Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 106,954,708

 Descent Gradient Methods for Nonsmooth Minimization Problems in Ill-Posed Problems
Tác giả hoặc Nhóm tác giả: Pham Quy Muoi, Dinh Nho Hao, Peter Maass and Michael Pidcock
walgreens pharmacy coupon site promo codes walgreens
Nơi đăng: Journal of Computational and Applied Mathematics; Số: 298;Từ->đến trang: 105-122;Năm: 2016
Lĩnh vực: Khoa học; Loại: Bài báo khoa học; Thể loại: Quốc tế
TÓM TẮT
Descent gradient methods are the most frequently used algorithms for computing regularizers of inverse problems. They are either directly applied to the discrepancy term, which measures the difference between operator evaluation and data or to a regularzied version incorporating suitable penalty terms. In its basic form, gradient descent methods converge slowly.

We aim at extending different optimization schemes, which have been recently introduced for accelerating these approaches, by addressing more general penalty terms. In particular we use a general setting in infinite Hilbert spaces and examine accelerated algorithms for regularization methods using total variation or sparsity constraints.

To illustrate the efficiency of these algorithms, we apply them to a parameter identification problem in an elliptic partial differential equation using total variation regularization.
ABSTRACT
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn