2) nonlinear conjugate gradient inversion
非线性共轭梯度反演
1.
Secondly, by doing many modeling tests about rapid relaxation inversion(RRI),OCCAM inversion and nonlinear conjugate gradient inversion(NLCGI),we did research on the following characteristics: the relation between initial model and imaging effect, the stabilization of the convergence process and the dependability of the inversion result.
本文在详细研究反演算法以及程序实现的基础上,主要通过数值模拟实验,对快速松弛反演、OCCAM反演以及非线性共轭梯度反演,考察了它们对初始模型的依赖程度、收敛的稳定性、反演效果的优劣等问题。
3) conjugate gradient
共轭梯度
1.
The conjugate gradient algorithm of variational damping and its capability analysis;
变阻尼共轭梯度算法及其性能分析
2.
Rapid 3-D inversion of induced polarization data using conjugate gradient method;
利用共轭梯度方法的激发极化三维快速反演
3.
Super-resolution image reconstruction based on preconditioned conjugate gradient;
基于预条件共轭梯度的超分辨图像重构方法
4) conjugate gradient method
共轭梯度
1.
Solving non-linear inverse heat conduction problems with multi-variables in steady state via conjugate gradient method;
共轭梯度法求解非线性多宗量稳态传热反问题
2.
The contact constraints are enforced by penalty method;therefore the origin constrained stationary potential energy problem is converted to a new unconstrained minimum problem,which is then solved by Fletcher-Reeves conjugate gradient method with cubic interpolation line search.
利用作者所提出的布料质点模型,用罚函数法解除布料和其它物体之间的接触约束,把接触约束条件下的极值问题转化为无约束极值问题,用F-R共轭梯度法求解,并用三次插值方法进行一维搜索。
5) conjugate gradient back-propagation algorithm
共轭梯度反传算法
6) preconditional conjugate gradient deconvolution
预条件共轭梯度反褶积
1.
The improvement and application of preconditional conjugate gradient deconvolutions;
预条件共轭梯度反褶积的改进及其应用
补充资料：共轭梯度法
又称共轭斜量法，是解线性代数方程组和非线性方程组的一种数值方法，例如对线性代数方程组
A尣＝??, (1)式中A为n阶矩阵，尣和??为n维列向量,当A对称正定时,可以证明求(1)的解尣*和求二次泛函 (2)的极小值问题是等价的。此处(尣,у)表示向量尣和у的内积。由此，给定了初始向量尣，按某一方向去求(2)取极小值的点尣,就得到下一个迭代值尣,再由尣出发，求尣等等，这样来逼近尣*。若取求极小值的方向为F在尣(k＝1,2,...)处的负梯度方向就是所谓最速下降法，然而理论和实际计算表明这个方法的收敛速度较慢，共轭梯度法则是在 尣处的梯度方向r和这一步的修正方向p所构成的二维平面内，寻找使F减小最快的方向作为下一步的修正方向,即求极小值的方向p（其第一步仍取负梯度方向）。计算公式为再逐次计算
(k=1,2,...)。可以证明当i≠j时，从而p,p形成一共轭向量组;r,r,...形成一正交向量组。后者说明若没有舍入误差的话，至多 n次迭代就可得到(1)的精确解。然而在实际计算中,一般都有舍入误差，所以r,r,...并不真正互相正交，而尣尣,...等也只是逐步逼近(1)的真解,故一般将共轭梯度法作为迭代法来使用。
近来在解方程组(1)时,常将共轭梯度法同其他一些迭代法结合作用。特别是对病态方程组这种方法往往能收到比较显著的效果。其方法是选取一对称正定矩阵 B并进行三角分解，得B=LLT。将方程组(1)化为
hу＝b, (3)此处y＝lT尣,b＝l-1??,h＝l-1Al-T,而。再对(3)用共轭梯度法，计算公式为
(k=0,1,2,...)适当选取B，当B 很接近A时，h的条件数较之A大大减小,从而可使共轭梯度法的收敛速度大为加快，由一些迭代法的矩阵分裂A=M -N，可选取M 为这里的B，例如对称超松弛迭代(SSOR)，强隐式迭代(SIP)等,这类方法常称为广义共轭梯度法或预条件共轭梯度法，它也可用于解代数特征值问题。
参考书目
冯康等编：《数值计算方法》，国防工业出版社，北京，1978。
A尣＝??, (1)式中A为n阶矩阵，尣和??为n维列向量,当A对称正定时,可以证明求(1)的解尣*和求二次泛函 (2)的极小值问题是等价的。此处(尣,у)表示向量尣和у的内积。由此，给定了初始向量尣，按某一方向去求(2)取极小值的点尣,就得到下一个迭代值尣,再由尣出发，求尣等等，这样来逼近尣*。若取求极小值的方向为F在尣(k＝1,2,...)处的负梯度方向就是所谓最速下降法，然而理论和实际计算表明这个方法的收敛速度较慢，共轭梯度法则是在 尣处的梯度方向r和这一步的修正方向p所构成的二维平面内，寻找使F减小最快的方向作为下一步的修正方向,即求极小值的方向p（其第一步仍取负梯度方向）。计算公式为再逐次计算
(k=1,2,...)。可以证明当i≠j时，从而p,p形成一共轭向量组;r,r,...形成一正交向量组。后者说明若没有舍入误差的话，至多 n次迭代就可得到(1)的精确解。然而在实际计算中,一般都有舍入误差，所以r,r,...并不真正互相正交，而尣尣,...等也只是逐步逼近(1)的真解,故一般将共轭梯度法作为迭代法来使用。
近来在解方程组(1)时,常将共轭梯度法同其他一些迭代法结合作用。特别是对病态方程组这种方法往往能收到比较显著的效果。其方法是选取一对称正定矩阵 B并进行三角分解，得B=LLT。将方程组(1)化为
hу＝b, (3)此处y＝lT尣,b＝l-1??,h＝l-1Al-T,而。再对(3)用共轭梯度法，计算公式为
(k=0,1,2,...)适当选取B，当B 很接近A时，h的条件数较之A大大减小,从而可使共轭梯度法的收敛速度大为加快，由一些迭代法的矩阵分裂A=M -N，可选取M 为这里的B，例如对称超松弛迭代(SSOR)，强隐式迭代(SIP)等,这类方法常称为广义共轭梯度法或预条件共轭梯度法，它也可用于解代数特征值问题。
参考书目
冯康等编：《数值计算方法》，国防工业出版社，北京，1978。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条