[论文解读] Multivariate Rational Approximation Using a Stabilized Sanathanan-Koerner Iteration

Jeffrey M. Hokanson|arXiv (Cornell University)|Sep 22, 2020

Lightning and Electromagnetic Phenomena参考文献 16被引用 6

一句话总结

本文提出了一种稳定化的桑塔纳南-科纳（S-SK）迭代方法，用于多变量有理逼近，克服了经典有理逼近方法中的数值不稳定性。通过使用加权阿诺德迭代构建条件良好的范德蒙德矩阵，该方法在残差范数上显著降低，并在定义域内实现更均匀的精度，优于现有技术。

ABSTRACT

The Sanathanan-Koerner iteration developed in 1963 is classical approach for rational approximation. This approach multiplies both sides of the approximation by the denominator polynomial yielding a linear problem and then introduces a weight at each iteration to correct for this linearization. Unfortunately this weight introduces a numerical instability. We correct this instability by constructing Vandermonde matrices for both the numerator and denominator polynomials using the Arnoldi iteration with an initial vector that enforces this weighting. This Stabilized Sanathanan-Koerner iteration corrects the instability and yields accurate rational approximations of arbitrary degree. Using a multivariate extension of Vandermonde with Arnoldi, we can apply the Stabilized Sanathanan-Koerner iteration to multivariate rational approximation problems. The resulting multivariate approximations are often significantly better than existing techniques and display a more uniform accuracy throughout the domain.

研究动机与目标

• 为解决经典桑塔纳南-科纳（SK）迭代在有理逼近中因迭代加权引入的病态性而产生的数值不稳定性问题。
• 开发一种在单变量和多变量有理逼近中均数值稳定的算法，确保在整个定义域内保持高精度。
• 通过引入一种稳定化的基构造方法，改进现有线性化有理逼近技术，使其更贴近原始的非线性问题。
• 通过使用多变量范德蒙德矩阵构造与阿诺德迭代相结合，将SK迭代扩展至多变量问题，以改善条件数。
• 证明该稳定化方法在残差范数上显著低于最先进的替代方法（如Parametric-AAA和线性化有理逼近）。

提出的方法

• 通过加权阿诺德迭代构建分子和分母的条件良好的多项式基，其中初始向量用于施加SK迭代的加权，以稳定系统。
• 使用阿诺德过程生成多变量多项式的范德蒙德类似矩阵，即使原始系统变得病态，也能确保数值稳定性。
• 通过在每一步求解加权最小二乘问题来应用稳定化迭代：最小化包含前一迭代分母作为权重的系统矩阵的范数。
• 采用奇异值分解（SVD）高效且稳健地求解线性化子问题，避免收敛至不良局部极小值。
• 通过使用张量积网格和基于相同稳定化阿诺德框架构建的多变量范德蒙德矩阵，将该方法扩展至多变量有理逼近。
• 采用经典格拉姆-施密特方法并结合迭代修正，以提高基矩阵构造的数值精度。

实验结果

研究问题

• RQ1 通过重构基构造，能否有效缓解经典桑塔纳南-科纳迭代的数值不稳定性？
• RQ2 使用加权阿诺德迭代构建范德蒙德矩阵，是否能在单变量和多变量设置下实现更准确、更稳定的有理逼近？
• RQ3 在基准问题上，稳定化SK迭代与Parametric-AAA和线性化有理逼近相比，在残差范数和精度分布上表现如何？
• RQ4 该稳定化方法是否能在整个定义域内实现一致的低误差，特别是在其他方法失效或出现大误差的区域？
• RQ5 在高维有理逼近问题中，该稳定化方法相较于现有技术，残差范数降低的幅度有多大？

主要发现

• 在单参数Penzl模型上，稳定化SK迭代的残差范数为0.0189，约为Parametric-AAA（0.238）的十分之一，以及线性化有理逼近（2.203）的百分之一。
• 在双参数Penzl模型中，稳定化SK迭代在度数(11,7,6)时将残差范数降低至0.0291×10⁻⁷，优于Parametric-AAA（8.54×10⁻⁶）和线性化逼近（1.59×10⁻⁵）一个数量级以上。
• 该方法生成的有理逼近在定义域内具有更均匀的精度，避免了Parametric-AAA在插值点附近出现的局部精度峰值。
• 在多个度数和参数范围内，该稳定化方法始终优于Parametric-AAA和线性化有理逼近，残差范数更低。
• 基于加权阿诺德的范德蒙德矩阵有效稳定了SK迭代，即使在原始系统数值不稳定时也能防止病态性。
• 该算法在多种随机初始条件下均表现出稳健的收敛性，避免了Levenberg-Marquardt等非线性最小二乘求解器常见的不良局部极小值问题。