Courbe convexeIn geometry, a convex curve is a plane curve that has a supporting line through each of its points. There are many other equivalent definitions of these curves, going back to Archimedes. Examples of convex curves include the convex polygons, the boundaries of convex sets, and the graphs of convex functions. Important subclasses of convex curves include the closed convex curves (the boundaries of bounded convex sets), the smooth curves that are convex, and the strictly convex curves, which have the additional property that each supporting line passes through a unique point of the curve.
Absolutely convex setIn mathematics, a subset C of a real or complex vector space is said to be absolutely convex or disked if it is convex and balanced (some people use the term "circled" instead of "balanced"), in which case it is called a disk. The disked hull or the absolute convex hull of a set is the intersection of all disks containing that set. A subset of a real or complex vector space is called a and is said to be , , and if any of the following equivalent conditions is satisfied: is a convex and balanced set.
Espace localement convexeEn mathématiques, un espace localement convexe est un espace vectoriel topologique dont la topologie peut être définie à l'aide d'une famille de semi-normes. C'est une généralisation de la notion d'espace normé. Un espace vectoriel topologique E est dit localement convexe s'il vérifie l'une des deux propriétés équivalentes suivantes : il existe une famille de semi-normes telle que la topologie de E est initiale pour l'ensemble d'applications ; le vecteur nul possède une base de voisinages formée de convexes.
Matrice adjointeEn algèbre linéaire, une matrice adjointe (aussi appelée matrice transconjuguée) d'une matrice M à coefficients complexes est la matrice transposée de la matrice conjuguée de M. Dans le cas particulier où M est à coefficients réels, sa matrice adjointe est donc simplement sa matrice transposée.
Espace uniformément convexeEn mathématiques, un espace uniformément convexe est un espace vectoriel muni d'une norme dont les boules sont « bien arrondies », en un sens plus fort que dans un espace strictement convexe. Tout espace de Banach uniformément convexe est réflexif. Ces espaces comprennent les espaces de Hilbert et les espaces L pour 1 < p < ∞. Un espace uniformément convexe est un espace de Banach — ou seulement, selon les auteurs, un espace vectoriel normé — tel que, pour tout ε > 0, il existe un δ > 0 pour lequel, pour tout couple (x, y) de vecteurs, ou encore : pour tout ε > 0, il existe un η > 0 pour lequel, pour tout couple (x, y) de vecteurs, Le concept de convexité uniforme a été introduit par .
Décomposition en valeurs singulièresEn mathématiques, le procédé d'algèbre linéaire de décomposition en valeurs singulières (ou SVD, de l'anglais singular value decomposition) d'une matrice est un outil important de factorisation des matrices rectangulaires réelles ou complexes. Ses applications s'étendent du traitement du signal aux statistiques, en passant par la météorologie. Le théorème spectral énonce qu'une matrice normale peut être diagonalisée par une base orthonormée de vecteurs propres.
Carré sommableEn mathématiques, une fonction définie sur un espace mesuré Ω et à valeurs dans R ou C est dite de carré sommable ou de carré intégrable si elle appartient à l’espace L(Ω) des fonctions dont l'intégrale du carré (du module dans le cas des nombres complexes) converge sur Ω. Par exemple, une fonction mesurable de R dans C est de carré sommable lorsque l’intégrale suivante (au sens de Lebesgue) converge, c'est-à-dire si elle existe et correspond ainsi à un nombre fini.
Sparse approximationSparse approximation (also known as sparse representation) theory deals with sparse solutions for systems of linear equations. Techniques for finding these solutions and exploiting them in applications have found wide use in , signal processing, machine learning, medical imaging, and more. Consider a linear system of equations , where is an underdetermined matrix and . The matrix (typically assumed to be full-rank) is referred to as the dictionary, and is a signal of interest.
Méthode du gradient conjuguévignette|Illustration de la méthode du gradient conjugué. En analyse numérique, la méthode du gradient conjugué est un algorithme pour résoudre des systèmes d'équations linéaires dont la matrice est symétrique définie positive. Cette méthode, imaginée en 1950 simultanément par Cornelius Lanczos, Eduard Stiefel et Magnus Hestenes, est une méthode itérative qui converge en un nombre fini d'itérations (au plus égal à la dimension du système linéaire).
Conjuguévignette|Représentation géométrique (diagramme d'Argand) de z et de son conjugué z̅ dans le plan complexe. Le conjugué est obtenu par symétrie par l'axe des réels. En mathématiques, le conjugué d'un nombre complexe z est le nombre complexe formé de la même partie réelle que z mais de partie imaginaire opposée. Le conjugué d'un nombre complexe , où a et b sont nombres réels, est noté ou . Dans le plan, le point d'affixe est le symétrique du point d'affixe par rapport à l'axe des abscisses. Le module du conjugué reste inchangé.
Dualité de Pontriaguinevignette|La transformée de Fourier En mathématiques, notamment en analyse harmonique et dans la théorie des groupes topologiques, la dualité de Pontriaguine explique les principales propriétés de la transformée de Fourier.
Optimisation SDPEn mathématiques et en informatique théorique, l'optimisation SDP ou semi-définie positive, est un type d'optimisation convexe, qui étend l'optimisation linéaire. Dans un problème d'optimisation SDP, l'inconnue est une matrice symétrique que l'on impose d'être semi-définie positive. Comme en optimisation linéaire, le critère à minimiser est linéaire et l'inconnue doit également satisfaire une contrainte affine. L'optimisation SDP se généralise par l'optimisation conique, qui s'intéresse aux problèmes de minimisation d'une fonction linéaire sur l'intersection d'un cône et d'un sous-espace affine.
