Orthogonalization of vectors with minimal adjustment
以最小调整实现向量正交化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦向量变换、矩阵分解及通用统计应用，未直接对应所列领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
以最小调整实现向量正交化
- 研究问题
- 如何在获得相互正交分量的同时，使每个分量尽量接近其对应的原向量，并保留两者之间的一一对应关系？
- 方法与思路
- 作者提出两种受正交约束的变换，其中一种通过新算法求解，并产生正定矩阵的对角矩阵与相关矩阵分解。
- 材料陈述的贡献
- 摘要称算法收敛至全局最优，并提出共线性诊断、贝叶斯模型平均先验权重设置及多元切比雪夫不等式上界等应用。
- 阅读关注点
- 核对最小调整的目标函数、两种变换的差别及全局收敛条件，检查复制向量不影响其他分量这一性质的适用范围。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；优化准则、证明及应用性能未提供，不能据此断定优于其他正交化方法。
原文摘要
Two transformations are proposed that give orthogonal components with a one-to-one correspondence between the original vectors and the components. The aim is that each component should be close to the vector with which it is paired, orthogonality imposing a constraint. The transformations lead to a variety of new statistical methods, including a unified approach to the identification and diagnosis of collinearities, a method of setting prior weights for Bayesian model averaging, and a means of calculating an upper bound for a multivariate Chebychev inequality. One transformation has the property that duplicating a vector has no effect on the orthogonal components that correspond to nonduplicated vectors, and is determined using a new algorithm that also provides the decomposition of a positive-definite matrix in terms of a diagonal matrix and a correlation matrix. The algorithm is shown to converge to a global optimum.