的问题,并在数值实验中验证了其卓越的经验表现与对抗性输入下的鲁棒性。
2024-12-19 cs.NA math.NA
A GPU-Accelerated Blocked Adaptive Randomized Range Finder Based on an Implicit Householder QR Decomposition
Jülich Supercomputing Centre Forschungszentrum Jülich(于利希超级计算中心 于利希研究中心)
本文提出一种基于隐式Householder QR分解的GPU加速分块自适应随机范围查找器,通过混合CPU-GPU实现,可在异构系统上高效稳定地完成低秩近似,提升矩阵运算速度。
2026-10-30 cs.MS cs.NA math.NA
Learning Adaptive Coarse Spaces Using Transferable Neural Network Models for Linear and Nonlinear Overlapping Domain Decomposition Methods
University of Cologne(科隆大学)
研究针对系数高度不均匀问题,在自适应广义 Dryja - Smith - Widlund 粗空间构建中计算时间长的问题,提出用回归和分类神经网络预测粗基函数及数量的两阶段方法,无需求解特征值问题,还能转移到多种问题。
2026-07-08 cs.NA math.NA
Adaptive-Sparse Polynomial Dimensional Decomposition Methods for High-Dimensional Stochastic Computing
College of Engineering, The University of Iowa(爱荷华大学工程学院)
本文提出两种自适应稀疏多项式维度分解方法,用于求解高维不确定性量化问题,通过全局敏感性分析保留重要PDD组件函数,并采用全网格或稀疏网格降维积分或拟蒙特卡洛模拟估计PDD展开系数,方法无需提前设定截断参数,具有更高的效率和精度。
2014-02-13 cs.NA math.NA
A robust and adaptive GenEO-type domain decomposition preconditioner for $\mathbf{H}(\mathbf{curl})$ problems in three-dimensional general topologies
STFC Rutherford Appleton Laboratory(STFC鲁瑟福阿普顿实验室);Department of Mathematics and Statistics, University of Strathclyde(斯特拉斯克莱德大学数学与统计系);Laboratoire J.L. Lions, Sorbonne University(索邦大学J.L.利翁斯实验室);INRIA Team Alpines(法国国家信息与自动化研究所Alpines团队)
针对三维一般拓扑中 Maxwell 型 $\mathbf{H}(\mathbf{curl})$ 问题,设计基于谱粗空间的自适应区域分解预条件子,以提升收敛稳健性并处理非平凡拓扑和高纵横比域。
2025-05-16 cs.NA math.NA physics.comp-ph
Adaptive Local Iterative Filtering for Signal Decomposition and Instantaneous Frequency analysis
Istituto Nazionale di Alta Matematica, DISIM, Università degli Studi dell’Aquila(罗马高等数学研究所,DISIM,阿奎拉大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出自适应局部迭代滤波方法,用于非线性非平稳信号的分解与瞬时频率分析,通过自适应滤波长度选择和Fokker-Planck方程生成的光滑滤波器实现稳定分析。
2015-10-23 cs.NA math.NA
Localized Dynamic Mode Decomposition with Temporally Adaptive Segmentation
School of Mathematics, Hunan University(湖南大学数学学院)
本文提出局部动态模式分解(LDMD)框架,结合DMD的线性预测能力与时间域分割技术,提升长期预测精度并保持高效计算。
2025-10-22 cs.NA math.NA
Computing the spectral decomposition of interval matrices and a study on interval matrix power
Charles University(查理大学);The Institute of Computer Science of the Czech Academy of Sciences(捷克科学院计算机科学研究所)
该研究提出一种计算区间矩阵谱分解的算法,含一般与对称区间矩阵版本,将其用于区间矩阵幂计算,实验显示高次幂或特殊矩阵场景下该方法优于二分幂法。
2019-12-11 cs.NA math.NA
Adaptive Hermite Spectral Methods in Unbounded Domains
最近,新的自适应技术的发展,大大提高了效率,解决偏微分方程使用谱方法。这些自适应谱技术特别适合于精确地解决无界域中的问题,并且需要监测和动态调整三个关键的可调参数:比例因子、基函数的位移和谱展开阶。对无界区域问题的数值方法的分析还不多见。具体而言,没有对自适应谱方法的分析来提供对如何通过参数的动态调整来提高效率和精度的洞察。在本文中,我们进行了第一次数值分析的自适应谱方法使用广义厄米函数在一维和多维问题。我们的分析揭示了为什么自适应谱方法工作良好时,“频率指标”的数值解控制。然后,我们研究如何实施的自适应谱方法影响数值结果,从而提供适当的调整参数的指导方针。最后,我们进一步提高性能,通过扩展的自适应方法,允许双向基函数的翻译,并进行类似的数值分析,解决所产生的现实难以解决的无界模型与自适应谱方法偏微分方程的前景也简要讨论。
2022-05-06 cs.NA math.NA
A High-Order Rank-Adaptive Implicit Algorithm for Solving High Dimensional Diffusion Equations using the Hierarchical Tucker Decomposition
Swarthmore College(斯沃斯莫尔学院)
本文提出采用分层塔克分解的高阶秩自适应隐式算法,用于求解高维扩散方程,通过数值实验验证其高阶精度及解秩捕获能力。
2026-08-21 cs.NA math.NA
Improving CUR Matrix Decomposition and the Nyström Approximation via Adaptive Sampling
Zhejiang University(浙江大学);Shanghai Jiao Tong University(上海交通大学)
本文通过建立自适应列/行采样算法的更一般误差界,提出了具有预期相对误差界的更精确CUR和Nyström算法,并给出了标准Nyström方法和集成Nyström方法的低误差界理论分析。
2013-10-01 cs.LG cs.NA math.NA
Adaptive greedy algorithms based on parameter-domain decomposition and reconstruction for the reduced basis method
缩减基方法(RBM)通过离线-在线分解(又称“离线-在线分解”)来实现参数化偏微分方程的重复和快速求解。学习-执行过程。该方法的一个关键特征是一个贪婪算法反复扫描的训练集,一个精细的离散化的参数域,以确定下一个维度的参数诱导的解决方案的流形上,我们扩大代理解决方案的空间。虽然成功地应用于具有相当高的参数维度的问题,但挑战在于这种扫描成本主导离线成本,因为它与训练集的基数成比例,该基数相对于参数维度是指数的。在这项工作中,我们回顾了最近的三次尝试,有效地延迟这种灾难的维度,并提出了两个新的混合策略,通过连续细化和多级最大化的误差估计的训练集。所有五个离线增强的方法和原来的贪婪算法进行了测试和比较{两种类型的问题:热块问题和几何参数化亥姆霍兹问题。
2020-09-14 cs.NA math.NA
Adaptive Parallelizable Algorithms for Interpolative Decompositions via Partially Pivoted LU
本文提出用部分主元LU替代列主元QR进行随机化插值分解,实现自适应并行化,降低通信开销,提升速度,并已在CPU和GPU上公开实现。
2023-10-13 cs.NA math.NA
Pseudo-spectral methods for the Laplace-Beltrami equation and the Hodge decomposition on surfaces of genus one
Courant Institute, New York University(纽约大学柯朗数学科学研究所);Simons Center for Data Analysis, Simons Foundation(西蒙斯基金会数据研究中心)
本文提出了一种高阶精度的伪谱方法,用于计算光滑曲面上拉普拉斯-贝尔特里算子的逆和切向向量场的霍奇分解,主要贡献是该方法在等离子体物理和流体动力学中的应用。
2016-09-28 cs.NA math.NA
Adaptive Subspace Modeling With Functional Tucker Decomposition
KU Leuven(荷语鲁汶大学)
本文提出功能Tucker分解,通过RKHS建模连续模式,实现自适应子空间建模,应用于超光谱成像和多变量时间序列分类。
2026-09-28 cs.NA math.NA stat.ML
Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations
COPPE/Federal University of Rio de Janeiro(里约热内卢联邦大学COPPE学院);Gran Sasso Science Institute(格兰萨索科学研究所);Università di Pavia(帕维亚大学)
动态模式分解(DMD)是一种强大的数据驱动的方法,用于提取时空相干结构,决定一个给定的动力系统。该方法包括堆叠收集的时间快照到一个矩阵和映射的非线性动力学使用线性算子。标准过程认为快照对于所有可观察数据具有相同的维数。然而,这往往不会发生在数值模拟与自适应网格细化/粗化计划(AMR/C)。本文提出了一种策略,使DMD从不同的网格拓扑结构和尺寸的观察,如AMR/C模拟中发现的特征提取。为此,自适应快照被投影到相同的参考函数空间上,使得能够使用基于快照的方法,例如DMD。本策略应用于具有挑战性的AMR/C模拟:COVID-19的连续扩散-反应流行病学模型,密度驱动的重力流模拟和气泡上升问题。我们还评估了DMD重建动力学和一些相关的感兴趣的量的效率。特别是,对于SEIRD模型和泡沫上升的问题,我们评估DMD的能力外推的时间(短期未来的估计)。
2021-04-28 cs.LG cs.NA math.NA
A Comparative Analysis of Tensor Decomposition Models Using Hyper Spectral Image
Maharishi Markandeshwar University(马哈里希·马坎德什瓦尔大学)
本文比较了LMLRA、BTD和CPD三种张量分解模型在超光谱图像处理中的性能,发现BTD在分解结果上表现最佳。
2015-03-23 cs.CV cs.NA math.NA
High-Dimensional Stochastic Design Optimization by Adaptive-Sparse Polynomial Dimensional Decomposition
The University of Iowa(爱荷华大学);Georgia Southern University(佐治亚南方大学);San Diego State University(圣地亚哥州立大学)
本文提出了一种自适应稀疏多项式维度分解方法,用于复杂系统的随机设计优化,通过结合自适应稀疏PDD近似与分数函数,提高了统计矩和可靠性分析的效率,展示了在工程问题中的应用潜力。
2016-01-11 cs.NA math.NA math.OC
Symbolic spectral decomposition of 3x3 matrices
矩阵的谱分解是应用数学、物理学和工程学中经常出现的重要课题。许多应用问题需要考虑具有实数上的谱分解的三阶矩阵。如果必须保持谱分解对矩阵元素的函数相关,则必须考虑封闭形式的解方法。现有的封闭形式的表达式是基于主矩阵不变量的使用,遭受了一些缺陷时,在有限精度算术的框架进行评估。本文介绍了另一种形式的计算所涉及的矩阵不变量(特别是判别式)的乘积表达式的总和作为矩阵元素的函数。我们证明和数值例子表明,这种替代方法导致增加浮点精度,特别是在所有重要的极限情况下(如特征值多重性)。据信,符号算法与本文提出的精度改进相结合,可以作为许多工程任务的一个强大的积木。
2021-11-03 cs.MS cs.NA math.NA
Stochastic domain decomposition for time dependent adaptive mesh generation
Department of Mathematics and Statistics, Memorial University of Newfoundland(纽芬兰纪念大学数学与统计系);Department of Mathematics, University of British Columbia(不列颠哥伦比亚大学数学系);Department of Engineering Design and Mathematics, University of Western England(西英格兰大学工程设计与数学系)
本文提出一种随机域分解方法,用于二维时间依赖自适应网格生成,结合物理偏微分方程的求解,通过概率解作为边界条件实现并行计算。
2015-04-01 cs.NA math.NA physics.comp-ph
An adaptive fast solver for a general class of positive definite matrices via energy decomposition
本文提出了一种自适应快速求解器,用于求解一般对称正定矩阵类,包括著名的图拉普拉斯矩阵。通过开发自适应算子压缩方案和多分辨率矩阵分解算法,实现复杂度和适定性接近最优的性能。
2018-03-03 cs.NA math.NA math.SP
Combining Contrast Invariant L1 Data Fidelities with Nonlinear Spectral Image Decomposition
Department of Applied Mathematics(应用数学系);Department of Medical Cell BioPhysics(医学细胞生物物理学系);University of Twente(埃因霍温大学)
本文研究了变分方法的多尺度方法及其梯度流,结合L1保真度与非线性频谱分解以提升图像分割和形状分解的性能。
2017-03-16 cs.CV cs.NA math.NA
Aspects of 2D-Adaptive Fourier Decompositions
University of Macau(澳门大学);University of South Carolina(南卡罗来纳大学);China Jiliang University(中国计量大学)
本文研究多维AFD的数值特性,特别是二维AFD,包括多种二维AFD的数值算法、五种傅里叶类图像重建方法的实验比较,以及正交贪婪算法和预正交贪婪算法的收敛率估计。
2017-10-24 cs.NA math.CV math.NA
Wavelet Adaptive Proper Orthogonal Decomposition for Large Scale Flow Data
本征正交分解(POD)是流体力学中的一个强大的经典工具,例如,用于模型简化和提取相干流特征。然而,它的适用性高分辨率的数据,三维直接数值模拟产生的,是有限的,由于其计算复杂性。在这里,我们提出了一个基于小波的自适应版本的POD(的wPOD),为了克服这一限制。要分析的数据量减少,通过压缩它们使用双正交小波,产生稀疏表示,同时方便地提供控制的压缩误差。数值分析表明,小波压缩和POD截断的不同的误差贡献可以在一定的假设下平衡,使我们能够有效地处理高分辨率的数据从三维模拟的流动问题。使用一个合成的学术测试用例,我们比较我们的算法与随机奇异值分解。此外,我们证明了我们的方法的能力,分析数据的二维尾流和三维流产生的扑翼昆虫计算与直接数值模拟。
2020-11-10 cs.CE cs.NA math.NA
Efficient Spatial-Spectral Feature Extraction in Hyperspectral Images via Holistic Multivariance Decomposition
Informatics Institute, Department of Computational Science and Engineering, İstanbul Technical University(伊斯坦布尔理工大学信息学研究所计算科学与工程系)
针对高光谱图像分类,传统张量分解方法有局限,本文引入整体多变量分解框架,通过新张量算法建模多种交互,经实验验证其在多数据集及算法下分类准确率更高,是解决高光谱复杂数据结构的有效框架。
2026-07-27 cs.CE cs.NA math.NA
A frequency-dependent $p$-adaptive technique for spectral methods
当使用谱方法时,出现了一个问题,即如何确定展开阶,特别是对于与时间相关的问题,其中出现的振荡可能需要调整展开阶。在本文中,我们提出了一个频率依赖的$p$自适应技术,自适应地调整扩展顺序的基础上的频率指标。使用这个$p$自适应技术,结合最近提出的缩放和移动技术,我们能够设计一个自适应谱方法在无界域,可以捕获和处理扩散,平流,和振荡。作为应用,我们使用这种自适应谱方法在整个区域数值求解了薛定谔方程,并成功地捕捉到解在无穷远处的振荡行为。
2020-09-30 cs.NA math.NA physics.comp-ph
Spectral Decompositions using One-Homogeneous Functionals
Institut für Numerische und Angewandte Mathematik, Westfälische Wilhelms-Universität Münster(应用与数值数学研究所,明斯特大学);Electrical Engineering Department, Technion -– Israel Institute of Technology(电气工程系,以色列理工学院);Department of Computer Science, Technische Universität München(计算机系,慕尼黑工业大学)
本文探讨了在变分、尺度空间和反尺度空间设定中使用绝对一齐次正则化泛函,定义输入数据的非线性谱分解。通过理论结果解释不同定义之间的关系,并通过正交性、Parseval型恒等式和广义(非线性)特征向量将非线性多尺度分解与已知的线性滤波理论联系起来。
2016-01-12 cs.NA math.NA math.OC
AFD Types Sparse Representations vs. the Karhunen-Loeve Expansion for Decomposing Stochastic Processes
介绍了自适应傅立叶分解(AFD)类方法,重点介绍了可应用于随机过程和随机场的自适应傅立叶分解,主要包括随机自适应傅立叶分解和随机预正交自适应傅立叶分解。我们建立了基于协变函数的算法,并证明了它们具有与Karhunen-Loève(KL)分解相同的收敛速度。AFD型方法与KL分解进行了比较。与后者相比,AFD型方法不需要计算由协方差函数诱导的核积分算子的特征值和特征函数,从而大大降低了计算复杂度和计算机消耗。各种字典提供AFD灵活性,以解决各种各样的问题,包括不同类型的确定性和随机方程。进行的实验表明,除了数值方便和快速收敛,AFD型分解优于KL型在描述局部细节,尽管后者的全局最优。
2022-07-08 cs.NA math.FA math.NA