导读:本文包含了逆算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:矩阵,分解,级数,层析,可编程,算法,门阵列。
逆算法论文文献综述
吴良凯,顾鑫,刘坤,冯龙海[1]（2019）在《多个含不同质量项的费米子矩阵求逆算法》一文中研究指出在格点量子色动力学的模拟中,Rational Hybrid Monte Carlo (RHMC)算法是一种精确的,能应用到任意多个味道数的费米子的方法.它的思想是把费米子行列式展开为有理函数的形式.但该方法会带来很多彼此相差一个常对角矩阵的矩阵的求逆的计算,消耗大量的时间和计算资源,限制了RHMC算法的应用.本文利用移位多项式,针对共轭梯度法得到多个含有不同质量项的矩阵求逆的一种方法,该方法可以应用到RHMC算法中.(本文来源于《大学物理》期刊2019年01期）
陈乐贤,王亦炜[2]（2018）在《上海电信光层重构的自适应拓扑优化逆算法》一文中研究指出针对城域流量冷热不均问题,提出一种自适应拓扑优化逆算法,并把该算法用于上海电信OTN—平面光层重构项目,创造性地提出本地OTN叁体核心组网架构,在同等网络拓扑资源情况下提升流量疏导能力4倍,以应对流量级数增长带来的严峻挑战。(本文来源于《电信技术》期刊2018年11期）
吴梦超,李慧星,高梓欣,谢宜壮[3]（2018）在《矩阵求逆算法的HLS硬件实现》一文中研究指出矩阵运算广泛应用在雷达信号处理中,利用硬件实现可以充分发挥硬件的速度优势,而传统的寄存器传输级(RTL)设计需要精确的时序,因而设计周期较长。本文针对矩阵求逆这一关键算法,提出了使用高层次综合(HLS)工具,即用高级语言直接生成设计的硬件实现的方法,可以大大缩短设计周期。给出了硬件实现的相关指标并进行设计优化,之后利用MATLAB和MODELSIM工具分别验证设计实现的精度和功能正确性。(本文来源于《第十二届全国信号和智能信息处理与应用学术会议论文集》期刊2018-10-19）
韩文俊,凌元,崔炜程[4]（2018）在《基于HLS的Cholesky分解矩阵求逆算法的设计》一文中研究指出针对传统RTL编码在Cholesky分解矩阵求逆等复杂算法FPGA设计时存在开发难度大、设计效率低的问题,研究了高层次综合方法(High Level Synthesis,HLS)在FPGA算法的设计流程及优势,基于HLS实现自相关矩阵的Cholesky分解求逆算法,并进行了相关优化对比,相对于传统设计方式,其消耗资源约增加15%,但设计效率提高3倍以上。(本文来源于《电子技术与软件工程》期刊2018年17期）
钱慧,刘焕林[5]（2018）在《无设备定位的射频层析成像求逆算法研究》一文中研究指出射频层析成像是一种新兴的成像技术,目前可用的重构算法较多,如何选择重构算法对于具体的应用场景十分重要。文中通过搭建无线传感网络进行数据采集,并结合仿真实验从计算时间、图像质量、系统性能和重构图像尺寸四个方面分析了典型的叁种重构算法。实验结果表明,算法之间不存在绝对的好坏之分,线性算子有利于降低计算时间,非线性算子有利于提高图像质量和系统性能。(本文来源于《物联网技术》期刊2018年06期）
梅哲琳[6]（2018）在《基于USRP RIO的MIMO系统矩阵求逆算法的设计与实现》一文中研究指出无线设备的爆炸式增长,对未来无线通信系统的容量提出了更高的要求。多输入多输出(Multi-input Multi-output,MIMO)技术可以有效地提升系统容量,并通过空分多址能够支持更多的设备连接。然而,MIMO中的信号处理需要进行大量的矩阵运算,其中,矩阵求逆是最复杂的矩阵运算。矩阵求逆运算的计算速度直接影响了MIMO系统的实时性,从而影响到整个MIMO系统的性能。所以研究矩阵求逆运算对于MIMO系统的工程实现具有非凡的意义。传统的矩阵求逆是将原始矩阵分解为两个(或几个)简单矩阵的乘积,将原矩阵求逆转换为对简单矩阵求逆。这种求逆方法属于矩阵精确求逆算法,但是因其复杂度高导致运算的实时性差。针对以上问题,本文首先根据MIMO信道特性,探索了一种基于Neumann级数的矩阵近似求逆方法。该方法不直接求取逆矩阵,而是将矩阵的逆矩阵扩展为Neumann级数。然后本文研究了影响矩阵近似求逆的精确度和复杂度的因素,改进了近似初始矩阵的选取方法,减小了计算复杂度。同时为了灵活计算Neumann级数,本文提出了一种迭代计算架构实现对Neumann级数求和项数的灵活控制,从而可以在满足计算精确度的要求下,控制矩阵近似求逆的运算时间。基于通用软件无线电外设(Universal Software Radio Peripheral,USRP)平台,本文实现了Neumann级数矩阵近似求逆,并详细阐述了每个模块的设计方法。然后将矩阵近似求逆模块加入到实际的MIMO系统中,对模块在实际MIMO系统中的可行性进行了验证,实验结果表明,矩阵近似求逆模块能够正常的运行。最后本文测试了矩阵求逆模块对系统性能的提升,基于USRP的矩阵近似求逆比矩阵直接求逆有更高的实时性,且能够带来3.5dB左右的信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR)的提升。(本文来源于《华中科技大学》期刊2018-05-01）
蔺小林,蔺彦玲[7]（2016）在《周期叁对角Toeplitz矩阵的求逆算法及其稳定性》一文中研究指出提出了一种求解周期叁对角Toeplitz矩阵逆的新算法,其思想为通过周期叁对角Toeplitz矩阵的特殊结构,利用矩阵的LU分解,以及矩阵方程的求解方法,先求出逆矩阵的第一列和最后一列,然后依次求出逆矩阵的其他列.该算法不需要对矩阵的各阶顺序主子式进行限制,同时适用于计算机实现的代数系统.算法稳定性较好并且算法复杂性较低,最后通过数值例子验证了算法的有效性和较强的稳定性.(本文来源于《陕西科技大学学报(自然科学版)》期刊2016年03期）
赵祥宇[8]（2016）在《基于Spark平台的大矩阵LU分解及求逆算法的研究与实现》一文中研究指出在很多计算机科学的研究领域中,矩阵求逆运算都是基本模块,在机器学习、图像处理等领域有着广泛的应用。随着计算机科学的不断发展,在当今这个信息爆炸的时代,计算机处理的数据量变得越来越大。因此,矩阵求逆算法的并行化逐渐成为了矩阵操作领域的热门研究方向。随着Spark框架的逐渐成熟,基于Spark平台的机器学习算法也逐渐成为时下的研究热门。当前矩阵求逆的并行算法主要通过以下几种方式来进行：LU分解、SVD分解、QR分解。因为LU分解法在并行化方面相较于SVD分解法以及QR分解法有着一定的优势,所以本文选用LU分解法来求解矩阵的逆矩阵。通过分析Spark平台的计算特点以及LU算法的特性,本文提出了一种基于Spark的并行LU分解及求逆方法。该方法主要包括以下两个步骤：首先,提出了一种基于Spark平台的大矩阵LU分解算法来求解原始矩阵的LU分解。该算法基于并行的LU分解算法将矩阵分解为可以适配到内存中的小块迭代地进行计算,再将结果进行整合来求解矩阵的LU分解。然后根据分解得到的下叁角矩阵以及上叁角矩阵,运用矩阵的分块原理,提出了一种迭代式叁角矩阵求逆算法,将两个叁角矩阵求逆并相乘来求解原始矩阵的逆矩阵。在算法的实现过程中,结合Spark框架的优缺点,提出了叁点优化算法效率的方案,包括：(1)将算法中频繁用到的中间结果缓存到内存中,(2)调优shuffle过程执行效率以及(3)采用非递归方式实现算法。本文提出的基于Spark平台的大矩阵LU分解及求逆算法可以为其他的基于Spark平台的矩阵操作研究者提供一个参考。通过单机可扩展性实验以及集群可扩展性实验,表明本算法具有很好的可扩展性。通过与现有算法进行的对比实验,该算法相较于基于Hadoop框架的矩阵求逆算法性能有了24.6%的提升。(本文来源于《北京交通大学》期刊2016-06-01）
冯双双[9]（2016）在《基于Massive MIMO的矩阵求逆算法研究》一文中研究指出智能手机业务的飞速发展,4G通信网络的商用,很大程度上也改变了人们的通信方式,同时也对下一代无线通信系统的信道容量和传输速率提出了更高的要求。MIMO技术作为LTE系统中的关键技术,能够在不增加频率资源和发射功率的情况下,让系统的信道容量成倍增加。随着系统收发端天线数目的增多,给系统的数据速率和链路可靠性带来了更大的自由度,所以Massive MIMO成为满足下一代无线通信对频谱效率和能量效率要求的不错的选择。Massive MIMO系统带来的这么多的优势都是以基站端(BS)明显增加的计算复杂度为代价的,就复杂度和功率消耗而言,数据检测和预编码成为了是最棘手的问题。迫零(ZF)被认为是Massive MIMO系统预编码和线性检测一个潜在实用的算法,由于BS存在几十甚至上百根天线,矩阵运算的维度大幅增加,而作为预编码和线性检测必不可少的一部分,矩阵求逆将会因为遭受非常大的矩阵运算规模而变得难以实现。所以简化矩阵求逆的设计,降低复杂度对移动通信系统的发展具有重要的意义。矩阵求逆一般分为两类,直接求逆和近似求逆。MIMO系统中直接求逆主要采用Cholesky分解、LU分解、QR分解,然后再求叁角矩阵或者酉矩阵逆的方法。由于Massive MIMO系统的多天线,矩阵求逆复杂度将会随用户数增加而呈数量级的增加。在这种情况下,适用于Massive MIMO系统的基于Neumann级数的近似矩阵求逆被提出,它在复杂度和性能上有个很好的折中,并且在硬件实现上很有优势。针对以上问题,本文主要研究了各种求逆算法的实现与复杂度对比。首先介绍了Massive MIMO系统与矩阵求逆的研究现状,然后分析叁种常规直接求逆算法。第叁章对Massive MIMO系统中不同的收发天线配比对Neumann级数近似矩阵求逆性能的影响进行了研究,通过与直接求逆的误码率(BER)和信号干扰比(SIR)进行对比证明Neumann级数近似求逆可行性;除此之外,也研究了快速更新矩阵求逆的方法以及相应的复杂度,将基于Neumann级数近似求逆的结果作为初始逆矩阵,进行更新求逆的误码率(BER)数值分析。第四章提出有效的近似求逆的硬件架构,这个架构硬件高效,并且适用于需要不同求逆精度的应用场景。基于Neumann级数的近似求逆被证明是是非常适合Massive MIMO系统的。(本文来源于《电子科技大学》期刊2016-05-13）
李应谦[10]（2016）在《Massive MIMO中矩阵求逆算法的研究与实现》一文中研究指出未来十年将爆发式增长的数据传输需求,给通信系统的容量与可靠性等提出了更高的要求。对下一代通信系统5G的通信系统关键技术的研究已经得到深入且广泛的开展。在基站增加了大规模天线的Massive MIMO技术是现在被大量研究的核心技术之一,该技术可以同时支持更多的终端,有效提升系统容量。但是这样做会直接加大下行链路预编码模块中矩阵求逆的维度。本文围绕基站装备大数量的天线,先对线性预编码的性能进行了分析,再对线性预编码中的相关矩阵求逆算法开展研究,主要以资源消耗为重点,实现了低延时的8×8、16×16规模矩阵求逆。首先介绍了Massive MIMO的系统模型和容量,分析了Massive MIMO的通信系统架构。接着从因天线数量上升而会造成影响的预编码模块入手,介绍分析了几种常见的,实际工程应用比较多的线性预编码算法,包括ZF与MMSE算法。并对这两种预编码算法在多天线的环境下进行了仿真。结果表明,在基站装备大量天线时,可以使用相对简单的ZF算法,也能达到不输于MMSE算法的性能。然后对线性预编码中的矩阵求逆算法进行了深入的研究,详细分析了QR、LU、cholesky及Neumann Series近似求逆算法。给出了各个算法的复杂度的对比图,根据设计需求,此文对待求逆的矩阵进行了建模,并依此对这些算法进行了性能仿真。结果表明,使用Neumann Series近似求逆算法可以完成在Massive MIMO系统中高维矩阵的低延时求逆工作。最后,使用确定下来的算法完成了8×8与16×16规模的矩阵求逆的FPGA设计及实现。设计中,通过统计矩阵元素分布,再结合主要使用的IP核资源耗费情况来确定定点位宽,在保证精度的条件下最大程度节省资源。在设计内部的矩阵乘法模块时,通过去掉一些冗余的计算模块,很大程度上节省了DSP资源,减轻布局布线的压力。时序分析结果表示,两种规模的矩阵求逆最大工作时钟频率都能达到350MHz以上,运算延时都在2us以内,8×8与16×16的归一化均方误差分别为-40dB与-27d B,满足高频高速通信的指标要求。(本文来源于《电子科技大学》期刊2016-03-25）
逆算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对城域流量冷热不均问题,提出一种自适应拓扑优化逆算法,并把该算法用于上海电信OTN—平面光层重构项目,创造性地提出本地OTN叁体核心组网架构,在同等网络拓扑资源情况下提升流量疏导能力4倍,以应对流量级数增长带来的严峻挑战。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
逆算法论文参考文献
[1].吴良凯,顾鑫,刘坤,冯龙海.多个含不同质量项的费米子矩阵求逆算法[J].大学物理.2019
[2].陈乐贤,王亦炜.上海电信光层重构的自适应拓扑优化逆算法[J].电信技术.2018
[3].吴梦超,李慧星,高梓欣,谢宜壮.矩阵求逆算法的HLS硬件实现[C].第十二届全国信号和智能信息处理与应用学术会议论文集.2018
[4].韩文俊,凌元,崔炜程.基于HLS的Cholesky分解矩阵求逆算法的设计[J].电子技术与软件工程.2018
[5].钱慧,刘焕林.无设备定位的射频层析成像求逆算法研究[J].物联网技术.2018
[6].梅哲琳.基于USRPRIO的MIMO系统矩阵求逆算法的设计与实现[D].华中科技大学.2018
[7].蔺小林,蔺彦玲.周期叁对角Toeplitz矩阵的求逆算法及其稳定性[J].陕西科技大学学报(自然科学版).2016
[8].赵祥宇.基于Spark平台的大矩阵LU分解及求逆算法的研究与实现[D].北京交通大学.2016
[9].冯双双.基于MassiveMIMO的矩阵求逆算法研究[D].电子科技大学.2016
[10].李应谦.MassiveMIMO中矩阵求逆算法的研究与实现[D].电子科技大学.2016
论文知识图
