第三十四篇特征多项式法求对称三对角矩阵的特征值

特征多项式

在之前的篇章中介绍过的，一个矩阵的特征值可以形成一个n阶多项式的根，称为“特征多项式”。线性方程的求解方法可以用来求这些根，详情可以翻看我之前写过的文章。但这并不是一个有效方法。还有一些更有效的方法是基于特征多项式的性质，当要求解特征值的矩阵是一个三对角矩阵时，使用这种性质可以很容易求出特征值。因此这种方法与前面描述的Householder法转换成三对角矩阵或Lanczos法转换成三对角矩阵变换结合使用非常方便。

计算三对角矩阵的行列式值

在上一篇中，已经介绍过将矩阵转化为三对角等价的非迭代方法。得到n × n系统的特征值方程为

因此，这个问题就成了求行列式方程的根的问题

虽然我们不能直接找到这些根，但想一下上面方程左边行列式的计算
对于 n = 1

对于 n = 2

对于n = 3

可以看出一个递归关系，使det3(λ)可以简单地从det2(λ)和det1(λ)的值来评估。如果使det0(λ) = 1，一般的递归式可以写成下面这样。

因此，对于任何λ值，都可以很快计算λ，并且如果知道根λ = 0的范围，它的值可以通过二分法来计算。难点是把λ代入方程确保它是一个根。由于第二个方程的“主次方程”所具有的一个特殊性质，即“Sturm序列”性质，使得这个问题变得容易得多。

Sturm序列性质

对于n = 5，第二个方程左边的例子如下:

|a |的主余子式是虚线勾勒出的子矩阵的行列式，即消去[A]的第n行、(n−1)行得到。[A]的λ值和它的余子式的λ值在下面给出。

从上面的推导中得到，它们的根，也就是它们的特征值。从上表可以看出，[A]n， [A]n−1，[A]n−2等的每一个后续的特征值集合总是从前一个集合插值出来的，即[Ai−1]的特征值总是出现在[Ai]的特征值之间的间隙中。对于所有对称[A]，这种分离性质被发现，称为“Sturm序列”性质。
它最有用的结论是，对于任何猜测的λ， i = 0,1,2，···，n时，deti(λ)符号变化的次数等于比λ值小[A]的的特征值数量。当计数符号变化时，应该设置det0(λ) = 1，并规定deti(λ) = 0不算作变化。
对于上面所示的具体例子，假设λ = 4，计算deti(4)， i = 0,1,2，···，5，得出表格

从det0(4) = 1.0开始，沿表向下移动，我们看到5个符号变化，因此有5个特征值小于4。
现在让我们试试λ = 3.5。在本例中，表格是

我们只看到4个符号变化，因此有4个小于3。5的特征值。这两个结果表明，最大特征值在3.5 <λ< 4范围内。下表总结了λ值的选择结果。

程序如下：
本程序使用之前的文章中得出的三对角矩阵，其中有一个主程序和检查收敛的子程序check

#LR转化求特征值
import numpy as np
import B
n=5;j=1;al=2.5;almax=5.0;tol=1e-5;limit=100
det=np.zeros(n+1)
alpha=np.array([2.0,2.0,2.0,2.0,2.0])
beta=np.array([-1.0,-1.0,-1.0,-1.0])
print('主对角线项',alpha)
print('非主对角线项',beta)
print('需要的特征值，1=最大,2=第二大...',j)
print('特征值   行列式的值    少于此值的根的数量')
iters=0;det[n]=1.0;aold=almax
while(True):iters=iters+1det[0]=alpha[0]-alfor i in range(2,n+1):det[i-1]=(alpha[i-1]-al)*det[i-2]-beta[i-2]*beta[i-2]*det[i-3]number=0for i in range(1,n+1):if abs(det[i-1])<1.0e-20:continueif abs(det[i-2])<1.0e-20:sign=det[i-1]*det[i-3]else:sign=det[i-1]*det[i-2]if sign<1.0e-20:number=number+1if number<=n-j:oldl=al;al=0.5*(al+almax)else:almax=al;al=0.5*(oldl+al)if det[n-1]<1.0e-20:number=number-1if j%2==0:number=number-1print('{:13.4e}'.format(al),end='')print('{:13.4e}'.format(det[n-1]),end='    ')print(number)if B.check(al,aold,tol) or iters==limit:breakaold=al
print('迭代到收敛次数',iters)

check

def check(x1,x0,tol):check=not abs(x1-x0)/abs(x0)>tolreturn check

终端输出结果如下

可知，得到的最大特征值为3.7321。

特征多项式法(characteristic polynomial )求特征值(结合lanczos和householder)(python，数值积分)相关推荐

对数字求特征值是常用的编码算法，奇偶特征是一种简单的特征值。对于一个整数，从个位开始对每一位数字编号，个位是1号，十位是2号，以此类推。这个整数在第n位上的数字记作x，如果x和n的奇偶性相同，则记下一
题目内容: 对数字求特征值是常用的编码算法,奇偶特征是一种简单的特征值.对于一个整数,从个位开始对每一位数字编号,个位是1号,十位是2号,以此类推.这个整数在第n位上的数字记作x,如果x和n的奇偶性相 ...
线性代数：如何求特征值和特征向量？
一.特征值和特征向量的定义 1 首先让我们来了解一下特征值和特征向量的定义,如下: 2 特征子空间基本定义,如下: END 二.特征多项式 1 特征多项式的定义,如下: 2 推论:n阶方阵A可逆的充要 ...
C语言使用QR(正交三角)求特征值eigen values(附完整源码)
使用QR正交三角求特征值 QR正交三角头文件qr_decompose.h 使用QR(正交三角)求特征值eigen values的完整源码(定义,实现,main函数测试) QR正交三角头文件qr_dec ...
双步位移求解特征值matlab,数值分析——带双步位移的QR分解求特征值算法
C语言实现数值分析中带双步位移的QR分解求特征值算法. 数值分析(B) 大作业(二) 1.算法设计: ①矩阵的拟上三角化: 对实矩阵A进行相似变换化为拟上三角矩阵A(n 1),其变换矩阵采用 ...
如何用计算机求特征值特征向量,利用QR算法求解矩阵的特征值和特征向量
利用QR算法求解矩阵的特征值和特征向量为了求解一般矩阵(不是那种幼稚到shi的2 x 2矩阵)的特征值．根据定义的话,很可能需要求解高阶方程．．．这明显是个坑．．．高阶方程你肿么破．．．折腾了 ...
matlab输出的特征向量,关于matlab中的eig函数(求特征值和特征向量)(最新整理)
<关于matlab中的eig函数(求特征值和特征向量)(最新整理)>由会员分享,可在线阅读,更多相关<关于matlab中的eig函数(求特征值和特征向量)(最新整理)(3页珍藏版)& ...
python求特征值以及特征向量，并且输出最小特征值对应的特征向量
我们输入一个对角阵 import numpy as np A=np.diag((1,2,3)) #求矩阵特征值以及特征向量 eig_value,eig_vector=np.linalg.eig(rel ...
matlab中求矩阵A的特征向量,matlab层次分析法求特征值及特征向量.doc
层次分析法题目:用方根法求解矩阵A=的最大特征值及其对应的特征向量并将特征向量归一化,对A进行一致性检验. 实验平台:MATLAB R2007a 问题描述:用方根法求解矩阵A 的最大特征值及其特征向 ...
python求向量函数的雅可比矩阵_在python Numpy中求向量和矩阵的范数实例
np.linalg.norm(求范数):linalg=linear(线性)+algebra(代数),norm则表示范数. 函数参数 x_norm=np.linalg.norm(x, ord=None, ...

特征多项式法(characteristic polynomial )求特征值(结合lanczos和householder)(python，数值积分)

第三十四篇特征多项式法求对称三对角矩阵的特征值

特征多项式

计算三对角矩阵的行列式值

Sturm序列性质

特征多项式法(characteristic polynomial )求特征值(结合lanczos和householder)(python，数值积分)相关推荐

最新文章

热门文章

特征多项式法(characteristic polynomial )求特征值(结合lanczos和householder)(python，数值积分)

第三十四篇 特征多项式法求对称三对角矩阵的特征值

特征多项式

计算三对角矩阵的行列式值

Sturm序列性质

特征多项式法(characteristic polynomial )求特征值(结合lanczos和householder)(python，数值积分)相关推荐

最新文章

热门文章

第三十四篇特征多项式法求对称三对角矩阵的特征值