260 likes | 344 Views
現階段最佳承繼式低相關化方法之選定. 指導教授:許榮欣教授 學生:張伯偈 報告日期: 2004/04/30. 前言. 經歷一連串之探討與實驗之後,對於以二維低相關化 技巧解整週波數未定值矩陣之應用已有初步之成果。本 次報告之重點即著重於從可用性的觀點及對於運算效率 之考量出發來建議使用者採用何種演算方法。. 理論基礎. Least-squares AMBiguity Decorrelation Adjustment ( LAMBDA ) 承繼式二維低相關化技巧 (Successive 2-D Decorrelation Approach).
E N D
現階段最佳承繼式低相關化方法之選定 指導教授:許榮欣教授 學生:張伯偈 報告日期:2004/04/30
前言 • 經歷一連串之探討與實驗之後,對於以二維低相關化 技巧解整週波數未定值矩陣之應用已有初步之成果。本 次報告之重點即著重於從可用性的觀點及對於運算效率 之考量出發來建議使用者採用何種演算方法。
理論基礎 • Least-squares AMBiguity Decorrelation Adjustment(LAMBDA) • 承繼式二維低相關化技巧(Successive 2-D Decorrelation Approach)
主要培養之低相關演算法介紹 • The Minimum Variances Approach • The Least Correlations Method • The Maximum Correlation Approach
The Minimum Variances Approach • 由Teuissen所提出的LAMBDA方法當中,我們可以清楚的見到,在進行低相關化動作的同時,矩陣之對角線元素(此處即為variance)皆會持續的降低,對於方差-協方差矩陣來說,這象徵著整體精度的提升。 • 根據這項特性,許榮欣老師訂出了目標函數 。此外,我們認為在兩次低相關化之間去觀察variance的變化,若是variance削減的越快代表這個操作是越有效的。
轉換前後之方差、協方差矩陣 [1] 目標函數
MVA演算流程 • 1.將每一行元素皆除以同一行之對角線元素 • 2.取出每一行之最大值,存在一維陣列M裡面 • 3.以陣列M裡面之各元素,分別計算其相應之 • 4.取出最大之 ,以其相應之方差、協方差元素進行低相關化 • 5.重複步驟1~4,直到完全低相關化為止
The Least Correlations Method • 既然名為低相關化,意即:經過轉換之後,任二 元素的相關係數值會較轉換前減小,而低相關化就是要根據門檻限制來徹底降低各方差之間的相關性,而得到此先決條件下相關係數最小之待轉換矩陣,根據這個現象所擬出的演算法,我們稱為最小相關法。 • 在許榮欣老師的手稿裡提到:兩個經過低相關轉換後的方差,其轉換之後的相關係數為
若令 • 則 • 要使上式有最小值,則選擇之 必須為一最小值 • 我們可以得知當 之值越小時,則 之值也隨之越小,其搜尋目標剛好與Minimum Variance Approach相反
LCM演算流程 • 1.將每一行元素皆除以同一行之對角線元素 • 2.取出每一行之最小值,存在一維陣列M裡面 • 3.以陣列M裡面之各元素,分別計算其相應之 • 4.檢查矩陣M中各元素是否為有效值,遇到無效值則指定一極大值給它,再進入係數矩陣中遞迴運算 • 5.取出最小之 ,以其相應之方差、協方差元素進行低相關化 • 6.重複步驟1~5,直到完全低相關化為止
The Maximum Correlation Approach • 最大相關係數法之概念在於:「低相關化」即是透過轉換讓矩陣元素間之相關性降低;因此,去針對相關性最高之矩陣元素進行低相關化之動作,以期達成最有效之低相關化運算。 • 將相關係數與低相關化目標函數連結在一起,我們可以得到下列之關係式: [2]
更進一步,許榮欣老師在手稿中將轉換後之矩陣對角線元素寫作:更進一步,許榮欣老師在手稿中將轉換後之矩陣對角線元素寫作: • 以數值之解析來看,當所選取之相關係數小於0.5,而方差間之大小差異也不大時,此演算法將出現遲緩之現象 • 我們可以發現當 愈大以及 愈小時,則相關係數之值將愈大
若我們想跳過直接計算矩陣之相關係數,而以指標來觀察其中目標函數之變化情形,由於牽涉到三項條件,並不容易同時滿足。我們將 拆解成 • 因此將範圍縮小至兩個變數,但是仍然無法以單一個簡單的指標去決定出正確之 。即使我們以(8)式中所推論出 之作為指標,仍然不能保證函數之行為能夠被正確的預測,欲與其他演算法組合使用也有其難度存在
MCA演算流程 • 1.計算整個精度矩陣之相關係數矩陣 • 2.挑選出最大之相關係數 • 3.以相應之有效方差、協方差組合進行低相關化動作 • 4.反覆1~3,運算停止條件為max( )<0.5
最小方差演算法結果令人很驚喜,只花了22次迭代運算便結束低相關化,足足比選擇Sji最小值進行低相關化的Least Correlation Method快了一倍!(LCM花費44次運算),而且與先前預估(並且實際使用後得知)迭代次數最少的「最大相關係數法」相比,只多花了1次運算。 • 從MVA以及MCA兩者的圖形上看來,可以發現最小方差法其trace削減的程度是越來越平緩(以圖形斜率來說),而較最大相關係數法來的穩定。
至於LCM的部分,以趨勢較為平緩的部分來看,在第5~10次之間以及第16~24次之間,參照附表中Sji之值,我們取出5~10附近的部分數據來討論,可以發現:至於LCM的部分,以趨勢較為平緩的部分來看,在第5~10次之間以及第16~24次之間,參照附表中Sji之值,我們取出5~10附近的部分數據來討論,可以發現: • 第四次選中:2425.024 • 第五次選中:441.248 • 第六次選中:681.738 • 第七次選中:716.826 • 第八次選中:896.820 • 第九次選中:1579.760 • 第十次選中:4481.370 • 第十一次選中:15613.008
Sji即為每次迭代過後整體trace之變化量,此演算法是針對Sji最小的來挑選,所以在各個column挑出一個最小值時,若其中最小和最大的Sji差距甚遠的時候,那麼在運算效率上就會明顯的減緩下來;像Minimum Variance Approach在此時就會佔了演算效率上的優勢。
結論 • 在這三種主要培養之低相關演算法中,最小方差法(Minimum Variance Approach)是在程式運作上最為簡單的,不但在運算量上只有最小相關法(Least correlation Method)之1/2不到,其計算之指標亦較最大相關係數法(Maximum Correlation Approach)單純,且矩陣方差和之削減效率相去不遠。因此本篇報告所欲提供給LAMBDA法解相關之使用者的建議是採用最小方差法,為現階段最實用的承繼式二維低相關化操作法。
參考文獻 • [1] Rongshin Hsu,2004,Manuscript p.9 Eq.(28),Eq.(29) • [2] Rongshin Hsu,2004,Manuscript p.11 Eq.(36)
附錄 • MVA trace:(順序由左至右,由上而下,共22次迭代運算) 7.8895e+005 3.5583e+005 1.7736e+005 1.2074e+005 9.1348e+004 7.2996e+004 5.8970e+004 4.7275e+004 3.6604e+004 2.7731e+004 2.1467e+004 1.6618e+004 1.5747e+004 1.4621e+004 1.1742e+004 1.1216e+004 9.4434e+003 9.0249e+003 8.6066e+003 8.1358e+003 7.4555e+003 7.2648e+003
LCM • 由左至右,由上而下,共44次迭代運算: 1.2828e+006 1.233e+006 1.1894e+006 1.0706e+006 1.0295e+006 1.0251e+006 1.0156e+006 1.0085e+006 9.9948e+005 9.8369e+005 9.3887e+005 7.8274e+005 7.8061e+005 5.3054e+005 5.2898e+005 3.2055e+005 3.1764e+005 3.1585e+005 3.0452e+005 3.0366e+005 3.0081e+005 3.0053e+005 3.0016e+005 2.9206e+005 2.425e+005 2.3951e+005 2.0027e+005 1.9588e+005 1.9507e+005 1.9354e+005 1.9313e+005 17032 15651 15020 14977 14839 14184 11705 11539 10328 9647.3 7873.9 7455.5 7264.9
MCA • 由左至右,由上而下,共21次迭代運算: 1.2828e+006 8.6651e+005 6.8803e+005 2.4171e+005 1.7896e+005 1.3858e+005 84660 46938 36266 32349 27390 24104 22230 17893 16773 15068 13794 13434 12005 8484.2 7288.4 7264.9 22個trace值,但其實是21次迭代運算,第一個 1.282e+006是未經低相關化之前的矩陣原始trace值。