Mixed precision iterative refinement for linear inverse problems
Emory University(埃默里大学)
本文研究混合精度迭代细化求解严重不适定线性离散逆问题,借助带 Tikhonov 型预条件子的预条件 Landweber 方法解释其滤波作用,并通过多种混合精度数值实验验证其可达到接近双精度的精度。
2025-10-21 cs.NA math.NA
Mixed Precision Iterative Refinement with Sparse Approximate Inverse Preconditioning
随着混合精度硬件的商业化,基于混合精度GMRES的迭代精化方案已经成为求解稀疏线性系的流行方法。然而,这些方法的现有分析是基于使用全LU分解来构建在GMRES中在每个细化步骤中使用的预条件。在实际应用中,不精确的预处理技术,如不完全LU或稀疏近似逆,经常被用于性能的原因。在这项工作中,我们研究了使用稀疏近似逆预条件的基础上Frobenius范数最小化基于GMRES的迭代细化。我们分析了有限精度的稀疏近似逆的计算,并推导出满足用户指定的停止准则的约束条件。然后,我们分析的行为和收敛约束的五精度GMRES为基础的迭代加细计划,使用稀疏近似逆预处理,我们称之为SPAI-GMRES-IR。我们的数值实验证实了理论分析,并说明预处理稀疏和GMRES-IR收敛速度之间的权衡。
2022-08-31 cs.NA math.NA
Iterative regularization methods for a discrete inverse problem in MRI
我们提出并研究有效的数值方法反问题的磁共振成像(MRI)。我们的目标是扩展[Haltmeier,Leitao,Scherzer 2007]中Landweber-Kaczmarz方法的最新收敛结果,以导出MRI中逆问题的收敛迭代正则化方法。
2020-12-20 cs.NA math.NA
A randomized progressive iterative regularization method for data fitting problems
针对带随机噪声的数据拟合问题,提出一种适用于大规模矩阵计算且依期望收敛到最小二乘解的随机化渐进迭代正则化方法,并给出正则化参数最优估计以构造无需先验信息的自洽算法,数值实验验证了其在曲线与曲面拟合中的有效性。
2025-06-04 cs.NA math.NA
Time Relaxation with Iterative Modified Lavrentiev Regularization
Johns Hopkins University(约翰斯·霍普金斯大学)
本文研究了一种新的时间松弛模型,结合迭代修正Lavrentiev正则化方法,通过合理选择时间松弛参数以加速未解析波动的指数衰减,从而在更少的计算步骤中获得更好的近似解。
2026-11-16 cs.NA math.NA
Numerical Instabilities in the Kaczmarz Method and Stabilization by Iterative Refinement
University of Michigan(密歇根大学);University of California, Berkeley(加州大学伯克利分校);University of California, Los Angeles(加州大学洛杉矶分校)
本文研究了经典和加速随机Kaczmarz方法的稳定性问题,指出其缺乏前向稳定性,并提出通过迭代细化来控制误差累积,恢复高精度解,实验验证了该方法的有效性。
2026-05-16 cs.NA math.NA
Randomized Iterative Solver as Iterative Refinement: A Simple Fix Towards Backward Stability
本文将随机迭代求解器视为迭代细化,提出结合迭代与递归细化的新算法SIRR,仅通过重组计算顺序即实现后向误差四个数量级改进,是首个兼具前向和后向稳定性的渐近快速单阶段随机最小二乘求解器。
2024-10-16 cs.NA math.NA stat.CO
Mixed Precision GMRES-based Iterative Refinement with Recycling
随着硬件中混合精度能力的出现,用于求解线性系的迭代精化方案$Ax=b$最近在三个或更多精度的上下文中被重新审视和重新分析。这些新的分析表明,在条件数的某些约束下,可以计算低精度的矩阵的LU分解,而不影响最终的精度。另一种有前途的技术是基于GMRES的迭代精化,与标准方法相比,该方法使用由低精度三角因子预处理的GMRES来求解每个精化步骤中的近似解更新。这种更精确的求解方法扩展了可以用给定的精度组合解决的问题的范围。然而,在某些设置中,GMRES每个细化步骤可能需要太多的迭代,使得它可能比简单地以更高的精度重新计算LU因子更昂贵。Krylov子空间再循环是一种众所周知的技术,用于在具有相同或缓慢变化的系数矩阵的系统上跨Krylov子空间方法的顺序调用重用信息。在这项工作中,我们将Krylov子空间回收的想法到一个混合精度GMRES为基础的迭代精化求解器。我们的见解是,在每个细化步骤中,我们在具有相同系数矩阵$A$的线性系上调用预处理GMRES,只有右侧发生变化。通过这种方式,可以通过回收从第一步获得的信息来加速后续细化步骤中的GMRES求解。我们进行了广泛的数值实验上的各种随机稠密问题,Toeplitz问题(扁长矩阵),并从实际应用中,这证实了回收方法的好处的问题。
2022-02-16 cs.NA math.NA
An Iteratively Reweighted Least Squares Algorithm for Sparse Regularization
Tufts University(塔夫茨大学);Duke University(杜克大学)
本文提出一种新算法及其收敛性分析,用于带有稀疏约束的线性反问题正则化,采用新的广义稀疏促进函数。算法基于迭代加权最小二乘思想,将每一步的最小化转化为仅包含ℓ2范数的函数,通过平滑绝对值函数实现稀疏促进惩罚的优化。
2016-12-29 cs.NA math.NA
Smoothing $\mathcal{L}^2$ gradients in iterative regularization
随着反问题研究的兴起,正则化方法的发展和分析也随之兴起。由于反问题的不适定性,正则化方法的研究是必要的。Tikhonov型正则化方法在这方面非常流行。然而,它的直接实现大规模的线性或非线性问题是一个不平凡的任务。在这种情况下,迭代正则化方法通常是更好的选择。在本文中,我们提出了一种新的迭代正则化方法,它使用下降方向,不同于通常的梯度方向,使一个更平滑和有效的恢复比后者。这是通过平滑算子将原始噪声梯度转换为更平滑的梯度来实现的,该梯度对数据中存在的噪声更鲁棒。它也表明,这种技术是非常有益的,当处理具有大的噪声水平的数据。为了说明该方法的计算效率,我们将其应用于数值求解一些经典的积分反问题,包括图像去模糊和层析成像问题,并将结果与某些标准正则化方法,如Tikhonov,TV,CGLS等进行比较。
2021-03-15 cs.NA math.NA
On the convergence of an adaptive denoiser driven iterative regularization with early stopping
Indian Institute of Technology Roorkee(印度理工学院罗尔基分校);Technische Universität Berlin(柏林工业大学);Indian Institute of Technology Gandhinagar(印度理工学院甘地纳加尔分校)
本文提出DDIR方法,通过自适应步长和后验停止规则,证明其在经典意义下稳定且收敛,用于图像去模糊和相位恢复CT的数值实验验证了其有效性。
2026-04-22 cs.NA math.NA
IR Tools: A MATLAB Package of Iterative Regularization Methods and Large-Scale Test Problems
University of Bath(巴斯大学);Technical University of Denmark(丹麦技术大学);Emory University(埃默里大学)
本文介绍了一个新的MATLAB工具包IR Tools,提供多种迭代求解器和大规模线性逆问题的测试问题,支持灵活的矩阵输入方式,并通过数值示例展示算法与测试问题。
2018-07-01 cs.NA math.NA
Superiorized Regularization of Inverse Problems
本文提出将超正则化与迭代正则化结合,在保持算法简单性的同时利用额外先验信息,证明超正则化版本仍为正则化方法且考虑不同先验。
2023-10-13 cs.NA math.NA
Iterative Refinement with Low-Precision Posits
本研究提出使用低精度posit数替代IEEE浮点格式的混合精度迭代求精方法,通过缩放技术与LU分解求解大型稀疏线性系统,发现16位posit配置能达到与fp16相当的精度,有效平衡了计算效率与精度。
2024-08-27 cs.NA math.NA
Mixed precision iterative refinement for least squares with linear equality constraints and generalized least squares problems
本文提出针对线性等式约束最小二乘和广义最小二乘问题的混合精度迭代精化算法,通过增广系统结合经典或GMRES精化提升精度,在x86-64上平均比LAPACK固定精度快40%。
2025-08-14 cs.NA math.NA
$L_{1/2}$ Regularization: Convergence of Iterative Half Thresholding Algorithm
Beijing Center for Mathematics and Information Interdisciplinary Sciences (BCMIIS)(北京数学与交叉科学研究中心)
本文研究了$L_{1/2}$正则化中迭代半阈值化算法的收敛性,证明其在特定条件下收敛到局部极小值,并具有线性收敛速度,为该算法在广泛应用中提供了理论保证。
2014-04-15 cs.NA math.NA
Stable iterative refinement algorithms for solving linear systems
本文提出一种带线搜索优化步骤的迭代精化算法,保证在误差较大时也不发散,并通过数值实验验证其有效性。
2025-06-23 cs.NA math.NA
A new class of accelerated regularization methods, with application to bioluminescence tomography
本文提出一类新的求解不适定线性算子方程的迭代正则化方法。这些迭代正则化方法的原型是具有线性消失阻尼项的二阶发展方程的形式,它不仅可以看作是渐近正则化的推广,而且可以看作是Nesterov加速格式的连续模拟.新的迭代正则化方法,从这个连续的模型结合阻尼辛数值格式。证明了在Hölder型源条件下连续和离散方法的正则化性质、收敛速度和加速效应。本文的第二部分关注的是新开发的加速迭代正则化方法的扩散为基础的生物发光层析成像,这是一个椭圆型偏微分方程的Dirichlet和Neumann边界数据的反源问题建模的应用。提出了一种宽松的数学公式,使差异原则可以适用于迭代方案,而无需使用Sobolev嵌入常数。几个数值例子,以及与国家的最先进的方法的比较,给出了新方法的精度和加速效果。
2020-03-25 cs.NA math.NA
Iterative Refinement for a Subset of Eigenvectors of Symmetric Matrices via Matrix Multiplications
Research Institute for Science and Engineering, Waseda University(早稻田大学理工学研究科);Department of Mathematical Sciences, Shibaura Institute of Technology(埼玉工业大学数学科学系);RIKEN Center for Computational Science(理化学研究所计算科学中心);Department of Applied Mathematics, Faculty of Science and Engineering, Waseda University(早稻田大学理工学部应用数学系)
本文提出了一种通过矩阵乘法对对称矩阵子集特征向量进行迭代精炼的方法,提高了精度并展示了其在不同矩阵类型上的有效性。
2026-02-27 cs.NA math.NA
Solving Severely Ill-Posed Linear Systems with Time Discretization Based Iterative Regularization Methods
近年来,反问题在计算数学中引起了越来越多的关注,在工程应用中也变得越来越重要。离散化后,许多反问题转化为线性系。由于反问题的病态性,降阶线性系往往是病态的,特别是当其规模很大时。这带来了很大的计算困难。特别地,在不适定的线性系的右侧的一个小扰动可能导致解的剧烈变化。因此,对于稳定解,应采用正则化方法。本文将一类新的加速迭代正则化方法应用于求解这类大型不适定线性系。迭代格式只有在迭代提前终止时才成为正则化方法。Morozov的差异原则适用于停止准则。与传统的Landweber迭代相比,新方法具有加速效果,可与著名的加速v-方法和Nesterov方法相媲美。数值结果表明,在适当的离散格式下,所提出的方法甚至比v-方法和Nesterov方法具有更好的性能.
2022-04-06 cs.NA math.NA
Iterative Refinement and Oversampling for Low Rank Approximation
本文将迭代细化扩展到矩阵低秩近似(LRA),发现其与过采样技术的关联;结合稀疏草图矩阵的算法可亚线性成本实现VLRA,后续过采样能将特定矩阵谱范数精度提升至近最优。
2024-11-27 cs.NA math.NA
A general regularization strategy for singular Stokes problems and convergence analysis for corresponding discretization and iterative solution
针对奇异 Stokes 问题的最低阶弱 Galerkin 离散,提出秩一通用正则化策略,分析其最优收敛性及 MINRES/GMRES 块预条件迭代效果。
2025-05-15 cs.NA math.NA
An Integer Arithmetic-Based Sparse Linear Solver Using a GMRES Method and Iterative Refinement
在本文中,我们开发了一个(预处理)GMRES求解器的整数运算的基础上,并介绍了一个迭代精化框架的求解器。我们描述了基于整数或定点数的求解器的系数矩阵和向量的数据格式。为了避免计算中的溢出,我们在算术运算中引入了初始缩放和操作数的逻辑移位(调整)。针对GMRES算法的特点,提出了操作数移位的方法。数值试验表明,基于整数算法的求解器与迭代精化具有可比的求解器性能的收敛性的标准求解器的基础上浮点运算。此外,我们表明,预处理是很重要的,不仅可以提高收敛性,但也减少了溢出的风险。
2021-03-03 cs.MS cs.NA math.NA
Instability of the Sherman-Morrison formula and stabilization by iterative refinement
School of Computing and Mathematical Sciences, University of Leicester(莱斯特大学计算与数学科学学院);Mathematical Institute, University of Oxford(牛津大学数学研究所)
该研究分析了Sherman-Morrison公式的向后不稳定性,解答了相关公开问题,提出复用已有分解的固定精度迭代细化方法,在保证效率的同时实现向后稳定性,并通过实验验证了效果、给出了猜想。
2025-10-02 cs.NA math.NA
Iterative regularization for constrained minimization formulations of nonlinear inverse problems
本文将反问题表示为约束极小化问题,并利用梯度型或牛顿型迭代法求解。我们进行了收敛性分析的意义上的正则化方法,并讨论了适用性的问题,从不同的观测集识别的空间变化的扩散在椭圆型偏微分方程。其中是一种新的混合成像技术称为阻抗声层析成像,我们提供了数值实验。
2021-01-14 cs.NA math.NA math.OC
Multistage Mixed Precision Iterative Refinement
低精度运算,特别是半精度浮点运算,现在在商业硬件中是可用的。使用较低的精度可以显著节省计算和通信成本,并按比例节省能源。受此启发,人们对求解线性方程组的混合精度迭代加细$Ax=b$重新产生了兴趣,并开发了基于GMRES的迭代加细的新变体。具有给定精度组合的每个特定变体导致用于后向误差和前向误差收敛的不同的基于条件数的约束,并且每个变体具有不同的性能成本。在文献中给出的收敛约束,作为分析的人工制品,在实践中往往过于严格,因此可能导致用户选择更昂贵的变体时,一个较便宜的就足够了。在这项工作中,我们开发了一个多级混合精度迭代精化求解器,其目的是结合现有的混合精度的方法,以平衡性能和精度,提高可用性。对于精度的初始组合,该算法从最便宜的方法开始,并通过迭代过程中产生的数量的廉价计算来监测收敛。如果使用特定的停止标准检测到缓慢收敛或发散,则算法切换到使用更昂贵但更可靠的变体。我们的方法的一个新颖的方面是,与现有的实现不同,我们的算法首先尝试使用“更强”的解决方案更新之前,诉诸于提高精度(S)。在某些情况下,这可以避免以更高精度重构矩阵的需要。我们进行了广泛的随机密集的问题和问题,从实际应用中证实的好处多级方法的数值实验。
2021-11-15 cs.NA math.NA
Mixed-precision iterative refinement for low-rank Lyapunov equations
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
本文提出一种混合精度迭代精炼框架,用于求解低秩李雅普诺夫矩阵方程,通过误差分析确定不同精度设置下的残差条件,展示如何选择算法参数以提高求解效率。
2026-11-03 cs.NA math.NA
Mixed Precision FGMRES-Based Iterative Refinement for Weighted Least Squares
针对加权最小二乘问题,本文提出采用两种不同预处理器的混合精度FGMRES-WLSIR算法,拓展了混合精度迭代精化方法在非标准最小二乘问题中的应用。
2024-01-26 cs.NA math.NA
A comparison of mixed precision iterative refinement approaches for least-squares problems
本文针对最小二乘问题的双精度迭代细化(IR)方法展开研究,对比三种现有方法的理论特性与敏感性,拓展了半正规方程法的精度分析,并提出一种基于多最小二乘求解的新方法,为方法选择提供参考。
2025-01-17 cs.NA math.NA
A Mann iterative regularization method for elliptic Cauchy problems
研究了正则集$Ω\subset R^2$上具有$C^\infty$ -系数的线性椭圆算子的柯西问题,这是不适定问题的一个经典例子. Cauchy数据在流形$Γ\subset \partialΩ$上给出,我们的目标是重建椭圆型方程的$H^1(Ω)$解在$\partial Ω/ Γ$上的迹。本文提出的方法将分段Mann迭代与椭圆柯西问题的不动点方程相结合。我们的算法推广了Maz'ya等人开发的迭代法,他提出了一种基于求解连续适定混合边值问题的方法。我们从理论和数值上分析了正则化和收敛性。
2020-11-17 cs.NA math.NA
Iterative Refinement for Diagonalizable Non-Hermitian Eigendecompositions
Research Institute for Science and Engineering, Waseda University(早稻田大学理工学研究科)
本文提出基于矩阵乘法的迭代精炼方法,用于可对角化的非厄米特特征分解,针对简单特征值区分两种输入模式,通过修正残差实现二次误差界估计,并处理聚类特征值的稳定性扩展。
2026-04-03 cs.NA math.NA
Combined Regularization and Discretization of Equilibrium Problems and Primal-Dual Gap Estimators
本文研究了有限元离散在一类含有移动约束的平衡问题中的应用。因此,Moreau-Yosida的正则化技术,由一个参数控制,进行了讨论,并使用广义$Γ$收敛的概念,先验收敛结果。后一种技术被应用到正则化问题的离散化,并被用来证明收敛到原始的平衡问题,当-正则化和离散化-同时施加。此外,一个原始-对偶间隙技术是用于推导适合自适应网格细化的误差估计。建立了网格细化和正则化参数更新之间的平衡策略。对障碍问题的理论结果进行了说明,并对两个拟变分不等式分别应用于热成形和生物医学进行了数值实验。
2021-10-06 cs.NA math.NA
Parameter Selection by GCV and a $χ^2$ test within Iterative Methods for $\ell_1$-regularized Inverse Problems
针对ℓ₁正则化反问题的Split Bregman、Majorization-Minimization迭代方法,将GCV和χ²检验等方法拓展用于迭代内广义Tikhonov正则参数选择,图像去模糊实验验证了该自动选参策略的有效性。
2024-12-13 cs.NA math.NA
Stopping criterion for iterative regularization of large-scale ill-posed problems using the Picard parameter
Weizmann Institute of Science(魏茨曼科学研究所)
本文提出了一种新的停止准则,用于大规模病态逆问题的Krylov子空间迭代正则化。通过扩展Picard参数,有效分离噪声主导的傅里叶系数与信号主导的系数,并通过向量化方案将二维问题降维处理。
2017-07-13 cs.NA math.NA
Accelerated Multiple Precision Direct Method and Mixed Precision Iterative Refinement on Python Programming Environment
目前的Python编程环境没有任何可靠和有效的多精度浮点(MPF)算法,除了基于GNU MP(GMP)和MPFR库的``mpmath”和`` gmpy 2”包。虽然多组件类型的MPF库可以用于200位以下的中等长度精度运算,但它们在Python环境中并没有得到广泛的应用。本文描述了我们的加速MPF直接方法与AVX 2技术及其应用于混合精度迭代精化结合mpmath,并证明了他们的效率在x86 - 64计算环境。
2021-07-27 cs.MS cs.NA cs.PF
A preconditioned Krylov subspace method for linear inverse problems with general-form Tikhonov regularization
本文提出基于预条件Golub-Kahan双对角化的Krylov子空间迭代方法,用于求解一般形式Tikhonov正则化线性反问题,并进一步设计两种混合正则化算法以克服半收敛不稳定性,数值实验验证了其优越性能。
2023-08-12 cs.NA math.NA
Iterative regularization algorithms for image denoising with the TV-Stokes model
Western Norway University of Applied Sciences(西挪威应用科学大学);University of Warsaw(华沙大学);University of Bergen(卑尔根大学)
我们提出了一套迭代正则化算法的TV-Stokes模型恢复图像从噪声图像与高斯噪声。这些是经典的Rudin-Osher-Fatemi(ROF)图像重建模型的迭代正则化算法的一些扩展,ROF模型是一个涉及标量场平滑的单步模型,TV-Stokes模型是一个涉及第一步中的向量场平滑和第二步中的标量场平滑的两步模型。这里提出的迭代正则化算法是Richardson迭代。我们的实验结果表明,在原始方法的恢复图像的质量有所改善。收敛性分析和数值实验。
2020-09-24 cs.CV cs.NA math.NA
Mixed Precision Iterative Refinement with Adaptive Precision Sparse Approximate Inverse Preconditioning
本文提出自适应精度稀疏近似逆预条件子BSPAI-GMRES-IR,将其集成到五精度GMRES迭代精化中,分析了收敛条件,并证明其可在保持与SPAI-GMRES-IR相近误差的前提下降低预条件子存储与应用成本。
2023-07-08 cs.NA math.NA
Scalable iterative data-adaptive RKHS regularization
本文提出可扩展的迭代数据自适应 RKHS 正则化方法 iDARR,通过广义 Golub-Kahan 双对角化过程构造 Krylov 子空间正交基,高效求解不适定线性反问题,并在图像去模糊等实验中展现出优于传统范数的准确性与稳定性。
2024-01-01 cs.NA math.NA
HPL-MxP Benchmark: Mixed-Precision Algorithms, Iterative Refinement, and Scalable Data Generation
University of Tennessee(田纳西大学);Oak Ridge National Laboratory(橡树岭国家实验室);University of Manchester(曼彻斯特大学);MIT Lincoln Laboratory(麻省理工学院林肯实验室)
该研究提出混合精度基准测试HPL-MxP,结合低精度LU分解与基于GMRES的迭代细化,评估了可扩展输入矩阵生成方法的稳定性及对角缩放对解质量的影响,在超算上实现百亿亿次级吞吐量,证明其评估超算的可行性及适配AI硬件加速器的潜力。
2025-09-23 cs.NA cs.PF math.NA
Two new non-negativity preserving iterative regularization methods for ill-posed inverse problems
许多反问题都与非负参数函数的估计有关。为了得到希尔伯特空间中不适定线性算子方程的非负稳定近似解,我们提出了两种新的非负保持迭代正则化方法.它们是基于不动点迭代结合预处理的思想。与投影Landweber迭代相比,当噪声水平趋于零时,正则化解只能显示弱收敛,引入的正则化方法具有强收敛性。有收敛的结果,即使是噪声的右手边和不完美的前向运营商的组合,并为其中的方法也有收敛速度的结果。特别适应的差异原则被用作所建立的迭代正则化算法的后验停止规则。对于所提出的新方法的应用,我们考虑一个生物传感器问题,这是建模为二维线性弗雷德霍姆积分方程的第一类。几个数值例子,以及与投影Landweber方法的比较,显示的精度和加速效果的新方法。一个真实数据问题的案例研究表明,所开发的方法可以产生有意义的特征正则化的解决方案。
2020-02-20 cs.NA math.NA math.OC
Regularization of Inverse Problems
这些研究生课堂讲稿介绍了希尔伯特空间中线性和非线性不适定算子方程的正则化理论。涵盖了正则化方法的一般框架及其通过谱滤波器的分析,以及Tikhonov正则化,Landweber迭代,线性反问题离散化正则化的具体例子。在非线性设置,Tikhonov正则化和迭代正则化(Landweber,Levenberg-Marquardt,和迭代正则化高斯-牛顿方法)进行了讨论。从泛函分析必要的背景也简要概述。最后,从频率论和贝叶斯的角度对统计逆问题进行了简要的展望。
2021-02-08 cs.NA math.FA math.NA
An analysis of iterative refinement for quantum linear system solvers
Pacific Northwest National Laboratory(太平洋西北国家实验室);Lehigh University(利哈伊大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校);Quantum Science Institute(量子科学研究所);University of Southern California(南加州大学)
提出一种迭代细化框架,通过求解一系列相关线性系统,在仅使用固定精度量子子程序的情况下,保持量子线性系统算法对逆误差容限的多对数依赖,并最终获得高精度解的经典描述,实验验证其有效性和鲁棒性。
2026-09-10 cs.NA math.NA quant-ph
Iterative regularization for ensemble data assimilation in reservoir models
University of Nottingham(诺丁汉大学)
本文提出利用迭代正则化方法开发集合方法解决贝叶斯反问题,设计了IR-enLM和IR-ES方法,通过正则化Levenberg-Marquardt方案提升后验估计的鲁棒性。
2014-06-24 cs.NA math.NA stat.AP
On the convergence of iterative regularization method assisted by the graph Laplacian with early stopping
Department of Mathematics, Indian Institute of Technology Roorkee(印度理工学院罗尔基分校数学系);Defence Research and Development Organization(国防研究与开发组织)
提出一种数据辅助迭代正则化方法IRMGL+Ψ,结合图拉普拉斯正则化与经典迭代技术,并证明差异原则作为早停准则的可靠性,实验表明伴随算子初始化效果最优。
2025-10-26 cs.NA math.FA math.NA
Iterative Methods for an Inverse Eddy Current Problem with Total Variation Regularization
本文研究逆涡流问题中的电导率重构,将其表述为带全变差正则化的约束优化问题,采用有限元离散并提出交替方向乘子法求解,证明了收敛性并通过数值实验验证了方法的有效性。
2023-07-03 cs.NA math-ph math.MP