【NA】Hessenberg阵的QR迭代法
- 前面已经介绍了Householder镜面反射变换以及QR迭代法,一种求解一般实矩阵特征值的方法是:第一步使用Householder变换将其约化为上海森伯格矩阵,第二步对其使用基于Givens变换的QR迭代法。
文章目录
- 正文.
- 补充.
正文.
- 给定一个上Hessenberg矩阵(以下简称海氏矩阵),其结构如下所示:A=[a11a12a13⋯a1na21a22a23⋯a2n0a23a33⋯a3n⋮⋮⋱⋱⋮00⋯an−1,nann]A=\left[ \begin{matrix} a_{11} & a_{12} & a_{13} & \cdots & a_{1n} \\ a_{21} & a_{22} & a_{23} & \cdots & a_{2n} \\ 0 & a_{23} & a_{33} & \cdots & a_{3n} \\ \vdots& \vdots& \ddots & \ddots & \vdots\\0 & 0 & \cdots& a_{n-1,n} & a_{nn} \end{matrix} \right]A=⎣⎢⎢⎢⎢⎢⎡a11a210⋮0a12a22a23⋮0a13a23a33⋱⋯⋯⋯⋯⋱an−1,na1na2na3n⋮ann⎦⎥⎥⎥⎥⎥⎤
- 基于Givens变换对其进行QR分解,第一次迭代构造平面旋转变换矩阵 P1P_1P1 使得a11←v1a_{11}\leftarrow v_1a11←v1a21←0a_{21}\leftarrow0a21←0因此 P1P_1P1 的结构如下所示:P1=[cosθ−sinθ0⋯0sinθcosθ0⋯0001⋯0⋮⋮⋮⋱⋮000⋯1]P_1=\left[ \begin{matrix} \cos\theta & -\sin\theta & 0 & \cdots &0 \\ \sin\theta & \cos\theta & 0 & \cdots & 0 \\ 0 & 0 & 1 & \cdots & 0 \\ \vdots& \vdots& \vdots & \ddots & \vdots\\ 0 & 0 & 0& \cdots & 1 \end{matrix} \right]P1=⎣⎢⎢⎢⎢⎢⎡cosθsinθ0⋮0−sinθcosθ0⋮0001⋮0⋯⋯⋯⋱⋯000⋮1⎦⎥⎥⎥⎥⎥⎤其中cosθ=a11a112+a212,sinθ=a21a112+a212\cos\theta=\frac{a_{11}}{\sqrt{a_{11}^2+a_{21}^2}}~,~\sin\theta=\frac{a_{21}}{\sqrt{a_{11}^2+a_{21}^2}}cosθ=a112+a212a11 , sinθ=a112+a212a21于是第一左变换后得到的矩阵P1AP_1AP1A 的结构如下所示:P1A=[v1a12a13⋯a1n0a22a23⋯a2n0a23a33⋯a3n⋮⋮⋱⋱⋮00⋯an−1,nann]P_1A=\left[ \begin{matrix} v_{1} & a_{12} & a_{13} & \cdots & a_{1n} \\ 0 & a_{22} & a_{23} & \cdots & a_{2n} \\ 0 & a_{23} & a_{33} & \cdots & a_{3n} \\ \vdots& \vdots& \ddots & \ddots & \vdots\\0 & 0 & \cdots& a_{n-1,n} & a_{nn} \end{matrix} \right]P1A=⎣⎢⎢⎢⎢⎢⎡v100⋮0a12a22a23⋮0a13a23a33⋱⋯⋯⋯⋯⋱an−1,na1na2na3n⋮ann⎦⎥⎥⎥⎥⎥⎤经过 n−1n-1n−1 次左变换后,我们得到一个上三角阵,即为QR分解中的 RRR,记QT=∏i=1n−1PiQ^T=\prod^{n-1}_{i=1}P_iQT=i=1∏n−1Pi则有QTA=RQ^TA=RQTA=R对其标记上迭代次数,写为Q1TA1=R1(1)Q_1^TA_1=R_1\tag{1}Q1TA1=R1(1)根据QR迭代法构造矩阵序列公式Ak+1=RkQk(2)A_{k+1}=R_kQ_k\tag{2}Ak+1=RkQk(2)我们得到 A2A_2A2 的表达式:A2=R1Q1=Q1TA1Q1=∏i=1n−1Pi⋅A1⋅∏i=1n−1PiT(3)A_2=R_1Q_1=Q_1^TA_1Q_1=\prod^{n-1}_{i=1}P_i·A_1·\prod^{n-1}_{i=1}P_i^T\tag{3}A2=R1Q1=Q1TA1Q1=i=1∏n−1Pi⋅A1⋅i=1∏n−1PiT(3)
- 根据 (3)(3)(3) 式我们发现,如果对 A1A_1A1 同时进行左变换和右变换,即可得到下一个迭代矩阵 A2A_2A2,并且考察其结构不难发现,A2A_2A2 也是一个海氏矩阵,反复应用上述变换就产生相似于 AAA 的海氏矩阵序列 {Ak}\{A_k\}{Ak},根据上篇中给出的QR迭代法收敛性证明可知,当 an,n−1a_{n,n-1}an,n−1 充分小时,认为此时 ann≈λna_{nn}\approx\lambda_nann≈λn 是近似特征值,之后对于前 n−1n-1n−1 阶矩阵 A[1:n−1,1:n−1]A[1:n-1,1:n-1]A[1:n−1,1:n−1]继续进行QR迭代法即可获得其余近似特征值。
- 充分小的判断准测通常采用:
①∣an,n−1∣≤ϵ∣∣A∣∣∞;②∣an,n−1∣≤ϵ⋅min{∣ann∣,∣an−1,n−1∣}.①~|a_{n,n-1}|≤\epsilon||A||_{\infin}~;~②~|a_{n,n-1}|≤\epsilon·\min\{|a_{nn}|,|a_{n-1,n-1}|\}.① ∣an,n−1∣≤ϵ∣∣A∣∣∞ ; ② ∣an,n−1∣≤ϵ⋅min{∣ann∣,∣an−1,n−1∣}.
其中 ϵ=10−t\epsilon=10^{-t}ϵ=10−t,ttt 是计算时的有效数字位数。
补充.
- 在QR迭代法收敛性证明时,得到其收敛因子rn=∣λnλn−1∣r_n=\Big|\frac{\lambda_n}{\lambda_{n-1}}\Big|rn=∣∣∣λn−1λn∣∣∣当其近似为 111 时收敛较慢,可以采用原点位移策略加速收敛,即对矩阵 A−s⋅EA-s·EA−s⋅E 应用QR迭代法。
- 在QR分解过程中,每一次Givens变换 PAPAPA 实际只对 222 行元素有影响,这样的变换共进行了 n−1n-1n−1 次,对于海氏矩阵进行基于Givens变换的QR分解时间复杂度是 O(n2).O(n^2).O(n2).
【NA】Hessenberg阵的QR迭代法相关推荐
- 严格对角占优矩阵特征值_严格对角占优矩阵与SOR迭代法的收敛性定理.pdf
严格对角占优矩阵与SOR迭代法的收敛性定理 第34卷第1期 长春理工大学学报(自然科学版) Vol.34 No. 1 20 11年3月 Journal of Changchun University ...
- 2020-2021的瞻前顾后
2020下半年主要精力投注在机器学习方面,个人比较喜欢基于统计理论以及形式化基础较好的模型,能够有很好的解释性,或是对一个问题建立数学模型,而后尝试求解模型中的参数:或是对一个无法求解的问题引入某些先 ...
- 【NA】基于QR分解的特征值迭代法
Francis于1961-1962年利用矩阵的QR分解建立了计算矩阵特征值的QR方法,是计算中小型矩阵全部特征值的最有效方法之一. 本篇的主线是第一部分介绍QR分解,第二部分介绍从QR分解引出的特征值 ...
- 【NA】Householder变换
1958年,豪斯荷尔德提出用镜像反射阵将一般实矩阵 A∈Rn×nA\in R^{~n\times n}A∈R n×n 正交变换为上Hessenberg阵,将实对称阵正交变换为实对称三对角阵,进一步使用 ...
- QR分解求矩阵全部特征值
QR算法求矩阵全部特征值的基本思想是利用矩阵的QR分解通过迭代格式 将A=A1化成相似的上三角阵,从而求出矩阵A的全部特征值. QR方法的计算步骤如下: 下面就依次进行介绍. 一. 将一般矩阵化为上H ...
- 基于QR分解迭代求解方阵特征值和特征向量
基于QR分解迭代求解方阵特征值和特征向量 一.特征值与特征向量求解的难点 线性代数的知识告诉我们如果要求一个方阵的特征值,只需要求解如下的特征方程的根即可: f ( λ ) = ( λ − λ 1 ) ...
- (转)QR分解求矩阵的全部特征值
QR算法求矩阵全部特征值的基本思想是利用矩阵的QR分解通过迭代格式 将A=A1化成相似的上三角阵,从而求出矩阵A的全部特征值. QR方法的计算步骤如下: 下面就依次进行介绍. 一. 将一般矩阵化为上H ...
- QR法求解特征值特征向量
一 QR原理 理论依据:任意一个非奇异矩阵(满秩的方阵)A都可以分解为一个正交矩阵Q和一个上三角矩阵R的乘积,且当R对角元符号确定时,分解是唯一的.QR分解是一种迭代方法,迭代格式如下: 当Ak基本收 ...
- 【矩阵论】2. 矩阵分解——正定阵分解
矩阵论 1. 准备知识--复数域上的矩阵与换位公式) 1. 准备知识--复数域上的内积域正交阵 1. 准备知识--相似对角化与合同&正定阵 2. 矩阵分解-- SVD准备知识--奇异值 2. ...
最新文章
- 2020-11-29(准备考试)
- left join和left outer join的区别
- 【渝粤题库】广东开放大学 物业财税管理基础 形成性考核
- kafka部分重要参数配置-broker端参数
- 支持商用吗_可商用的插画素材 | 美翻了
- 《从零开始学Swift》学习笔记(Day 24)——枚举(Day 24)——枚举
- MATLAB调用USB摄像头实现过程
- python整数类型进制表示_Python数据类型--整型
- etl 不能转换成date_java怎么将date类型转换成datetime类型
- 联想 K5 Pro(L38041)免解锁BL 免rec 保留数据 ROOT Magisk Xposed 救砖 ZUI 5.0.188
- BZOJ2327: [HNOI2011]勾股定理
- mysql 复杂类型_MySQL 复杂数据类型之JSON数据
- 2020年正月初九 那个安检口的女子
- 名企招聘面试考题集锦
- 心无界,牧云端:华为云与人工智能的野望
- html图片隐藏文字,怎样用CSS隐藏图片背景的文字内容
- pandas中merge函数的用法
- linux关闭proftpd服务,Linux ProFTPd安装与卸载详细介绍
- 异步清零和同步清零的区别
- java时间差的百分之二十,java计算时间差及某个时间段数据
热门文章
- mes系统故障_MES系统故障恢复探讨
- CloudComparePCL 基于FPFH特征的SAC-IA算法
- python实现画板_Python3使用PyQt5制作简单的画板/手写板
- 团队建设活动-巅峰故事
- Xilinx K7_Microblaze的Tmrintc定时器中断使用(ISE14.7)
- Trie 字典树【Leo_Jose】
- 099 复习:中值定理习题之型二:有ξ,有a,b ,型三: 有ξ,η
- 洛谷 P3014 [USACO11FEB]牛线Cow Line
- 大消息:虚拟现实已经可以让你互换性别了!
- 车险赔付率分析报告_车险理赔案例分析总结