基于MKL的大型稠密复数矩阵的快速求解方法

技术领域

本发明涉及矩阵求解技术领域，尤其涉及基于MKL的大型稠密复数矩阵的快速求解方法。

背景技术

矩阵是数的排列，复数矩阵指的是元素中含有复数的矩阵，在大型稠密复数矩阵求解运算过程中可应用MKL技术领域。MKL指代英特尔数学核心函数库，IntelMathKernelLibrary英特尔数学核心函数库(英特尔MKL)提供经过高度优化和大量线程化处理的数学例程，面向性能要求极高的科学、工程及金融等领域的应用。

现有的大型稠密复数矩阵的求解方法一般采用设方程组和解方程组的方式进行求解，因此传统的矩阵求解计算过程较为复杂；

现有的大型稠密复数矩阵的快速求解方法的计算求解速度较慢，数据处理能力较差，不能够在基于MKL的基础上，重新简化构建函数集并建立MKL数据模型，有待优化，为此，我们提出基于MKL的大型稠密复数矩阵的快速求解方法。

发明内容

本发明的目的是提供基于MKL的大型稠密复数矩阵的快速求解方法，解决上述背景技术中提出的现有的大型稠密复数矩阵的快速求解方法的计算求解速度较慢，数据处理能力较差，并且传统计算方式较为粗糙，不能够在基于MKL的基础上，重新简化构建函数集并建立MKL数据模型，有待优化的问题。

为了实现上述目的，本发明采用了如下技术方案：

基于MKL的大型稠密复数矩阵的快速求解方法，包括以下步骤：

(1)、参数选取；

(2)、构建函数集；

(3)、构建数据模型；

(4)、求解计算；

(5)、结果验证。

优选的，基于MKL的大型稠密复数矩阵的快速求解方法包括以下具体步骤：

(1)、参数选取

从大型稠密复数矩阵中批量获取数据样本，选取参数组，然后进行特征选取，提取矩阵特征；

(2)、构建函数集

基于上述选取的数矩阵数据样本参数组，进行特征融合，然后依据MKL数据库对每个参数组内部的数据进行排布，构建函数集；

(3)、构建数据模型

通过MKL算法计算上述函数集的特征值，基于特征值由稠密复数矩阵构建稀疏复数矩阵，实行简化重排，并按照数据排布的运算顺序重新建立MKL数据模型；

(4)、求解计算

将原复数矩阵数据样本参数组内部的数据协同代入至MKL数据模型，进行识别计算，输出矩阵求解的计算值；

(5)、结果验证

随机选取大型稠密复数矩阵的参数组，代入至求解计算值，验证所求结果，判断输送结果的准确值，确保结果的准确性。

优选的，步骤(1)的参数选取过程中，选取的参数组为两组或两组以上。

优选的，步骤(2)的构建函数集过程中，函数集具体为复数矩阵函数集。

优选的，该快速求解方法在一个求解过程中，需要将步骤(1)的N组参数组分别代入并重复N次上述步骤(2)-步骤(3)，以便于获取最优MKL数据模型。

本发明至少具备以下有益效果：

该基于MKL的大型稠密复数矩阵的快速求解方法，首先在大型稠密复数矩阵中批量获取数据样本，通过参数组可进行特征选取，提取矩阵特征，方便重新简化构建函数集，基于大型稠密复数矩阵的特征，同时在不改变复数矩阵特征的基础上，简化计算方式，通过MKL算法计算重新排布以便将其转化获得简化的稀疏复数矩阵，有利于提高计算求解速度，避免了大型稠密复数矩阵中大量相同元素的计算，直接构建并应用简单快捷的MKL数据模型，大幅度提高求解速度，克服了现有传统计算方式中数据处理能力的局限性，避免出现处理效率地甚至无法计算的问题，而且该快速求解方法通过选取多组样本参数组，并重复执行述步骤(2)-步骤(3)，能够获取最优MKL数据模型，并且在求解计算步骤后还设置有结果验证步骤，能够验证所求结果，判断输送结果的准确值，确保结果的准确性。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

基于MKL的大型稠密复数矩阵的快速求解方法，包括以下步骤：

(1)、参数选取；

(2)、构建函数集；

(3)、构建数据模型；

(4)、求解计算；

(5)、结果验证。

本方案具备以下工作过程：

该基于MKL的大型稠密复数矩阵的快速求解方法包括以下具体步骤：

(1)、参数选取

从大型稠密复数矩阵中批量获取数据样本，选取参数组，然后进行特征选取，提取矩阵特征；

步骤(1)的参数选取过程中，选取的参数组为两组或两组以上，所组参数选择方便后续进行多次代入计算，以便于获取最优参数组；

(2)、构建函数集

基于上述选取的数矩阵数据样本参数组，进行特征融合，然后依据MKL数据库对每个参数组内部的数据进行排布，构建函数集；

步骤(2)的构建函数集过程中，函数集具体为复数矩阵函数集，复数矩阵函数集与所求解的复数矩阵相对应；

(3)、构建数据模型

通过MKL算法计算上述函数集的特征值，基于特征值由稠密复数矩阵构建稀疏复数矩阵，实行简化重排，并按照数据排布的运算顺序重新建立MKL数据模型；

(4)、求解计算

将原复数矩阵数据样本参数组内部的数据协同代入至MKL数据模型，进行识别计算，输出矩阵求解的计算值；

该快速求解方法在一个求解过程中，需要将步骤(1)的N组参数组分别代入并重复N次上述步骤(2)-步骤(3)，以便于获取最优MKL数据模型；

(5)、结果验证

随机选取大型稠密复数矩阵的参数组，代入至求解计算值，验证所求结果，判断输送结果的准确值，确保结果的准确性。

根据上述工作过程可知：

该基于MKL的大型稠密复数矩阵的快速求解方法，首先在大型稠密复数矩阵中批量获取数据样本，通过参数组可进行特征选取，提取矩阵特征，方便重新简化构建函数集，基于大型稠密复数矩阵的特征，同时在不改变复数矩阵特征的基础上，简化计算方式，通过MKL算法计算重新排布以便将其转化获得简化的稀疏复数矩阵，有利于提高计算求解速度，避免了大型稠密复数矩阵中大量相同元素的计算，直接构建并应用简单快捷的MKL数据模型，大幅度提高求解速度，克服了现有传统计算方式中数据处理能力的局限性，避免出现处理效率地甚至无法计算的问题，而且该快速求解方法通过选取多组样本参数组，并重复执行述步骤(2)-步骤(3)，能够获取最优MKL数据模型，并且在求解计算步骤后还设置有结果验证步骤，能够验证所求结果，判断输送结果的准确值，确保结果的准确性。

进一步的，步骤(1)的参数选取过程中，选取的参数组为两组或两组以上。

进一步的，步骤(2)的构建函数集过程中，函数集具体为复数矩阵函数集。

进一步的，该快速求解方法在一个求解过程中，需要将步骤(1)的N组参数组分别代入并重复N次上述步骤(2)-步骤(3)，以便于获取最优MKL数据模型。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。