Skript
Skript Skript
Interpretation als Regularisierungsmethode Wenn wir α := 1 k als Regularisierungsparameter interpretieren gilt ( g α (σ) = 1 − (1 − τσ 2 ) 1/(α−1)) 1 σ . Für τσ 2 < 2 konvergiert g α (σ) offensichtlich zu 1/σ für α = 1 k → 0. Mit den Satz 3.1.1 aus Kapitel 3 schließen wir daher, dass x k → x † für k → ∞. Ebenfalls analog zu Kapitel 3 kann die Konvergenz jedoch beliebig langsam sein wenn die Daten nicht zusätzliche Glattheitsbedingungen erfüllen. Bemerkung 5.1.3. Under der obigen Bedinung an τ können wir zeigen, dass das kleinste-Quadrate Funktional kleiner wird, wenn es gilt ‖T x k+1 − y‖ 2 = ‖T x k − y − τT T ∗ (T x k − y)‖ 2 Konvergenzraten = ‖T x k − y‖ 2 + τ 2 ‖T T ∗ (T x k − y)‖ 2 − 2τ〈T x k − y, T T ∗ (T x k − y)〉 = ‖T x k − y‖ 2 + τ ( τ‖T T ∗ (T x k − y)‖ 2 − ‖T ∗ (T x k − y)‖ 2) ≤ ‖T x k − y‖ 2 + τ‖T ∗ (T x k − y)‖ 2 ( τ‖T ‖ 2 − 2 ) ≤ ‖T x k − y‖ 2 . } {{ } ≤0 Um ein Konvergenzrate zu erhalten, nehmen wir an, dass die folgende Quellbedingung erfüllt ist: x † = T ∗ p for p ∈ Y. Dann gilt für die Singulärwerte im Singulärsystem (σ n , u n , v n ): (x k −x † , u n ) = ( 1 − (1 − τσ 2 n) k−1) 1 σ n (y, v n )−(x † , u n ) = −σ n (1−τσ 2 n) k−1 (p, v n ). Die positive Funktion √ r(σ) := σ(1 − τσ 2 ) k−1 hat ein eindeutiges Maximum in 2 dem Interval (0, τ ) an der Stelle σ = √ 1 und daher τ(2k−1) |(x k − x † , u n )| ≤ r(σ)‖p‖ ≤ 1 √ τ(2k − 1) ‖p‖. Damit gilt für den Fehler ( ) 1 ‖x k − x † ‖ = O √k . Beispiel: Seitwärts Wärmeleitungsgleichung Wir betrachten als Beispiel das sogenannt Inverse Heat Conduction Problem (IHCP): 77
Primal Adjungiert messungen unbekannt Residuum update Abbildung 5.1: Das inverse head conduction Problem Verrauschte Daten Wir betrachten nun den Fall von verrauschten Daten, d.h. wir haben y δ mit ‖y − y δ ‖ ≤ δ. Um die Abhängigkeit vom Rauschen zu verdeutlichen schreiben wir im folgenden x δ k . x δ k+1 = xδ k − τT ∗ (T x δ k − yδ ) = (I − τT ∗ T )x δ k + τT ∗ y δ . (5.2) Da in dieser iteration nur die (stetigen) Operatoren T und T ∗ angewandt werden müssen ist diese Methode wohldefiniert für beliebige k, insbesonder auch für k → ∞. Da wir jedoch α = 1 k als Regularisierungsparameter interpretiert haben und daher α immer positiv sein muss folgern wir dass für verrauschte Daten die Iteration nach endlich vielen Schritten abgebrochen werden sollte. Insbesondere sollte die Anzahl der Iterationen k ∗ von den verrauschten Daten und dem Rauschlevel δ anhängen, also k ∗ = k ∗ (δ, y δ ). Wir benutzen wieder die Singulärwertzerlegung und schreiben den Fehler als ( 〈x k δ − x† , u n 〉 = 1 − (1 − τσn) 2 k−1) 1 〈y δ , v n 〉 − 1 〈y, v n 〉 σ n σ n ( = 1 − (1 − τσn) 2 k−1) 1 〈y δ − y, v n 〉 + (1 − τσ σ n) 2 k−1 1 〈y, v n 〉. n σ n Da der zweite Term in der Summe exponentiel gegen Null konvergiert für k → ∞ folgt (1 − τσ 2 n) k−1 1 σ n 〈y, v n 〉 = (1 − τσ 2 n) k−1 〈x † , v n 〉. 78
- Seite 27 und 28: Durch Koeffizientenvergleich folgt:
- Seite 29 und 30: Kapitel 3 Regularisierungstheorie I
- Seite 31 und 32: Beweis. Sei y ∈ D(T † ) beliebi
- Seite 33 und 34: und weiterhin gilt. lim δC α(δ)
- Seite 35 und 36: Normalengleichungen. Außerdem ist
- Seite 37 und 38: Durch die Unstetigkeit an 0 wird di
- Seite 39 und 40: Kapitel 4 Inverse Probleme der Inte
- Seite 41 und 42: zu θ(ϕ k ) durchgeführt, daher h
- Seite 43 und 44: 4.2 Funktionalanalytische Grundlage
- Seite 45 und 46: ̂f a (ξ) = (2π) −n/2 ∫ R n =
- Seite 47 und 48: Satz 4.2.5. (Faltungssatz) Seien f,
- Seite 49 und 50: aber f ∉ L 2 (R 2 ). Die Fouriert
- Seite 51 und 52: Wir definieren also allgemein die A
- Seite 53 und 54: keinen Sinn, den das hintere Integr
- Seite 55 und 56: S(C) definiert durch (Rf)(θ, s) =
- Seite 57 und 58: = (2π) 1/2 ̂f(ξ) □ Satz 4.2.20
- Seite 59 und 60: ist ˜f(x) zumindest schon mal posi
- Seite 61 und 62: Theorem 4.2.27. Sei 0 ≤ α < n. D
- Seite 63 und 64: Cormack eine alternative Formel her
- Seite 65 und 66: Beweis: Sei ohne Einschränkung α
- Seite 67 und 68: g k = (2π/h) −n ∫ g(ξ)e i(kh)
- Seite 69 und 70: Man kann sich fragen, was die Bandb
- Seite 71 und 72: Beweis: Sei w ∈ S(R n ) eine Test
- Seite 73 und 74: c k = 1 (2π) 1/2 ∫ ||y|| |x| (De
- Seite 75 und 76: 4.4 Was fehlt? Fanbeam. Interlaced
- Seite 77: die sogenannte Landweber iteration.
- Seite 81 und 82: Nichtlineare Probleme Wir diskutier
- Seite 83 und 84: We finally mention that any suitabl
- Seite 85 und 86: 5.5 Konjugierte Gradienten (Frank)
- Seite 87 und 88: Satz 5.5.2. Gesucht sei die Lösung
- Seite 89 und 90: 3. Sei m j = 1, ω = 1, C k = (A k
- Seite 91 und 92: linearisiert. Seien also nun die R
- Seite 93 und 94: entsprechend statistisch optimale R
- Seite 95 und 96: L(f) heißt Likelihoodfunktion. Man
- Seite 97 und 98: und das ist die erweiterte Form der
- Seite 99 und 100: Literaturverzeichnis [1] Ȧ. Björc
Interpretation als Regularisierungsmethode<br />
Wenn wir α := 1 k<br />
als Regularisierungsparameter interpretieren gilt<br />
(<br />
g α (σ) = 1 − (1 − τσ 2 ) 1/(α−1)) 1<br />
σ .<br />
Für τσ 2 < 2 konvergiert g α (σ) offensichtlich zu 1/σ für α = 1 k<br />
→ 0. Mit den<br />
Satz 3.1.1 aus Kapitel 3 schließen wir daher, dass x k → x † für k → ∞. Ebenfalls<br />
analog zu Kapitel 3 kann die Konvergenz jedoch beliebig langsam sein<br />
wenn die Daten nicht zusätzliche Glattheitsbedingungen erfüllen.<br />
Bemerkung 5.1.3. Under der obigen Bedinung an τ können wir zeigen, dass<br />
das kleinste-Quadrate Funktional kleiner wird, wenn es gilt<br />
‖T x k+1 − y‖ 2 = ‖T x k − y − τT T ∗ (T x k − y)‖ 2<br />
Konvergenzraten<br />
= ‖T x k − y‖ 2 + τ 2 ‖T T ∗ (T x k − y)‖ 2 − 2τ〈T x k − y, T T ∗ (T x k − y)〉<br />
= ‖T x k − y‖ 2 + τ ( τ‖T T ∗ (T x k − y)‖ 2 − ‖T ∗ (T x k − y)‖ 2)<br />
≤ ‖T x k − y‖ 2 + τ‖T ∗ (T x k − y)‖ 2 ( τ‖T ‖ 2 − 2 )<br />
≤ ‖T x k − y‖ 2 .<br />
} {{ }<br />
≤0<br />
Um ein Konvergenzrate zu erhalten, nehmen wir an, dass die folgende Quellbedingung<br />
erfüllt ist:<br />
x † = T ∗ p for p ∈ Y.<br />
Dann gilt für die Singulärwerte im Singulärsystem (σ n , u n , v n ):<br />
(x k −x † , u n ) =<br />
(<br />
1 − (1 − τσ 2 n) k−1) 1<br />
σ n<br />
(y, v n )−(x † , u n ) = −σ n (1−τσ 2 n) k−1 (p, v n ).<br />
Die positive Funktion<br />
√<br />
r(σ) := σ(1 − τσ 2 ) k−1 hat ein eindeutiges Maximum in<br />
2<br />
dem Interval (0,<br />
τ ) an der Stelle σ = √ 1<br />
und daher<br />
τ(2k−1)<br />
|(x k − x † , u n )| ≤ r(σ)‖p‖ ≤<br />
1<br />
√<br />
τ(2k − 1)<br />
‖p‖.<br />
Damit gilt für den Fehler<br />
( ) 1<br />
‖x k − x † ‖ = O √k .<br />
Beispiel: Seitwärts Wärmeleitungsgleichung<br />
Wir betrachten als Beispiel das sogenannt Inverse Heat Conduction Problem<br />
(IHCP):<br />
77