Плохая обусловленность - матрица
Cтраница 2
Малым значениям определителя но о шлателыю спотпетгт-нует плохая обусловленность матрицы. [16]
С наблюдается эффект неустойчивости, связанный с плохой обусловленностью матриц, аппроксимирующих Ф хх. Таким образом, если минимизацию функции Ф ( ж, С) при большом С начать из точки х, которая не является достаточно близкой к точке минимума функции Ф на Р, то могут потребоваться слишком большие затраты времени ЭВМ и увеличиться вероятность прерывания процесса ввиду потери точности при вычислениях. По этой причине в практических алгоритмах метода штрафов используется идея постепенного увеличения параметра С вместе с постепенным увеличением точности решения вспомогательных задач. Ниже приводится простейший алгоритм, основанный на этой идее. [17]
Более неожиданно то, что, несмотря на плохую обусловленность матрицы В, хорошо обусловленные собственные значения, такие как ( - 2) в предыдущем примере, вычисляются совершенно точно. [18]
Останов по этим критериям свидетельствует о сбое машины или плохой обусловленности матрицы. [19]
Главная трудность, которая подстерегает расчетчика СЛАУ, состоит в возможной плохой обусловленности матрицы коэффициентов. Под обусловленностью вычислительной задачи понимают чувствительность ее решения к малым изменениям входной информации. Если малым изменениям входных данных отвечают малые изменения решения, то задача считается хорошо обусловленной; если же возможны большие изменения решения, то задача считается плохо обусловленной. [20]
Итак, при решении прямой кинетической задачи основные трудности вызываются плохой обусловленностью матрицы Якоби. Существуют два принципиальных подхода к решению этой проблемы. Первый из них состоит в том, чтобы развязать исходную систему взаимосвязанных уравнений и превратить ее в систему несвязанных одиночных уравнений, каждое из которых затем решается отдельно. В этом случае не возникает проблемы выбора шага, так как говорить об определении жесткости для системы (3.78) или (3.79) не имеет смысла, и каждое уравнение решается со своим шагом. [21]
Причиной такой чрезвычайно большой чувствительности решения к погрешности исходных данных является плохая обусловленность матрицы А. [22]
Постоянно возрастающий коэффициент alpha в выражении ( 13) обеспечивает окончание процесса даже при очень плохой обусловленности матрицы А и, кроме того, позволяет завершить вычисления, когда rfe и гг быстро приближаются друг к другу. [23]
SPot, усложнена схема расчета, необходимо иметь в явном виде схему (5.1) для расчета динамических процессов, плохая обусловленность используемых матриц, вследствие чего весьма трудно организовать вычислительный процесс на ЭВМ. [24]
 |
Рекуррентная форма алгоритма оценки параметров. [25] |
Качество оценки параметров в задачах этого класса существенно зависит и от выбора параметров регуляризации и других мер предотвращения последствий плохой обусловленности матриц. В следующем разделе приводятся процедуры определения принятых ранее в примерах ( см. рис. 5.24, 5.26) значений параметров регуляризации некоторые рекомендации по повышению достоверности и точности оценок параметров. [26]
В этом случае диагональные члены общей матрицы жесткости на последнем, этапе нагружения станут настолько малы, что не удастся, ввиду плохой обусловленности матрицы, найти соответствие между внешними и внутренними силами. [27]
Отмеченное позволяет сделать вывод о том, что в любом случае, при использовании в качестве входных сигналов линейных функций времени, в алгоритмах оценки вектора параметров целесообразно предусматривать введение коэффициентов регуляризации в качестве превентивной меры предотвращения возможной плохой обусловленности матриц. [28]
Наличие ошибок измерения в независимых переменных несколько снижает влияние мультиколлинеарности. Однако плохая обусловленность матрицы С затрудняет получение удовлетворительных оценок МНК. В случае мультиколлинеарности для получения хороших оценок необходимо отказаться от. [29]
 |
Зависимость ускорения 5 от блочной размерности ть для некоторых алгоритмов линейной алгебры. [30] |
Страницы: 1 2 3 4