冯·米塞斯迭代法

冯·米塞斯迭代(Von Mises iteration)用于求解矩阵AAA最大特征值对应的特征向量(Av=λvAv=\lambda vAv=λv)。冯·米塞斯迭代也被称作,阶乘迭代法(Power iteration)。

计算过程

假设矩阵AAA具有特征值λ\lambdaλ,严格大于其他特征值,且向量b0b_0b0​与在最大特征值对应的特征向量方向上具有非零分量(即与该特征向量不正交)。根据迭代公式,计算bkb_kbk​:

最终,bkb_kbk​将收敛到最大特征值对应的特征向量。

证明过程

可以对矩阵AAA进行Jordan对角化,A=VJV−1A=VJV^{ - 1}A=VJV−1。第一个Jordan块对应于AAA的最大特征值。
由于v1v_1v1​…vnv_nvn​线性无关,b0b_0b0​可以写为v1v_1v1​…vnv_nvn​的线性组合:

将递推公式展开,有:

将bkb_kbk​展开:


可知bkb_kbk​与v1v_1v1​同方向,且bkb_kbk​的范数为1,因此bkb_kbk​即为矩阵AAA最大特征值对应的特征向量。

(资料来源:https://en.wikipedia.org/wiki/Power_iteration)

冯·米塞斯迭代法(Von Mises iteration)相关推荐

  1. 路德维希·冯·米塞斯

        路德维希·海因里希·艾德勒·冯·米塞斯(德语:Ludwig Heinrich Edler von Mises,1881年9月29日-1973年10月10日),20世纪著名的经济学大师,卓越的自 ...

  2. 冯米塞斯应力计算的各种形式

    由应力分量计算: σef=12[(σx−σy)2+(σy−σz)2+(σz−σx)2+6(σxy2+σyz2+σzx2)]\sigma_{ef}=\sqrt{\frac{1}{2}[(\sigma_x ...

  3. python symbols函数_有限元平面四边形等差单元python编程

    Part I : 平面四边形等差单元理论部分: 平面四边形等差单元 是由矩形单元 作等参变换(坐标映射)而来. 四边形等参单元的刚度矩阵是二重积分式,我想用Maple求解析解,算了很久也没有算出结果. ...

  4. python随机库函数_python标准库中的随机分布函数

    random.random() 返回一个 随机的浮点数, 值域为 [0.0, 1.0] random.uniform(a, b) 均匀分布 返回一个随机的浮点数N, N的值在a与b之间 等同于 a + ...

  5. 【转】拜占庭政治经济体

    三十几年来,经济学家和密码学家一直在致力于解决同一个问题. 但是他们双方从未认识到自己为对方做出的贡献. 但是原来如何协调社会以及如何确保沟通值得信任是同一个问题,只是措辞不同. 我们在这篇文章中的论 ...

  6. python - 啃书 第七章 模块、包和库 (一)

    概述 在Python中,一个模块(Module)是一个以.py结尾的Python文件,包含了Python对象和语句. 在python中,一切皆对象.数字.字符串.元组.列表.字典.函数.方法.类.模块 ...

  7. 【Python 标准库学习】伪随机数生成库 — random

    欢迎加入 Python 官方文档翻译团队:https://www.transifex.com/python-doc/ 随机函数在很多科学计算中都会用到,比如生成一系列随机数来计算平均值.高斯分布.伽马 ...

  8. python没有random模块_python-random模块

    random --- 生成伪随机数 该模块实现了各种分布的伪随机数生成器. 对于整数,从范围中有统一的选择. 对于序列,存在随机元素的统一选择.用于生成列表的随机排列的函数.以及用于随机抽样而无需替换 ...

  9. 【源码】用主应力线(应力可视化)研究二维应力场

    StressField2D_Investigator_exported Successfully tested on Matlab R2019a and subsequent versions 注意: ...

  10. 科幻电影是人机与艺术融合的智能系统

    对于智能,人们往往太强调理性的一面,而常常忽略了其感性的另一面,殊不知,这个世界却是由数和非数共同构成的. <星际穿越>是人类历史上科幻电影的集大成者,是一部堪称完美的科幻电影.这部电影非 ...

最新文章

  1. Linux下undefined reference to ‘pthread_create’问题解决 zz
  2. 求最值(最大值和最小值)
  3. MySQL的索引学习
  4. 无线传感器主要应用领域及发展趋势
  5. Android自己的自动化测试Monkeyrunner和用法示例
  6. pcap_open 和 pcap_open_live
  7. 我对架构师的理解(如何成为一个合格的架构师)
  8. 广州 智播客 学工部_播客:30岁的水管工如何转变职业并成为全职开发人员
  9. 京东程序员回应“被猝死”;淘宝特价版已提交微信小程序;苹果 M1 单核性能勇超 Intel 11 代 i7|极客头条...
  10. chmod和chown命令的用法
  11. [译] Redux vs. React 的 Context API
  12. 用计算机探索ppt,《用计算器探索规律 2》ppt课件.ppt
  13. Spark入门案例--出租车数据分析
  14. java 分布式任务_分布式定时任务(一)
  15. 425_PICkit2烧写PIC18F4580 MCU
  16. 项目管理术语英汉对照表
  17. C# 利用winrar解压带密码的压缩包
  18. 【PTA】斐波那契数列第n项
  19. Oracle中如何计算时间差
  20. PCA(非常详细)【机器学习】

热门文章

  1. 华为云服务之弹性云服务器ECS的深度使用和云端实践【华为云至简致远】
  2. 数据挖掘工具---Spark SQL使用
  3. Win10创建文件不显示,Windows任务栏idea图标变白
  4. 如何禁止Apache静态文件缓存
  5. 2022保研,我的心路历程(上科大上海交大华南理工)
  6. gazebo教程(八)场景建模
  7. linux系统安装视频播放器,Linux操作系统上安装Mplayer播放器的方法
  8. mysql ubb html_自动闭合HTML/ubb标签函数
  9. GPT2Config
  10. 【ARM 嵌入式 C 入门及渐进 2 -- 向上取整向下取整 linux roundup/round_up】