项目名称: 基于自适应交叉近似的低秩分解算法研究

项目编号: No.61501227

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 无线电电子学、电信技术

项目作者: 陈新蕾

作者单位: 南京航空航天大学

项目金额: 19万元

中文摘要: 基于自适应交叉近似(ACA)的低秩分解算法由于具有计算精度高、不依赖于积分核等优点近年来备受关注,但是这些算法均具有较高的渐近计算复杂度,这成为此类方法在(超)电大电磁目标数值仿真分析中的主要瓶颈。为了解决这一问题,本项目对基于ACA的高效低秩分解算法进行深入研究。首先,通过改进传统的ACA分解算法并借鉴“蝶形算法”的思想,研究出一种基于ACA的新型多层低秩分解技术,可以将迭代求解的计算复杂度降至理想的O(NlogN)或者O(Nlog2N),这里N表示未知量的数目;然后,研究出基于该新型多层低秩分解技术的直接求解算法;在此基础上,与特征基函数法以及多层特征基函数法相结合,通过对缩减矩阵进行快速迭代和直接求解,发展出计算能力更强大的算法;最终将这些新算法应用到实际工程电磁问题中。这对于发展同时具有精度好、效率高、核独立等优点的电磁仿真算法具有重要的理论意义和应用价值。

中文关键词: 电磁计算;积分方程法;矩量法;低秩分解算法;自适应交叉近似

英文摘要: In recent years, the adaptive cross approximation (ACA)-based low-rank decomposition algorithms have attracted considerable attention because they are accurate and integral kernel-independent. However, these algorithms have relatively high asymptotic computational complexities, which is the major bottleneck of solving electrically (ultra-large) large targets. To address this problem, we focus on the more efficient ACA-based low-rank decomposition algorithms in this project. First, by improving the conventional ACA algorithm and referring to the butterfly algorithm, we propose a new ACA-based multilevel low-rank decomposition technique, which can reduce the computational complexity of the iterative solution to the ideal O(NlogN) or O(Nlog2N), where N is the number of unknowns. Then, we propose a more efficient direct algorithm base on the new multilevel low-rank decomposition technique. In addition, we develop more powerful methods by combining the new ACA-based algorithms with the characteristic basis function method (CBFM) and multilevel characteristic basis function method (MLCBFM). Finally, these new methods are applied to solve the electromagnetic practical engineering problems. The study has important theoretical and practical value for the development of the accurate, efficient and kernel-independent electromagnetic simulation algorithms.

英文关键词: Electromagnetic calculation;Integral equation method;Method of moments;Low-rank decomposition algorithm;Adaptive cross approximation

成为VIP会员查看完整内容
0

相关内容

【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
38+阅读 · 2021年8月20日
【开放书】《矩阵流形优化算法》,241页pdf
专知会员服务
93+阅读 · 2021年7月3日
专知会员服务
18+阅读 · 2021年5月16日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
83+阅读 · 2020年12月11日
专知会员服务
72+阅读 · 2020年12月7日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
42+阅读 · 2020年7月29日
【博士论文】基于冲量的加速优化算法
专知
7+阅读 · 2021年11月29日
用狄拉克函数来构造非光滑函数的光滑近似
PaperWeekly
0+阅读 · 2021年10月23日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
求解稀疏优化问题——半光滑牛顿方法
极市平台
45+阅读 · 2019年11月30日
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Simple and Effective Unsupervised Speech Synthesis
Arxiv
2+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
1+阅读 · 2022年4月19日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
11+阅读 · 2018年4月25日
小贴士
相关VIP内容
【博士论文】基于冲量的加速优化算法
专知会员服务
25+阅读 · 2021年11月29日
专知会员服务
22+阅读 · 2021年10月6日
专知会员服务
38+阅读 · 2021年8月20日
【开放书】《矩阵流形优化算法》,241页pdf
专知会员服务
93+阅读 · 2021年7月3日
专知会员服务
18+阅读 · 2021年5月16日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
83+阅读 · 2020年12月11日
专知会员服务
72+阅读 · 2020年12月7日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
42+阅读 · 2020年7月29日
相关资讯
【博士论文】基于冲量的加速优化算法
专知
7+阅读 · 2021年11月29日
用狄拉克函数来构造非光滑函数的光滑近似
PaperWeekly
0+阅读 · 2021年10月23日
【ICML2021】低秩Sinkhorn 分解
专知
9+阅读 · 2021年8月20日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
求解稀疏优化问题——半光滑牛顿方法
极市平台
45+阅读 · 2019年11月30日
从模型到应用,一文读懂因子分解机
AI100
10+阅读 · 2019年9月6日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
相关论文
Simple and Effective Unsupervised Speech Synthesis
Arxiv
2+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
1+阅读 · 2022年4月19日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
Arxiv
11+阅读 · 2018年4月25日
微信扫码咨询专知VIP会员