【研究生数学建模】相关矩阵组低复杂度计算及存储模型.pdfVIP

中国研究生创新实践系列大赛 “华为杯”第十八届中国研究生 数学建模竞赛 南京工业大学 学 校 2 1102910019 参赛队号 1. 庄清来 队员姓名 2. 陆寅 3. 许丽凤 中国研究生创新实践系列大赛 “华为杯”第十八届中国研究生 数学建模竞赛 题 目 相关矩阵组低复杂度计算和存储模型 摘 要： 本文设计相关模型以对矩阵在某些维度上存在的关联性进行了研究，分析了各数据 矩阵组之间的关联性，建立模型降低计算复杂度并节省存储开销。 矩阵 W 的近似分析模型 （问题一）本问题的目标是计算关联矩阵大的奇异值对应的 右奇异向量拼接矩阵的广义逆。该计算有两部分构成：一个8*8 矩阵的逆矩阵和384 个分 块矩阵的右奇异向量。考虑到逆矩阵计算的矩阵规模不大，具有对称性，且计算一次， 我们直接采用 Cholesky 分解法。我们工作的重点放在分块矩阵右奇异向量的计算上。右 奇异向量的计算一般采用Golub-Kahan[1] 的基于双对角化和 QR[2]分解（这里称作 GKSVD ）。 如果每一个分块矩阵的右奇异向量都用GKSVD 计算，计算复杂度高。为了减少计算量， 需要利用关联矩阵的特性降低右奇异向量的计算复杂度。通过分析我们发现矩阵 H(j，k)两 个最大右奇异向量的计算可以转化为矩阵 H*(j，k)H(j，k) 的两个最大特征值对应的特征向量。 而乘幂法(Power Method)和降阶法（Deflation techniques ）是用于计算上述特征向量的迭代 算法，在迭代初始向量合理选择的前提下，收敛速度很快。由于我们的问题中分块矩阵 之间有很强的关联性，矩阵 H(j，k) 的两个右奇异向量可以作为 H(j，k+1)右奇异向量迭代的初 始向量。对题目的数据进行计算发现，绝大多数情况下，上述迭代只需要 2~3 次， 但少 部分数据要想达到精度要求需要更多次迭代。为此，我们在乘幂法和降阶法中增加了精 [3] 度约束 。整个程序运行结果表明，我们设计的算法对于题目给定的相关矩阵组具有低复 杂度的特性。 压缩及解压缩模型（问题二）为了降低存储复杂度，我们首先对原始数据矩阵组 H 进行压缩。考虑到题目涉及的问题背景：视频信号中的单帧图像可视为一个矩阵，连续 的多帧图像则反映在矩阵间的相关性上。我们建立了关联矩阵的线性变化模型。但考虑 到存储性，线性模型中采用了稀疏矩阵表示。上述存储模型同样可用于矩阵 W 的存储建 模。不过，由于精确要求为-30dB ，上述方案难以满足。考虑到题目数据中行数据具有非 常高的行相关性，我们用大矩阵的每一行构成一个 384*64 的矩阵。针对该矩阵利用奇异 值分解，保留贡献率大于99%的主成份，实验表明在满足精度的情况下，压缩比可以达到 65% 。 相关矩阵组的整体处理 （问题三）我们直接使用压缩后的矩阵 H ̃代替 H ，再用乘幂 法和降阶法计算右奇异向量。这样在降低存储复杂度的同时，可以降低计算复杂度。 关键词：乘幂法；关联矩阵；计算复杂度；降阶法 1 目 录 一、问题背景和问题重述3 1.1 问题背景3 1.2 问题重述3