1) general total least squares problem
广义完全最小二乘问题
2) generalized least-squares problem
广义最小二乘问题
1.
The Schur complementarity problem of symmetric quasi-definite system is equivalent to a generalized least-squares problem is proved.
证明了对称拟定系统的Schur补问题等价于一个广义最小二乘问题,并基于一种双对角化过程(GKLB过程)推导出了解系统(l)的一种新的迭代算法——LSQR(A(-1),C)方法,该方法不需要求出A和C的Cholesky因子,数值结果表明,与传统的方法(如SYMMLQ方法)比较,该方法有更快的收敛速度。
3) least square problem
最小二乘问题
1.
This approach can guarantee that the identified parameters are optimal,by solving a one-dimensional polynomial equation instead of a nonlinear least square problem.
这种方法能够保证辨识出的参数是最佳的；而且不用求解对应的非线性最小二乘问题,只需求一元多项式的根,从而大大减少计算量。
2.
This survey is concerned with some recent results on convergence of the Newton method for solving nonlinear operator (equation) and the Gauss-Newton method for solving the least square problems and the convex composite optimization problems.
文章就求解方程最为重要的Newton法以及解非线性最小二乘问题和解非光滑复合凸优化问题的Gauss-Newton法的收敛性等问题的研究成果和进展作介绍。
3.
For solving large-scale sparse least square problems,the author discusses the convergence of two-block AOR iterative method;and gives the necessary and sufficient conditions and the domain of its convergence;and further demonstrates that the spectral radius p (L(2)γ,ω) of two-block AOR optimal iterative matrix.
讨论用２－块ＡＯＲ迭代法解大型稀疏最小二乘问题的收敛性，给出其收敛的充要条件及其收敛域。
4) least squares problem
最小二乘问题
1.
In this paper,we study the convergence of USSOR iterative methods for solving least squares problems.
将文 [1 ]中求解最小二乘问题的 SOR迭代法推广到 USSOR迭代法 ,给出了 6种分裂形式下 ,USSOR迭代法的收敛域 。
2.
This paper deals with the problem of finding a solution of a constrained least squares problem from the solution set of its unconstrained problem.
本文主要研究线性矩阵方程CZC~T=T的最小二乘解与其若干线性约束最小二乘问题(包括AXA~T+BYB~T=T及其对称与反对称约束问题)解的关系。
5) generalized least square method
广义最小二乘法
1.
In this paper,the estimation of coefficient functions in a varying-coefficients EV model are constructed by using kernel smoothing and generalized least square method.
利用核函数法和广义最小二乘法给出了一般变系数EV模型系数参数的估计,得到了估计的强相合性。
2.
For the important role of mathematical model in data processing of dynamic calibration and combining the experimental data of dynamically calibrating acceleration sensor test system based on the Hopkinson bar,a generalized least square method of dynamic model is introduced.
针对数学模型在动态校准实验数据处理中的重要地位,结合Hopkinson杆对加速度传感器测试系统动态校准所得实验数据,介绍了一种基于广义最小二乘法的动态数学模型建立方法。
6) least square generalized inverse
最小二乘广义逆
1.
Based on the relation between synergetic learning algorithms and generalized inverses,all the algorithms for computing least square generalized inverses can be considered as synergetic learning algorithms,which enriches the variety of synergetic learning algorithms considerably.
在讨论协同学习算法和广义逆关系的基础上，指出了最小二乘广义逆的求解算法都可以看作是协同学习算法，从而大大丰富了协同学习算法的种类。
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
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