Core Concepts
Die Kernaussage dieses Artikels ist, dass für hinreichend kleine Schrittweiten τ die semi-impliziten Ein-Schritt- und Mehr-Schritt-Inversionsmethoden konvergieren, wobei explizite Bedingungen für τ angegeben werden.
Abstract
Der Artikel analysiert die Konvergenz von Ein-Schritt- und Mehr-Schritt-Inversionsmethoden für lineare inverse Probleme, bei denen die zugehörigen Vorwärts- und Adjungiertenprobleme iterativ gelöst werden.
Zunächst werden die Grundlagen der Methoden erläutert, insbesondere die semi-impliziten Varianten mit Regularisierung. Dann wird die Konvergenzanalyse für den Ein-Schritt-Fall durchgeführt, indem das Eigenwertproblem des Blockiterationsmatrixes untersucht wird. Es werden hinreichende Bedingungen an die Schrittweite τ abgeleitet, damit alle Eigenwerte innerhalb des Einheitskreises liegen und somit die Konvergenz garantiert ist.
Anschließend wird der Mehr-Schritt-Fall analysiert, wobei ähnliche Techniken verwendet werden. Auch hier werden explizite Schranken für τ angegeben, die die Konvergenz sicherstellen.
Numerische Experimente für ein 2D Helmholtz inverses Problem illustrieren, dass sehr wenige innere Iterationen ausreichen, um eine gute Konvergenz der Inversionsmethoden zu erreichen, selbst bei verrauschten Daten.
Stats
Die Konvergenz der Methoden hängt von den Normen der beteiligten Operatoren B, M und H sowie dem Regularisierungsparameter α ab.
Quotes
"Für hinreichend kleine Schrittweite τ konvergieren die semi-impliziten Ein-Schritt- und Mehr-Schritt-Inversionsmethoden."
"Sehr wenige innere Iterationen sind ausreichend, um eine gute Konvergenz der Inversionsmethoden zu erreichen, selbst bei verrauschten Daten."