Escolar Documentos
Profissional Documentos
Cultura Documentos
x
b
Ax = b
A um operador que representa um modelo matemtico x a funo de entrada b um vetor de dados ? ? Problema direto Problema inverso
A maioria dos problemas testes resolvidos neste trabalho, foram provenientes da discretizao da equao integral de Fredholm ou da de Volterra. Estas equaes so exemplos tpicos de problemas mal postos, pois no satisfazem pelo menos uma das condies de Hadamard (existncia, unicidade e estabilidade).
Ax = b
Existncia: Unicidade: Para cada b existe x tal que Ax=b. Para cada b, a equao Ax=b tem soluo nica.
Estabilidade: A soluo depende suavemente (continuamente) dos dados, isto , o operador A possui uma inversa contnua.
k ( s, t ) f (t )dt = g (s)
A :U V
Ax = b ,
A : m n Problema mal condicionado (Muito sensvel a pequenos erros de entrada.)
Regularizao
substituio por problema associado bem posto. Mtodo de regularizao mais usual: Mtodo de Tikhonov. Ideia: x = arg min ( Ax b
x n 2 ) 2
x = arg min ( Ax b 2 + 2 x 2 )
x n
x = arg min ( Ax b 2 )
x n
x = arg min ( Ax b + x
x n
2 2
2 ) 2
xLS =
i =1
uiT b
vi
b = bexato + e
r
i uiT b x = 2 v 2 i i =1 i +
r r
xLS =
i =1
uiT bexato
vi +
i =1
uiT e
vi
Regularizao
1.5
1 1.5 0 1 1 0.5 ER=0.136604 3 0 100 200 300 400 500 600 0 0 100 200 300 400 500 600
=0.480188
Regularizao
questo
fundamental
escolher
um
parmetro de regularizao tal que a soluo regularizada tenha uma norma do resduo pequena e que no seja demasiadamente distante da soluo desejada.
Fundamentos tericos
so matrizes com colunas ortonormais. 2. Fatorao QR: Faz a decomposio de uma matriz Amn em
A = QR ,
mxm onde as colunas de Q formam uma base para o espao coluna de A , e R mxn uma matriz triangular superior.
Fundamentos tericos
k(s,t)f(t)dt = g(s) , c s d
a
< ui , g > < integrvel, deve-se ter: , sendo i i =1 kvi ui = e vi funes singulares associadas aos valores
.
singulares i.
Fundamentos tericos
Mtodos de regularizao
GCV Generalized Cross Validation (Golub, Heat e Wahba, 1979) Ideia: Um bom parmetro de regularizao deve prever a falta ou a retirada de dados de entrada, isto , prever modificaes no vetor de dados b. Escolha: O parmetro de regularizao aquele que minimiza a funo GCV:
G ( ) = Ax b
2 , 2 # 2
tr ( I m A. A )
A# = ( AT A + 2 I ) 1 AT
inversa regularizada
Dificuldade: O minimizador da funo GCV pode estar localizado numa regio quase horizontal.
10
8
10
G()
10
10
10
11
10
10
10
10
10
Funo GCV, problema teste Deriv2, n=512 e rudo relativo de 5% no vetor de dados.
10
10
10
10
x = arg min ( Ax b + x
x n
10
2 2
2 ) 2
10
10
10
10 residual norm || A x b ||
10
2
Ideia : Escolher uma soluo regularizada associada a um parmetro na vizinhana do "canto" da curva-L.
Objetivo:
Ponto fixo Objetivo: Escolher um parmetro de regularizao ( ) = r ( )v ( ) que minimiza a funo onde r ( ) = Ax b
2
v ( ) = x
Para k1 faa:
k +1 = (k ) ,
( ) =
Ax b x
simples, rpido e eficiente. Vantagem: necessrio calcular somente a norma da soluo e a norma do resduo, enquanto que, por exemplo, o mtodo da curva-L necessita da SVD ou da derivada da norma da soluo.
= ( AA + I )
AA
T 1/ 2
Q ( ) = 2
p uiT b = f i (1 f1 ) i i =1
2 1 / 2
Dificuldade: A minimizao da funo Q() na prtica complicada pelo fato da funo admitir vrios mnimos locais.
10
20
10
15
10
10
Q()
10
5
10
10 20 10
10
15
10
10
10
10
10
Funo Q(), problema teste Shaw, n=512 e rudo relativo de 5% no vetor de dados.
Mtodo da discrepncia (Morozov 1963) Ideia: A norma do resduo no deve exceder uma cota superior para o erro nos dados e 2 .
Ax b
2
=, e 2
3 2.5
1.5
||e||
1
0.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
min ( Ax b
x1 , x2, L que convergem para uma x = A1b ou soluo (RUIM) dos problemas, que so
aproximadas
xLS =
i =1 r
.
uiT b
vi .
Estratgia:
0.8
0.6
0.4
0.2
0.2
ER=0.3333
0.4
50
100
150
200
250
300
0.8
0.6
0.4 ER=0.0153
0.2
50
100
150
200
250
300
LSQR Least square QR LSQR semelhante ao mtodo dos gradientes conjugados para resolver Ax = b ou x = arg min Ax b
x n 2 2
A = UBV T, U e
2 2
Ideia: A soluo
pertencente
Discrepncia:
aproximao de
>1 .
Ideia: Similarmente
2
k , definida por
Observando que crescente,
k = rk xk , k = 1,2, L .
de um parmetro
rk decrescente e que xk
busca-se
10
10
10
10 10
1
10
10 k
15
20
10
10 k
15
20
Quando o mnimo de k bem definido, o critrio funciona bem e o minimizador de k o mesmo que minimiza o erro
xk ^ x
2
Quando houver um patamar, tome o primeiro k que satisfaz k +1 k < 1 onde uma tolerncia.
Resultados e concluses
n=256
rudo relativo=0.01
Erro relativo=0.0834
Erro relativo=0.1256
Erro relativo=0.1099
Erro relativo=0.1642
Resultados e concluses
Qual o esforo computacional? O problema Shaw, com n=1024 e rudo relativo de 0.1% no vetor de dados, foi resolvido usando um processador Semprom 2600, 1.83GHz e 1.21GB de memria RAM, com os seguintes resultados: Mtodo utilizado Ponto fixo LSQR com o novo critrio
Principais referncias bibliogrficas BAZN, F. S. V. Fixed-point interations in determining the Tikhonov regularization parameter . Inverse Problems, vol. 24, 2008. BAZN, F. S. V.; FRANCISCO, Juliano B. An improved fixed-point algorithm for determining the Tikhonov regularization parameter . Inverse Problems, 2009. HANSEN, P. C. Regularization tools version 4.0 for Matlab 7.3. Numerical Algorithms, 2007, pp. 189-194.
MORIGI, S.; REICHEL, L.; SGALLARI, F.; ZAMA, F. Iterative methods for ill-posed problems and semiconvergent sequences. J. Comput. Appl. Math., vol. 193, pp. 157-167, 2006.
REGINSKA, Teresa. A regularization parameter in discrete illposed problems. SIAM, vol 17, pp. 740-749, 1996.