On the Iterative Refinement of Least Squares Solutions
最小二乘解的迭代精化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：摘要研究线性最小二乘的数值算法，未提供面板、时间序列、金融或其他所列领域的直接依据。
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…
关注这篇论文的作者
最小二乘解的迭代精化
- 研究问题
- 如何通过迭代精化提高线性最小二乘问题的数值求解精度，并以较简单的分解方式处理高度病态问题？
- 方法与思路
- 作者改写既有算法的代数形式，使 Cholesky 分解能够替代 Householder 三角化，并在迭代中利用残差向量。
- 材料陈述的贡献
- 摘要称算法在 IBM 1620 上经过测试，对高度病态问题也表现出较好的精度与效率，残差向量是其成功的主要因素。
- 阅读关注点
- 应核对迭代更新式、数值精度安排和停止规则，以及两种分解的比较条件、病态程度与精度效率的衡量方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；历史硬件上的测试不能直接说明现代实现的性能或普遍稳定性。
原文摘要
An iterative algorithm for solving linear least squares problems has been developed and tested on an IBM 1620 computer. This article traces the development of the algorithm from that described by Björck and Golub [1] to the present, and shows how, with a slight change in algebra, the Householder triangularization may be replaced equally successfully by the simpler method of Cholesky factorization. The algorithm appears accurate and efficient even for highly ill-conditioned problems. Use of the residual vector in the iteration process is the main source of the algorithm's success.