矩阵特征值的数值解法
特征值的数值解
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUKEwiKtIiKo5byAhU-ITQIHQDPDLAQFnoECC4QAw&url=https%3A%2F%2Fwww.math.tamu.edu%2F~dallen%2Flinear_algebra%2Fchpt6.pdf&usg=AOvVaw34g7kDAuOx6I6ibjzOVzkr
特征值问题的数值解的稳定性
矩阵元素的微小变化,并不会导致特征值的微小变化。如果矩阵有微小变化且矩阵对称,那么特征值也有微小变化。因此在应用中,对称矩阵的数值解非常精确。
stability theorem:矩阵A,误差矩阵E,A与E为实对称矩阵,则A的特征值与A+E的特征值以及E的关系为(λ1−λ1^)2+(λ2−λ2^)2+...+(λn−λn^)2≤∣∣E∣∣F2(\lambda_1-\hat{\lambda_1})^2+(\lambda_2-\hat{\lambda_2})^2+...+(\lambda_n-\hat{\lambda_n})^2 \leq ||E||^2_F(λ1−λ1^)2+(λ2−λ2^)2+...+(λn−λn^)2≤∣∣E∣∣F2。
由定理可得推论 stability corollary:(λk−λk^)2≤(λ1−λ1^)2+(λ2−λ2^)2+...+(λn−λn^)2≤∣∣E∣∣F2(\lambda_k-\hat{\lambda_k})^2 \leq (\lambda_1-\hat{\lambda_1})^2+(\lambda_2-\hat{\lambda_2})^2+...+(\lambda_n-\hat{\lambda_n})^2 \leq ||E||^2_F(λk−λk^)2≤(λ1−λ1^)2+(λ2−λ2^)2+...+(λn−λn^)2≤∣∣E∣∣F2,因此(λk−λk^)2≤∣∣E∣∣F2(\lambda_k-\hat{\lambda_k})^2 \leq ||E||^2_F(λk−λk^)2≤∣∣E∣∣F2。即如果矩阵有微小变化且矩阵对称,那么特征值绝对误差很小。
但尽管绝对误差∣λk−λk^∣|\lambda_k-\hat{\lambda_k}|∣λk−λk^∣很小,相对误差∣λk−λk^∣∣λk∣\frac{|\lambda_k-\hat{\lambda_k}|}{|\lambda_k|}∣λk∣∣λk−λk^∣也可能很大。
幂方法power method
在实际中想要找到A的近似矩阵A+E很难,因此在实际中会针对不同的矩阵如对称,三对角等一些特殊矩阵分别设计各自的算法。
幂方法条件:条件1——n方阵有n个独立的特征值,条件2——∣λ1∣>∣λ2∣≥∣λ3∣≥∣λ4∣...≥∣λn∣|\lambda_1| > |\lambda_2| \geq |\lambda_3| \geq |\lambda_4| ... \geq |\lambda_n|∣λ1∣>∣λ2∣≥∣λ3∣≥∣λ4∣...≥∣λn∣,λ1\lambda_1λ1为主特征值值。注意只需要保证第一个为大于号即可。
domain eigenvalue:n个独立的特征值取绝对值时,最大的特征值为主特征值。
满足两个条件的矩阵A,特征向量为V1,...,Vn{V_1,...,V_n}V1,...,Vn
X0=c1V1+...+cnVnX_0 = c_1V_1 + ... + c_nV_nX0=c1V1+...+cnVn
AX0=c1λ1V1+...+cnλnVnAX_0 = c_1\lambda_1 V_1 + ... + c_n\lambda_n V_nAX0=c1λ1V1+...+cnλnVn
AmX0=c1λ1mV1+...+cnλnmVnA^mX_0 = c_1{\lambda_1}^m V_1 + ... + c_n{\lambda_n}^m V_nAmX0=c1λ1mV1+...+cnλnmVn
当m很大时,AmX0λ1m≈c1V1\frac{A^mX_0}{\lambda_1^m} \approx c_1V_1λ1mAmX0≈c1V1
c1≠0c_1\neq 0c1=0,且X0X_0X0不与V1V_1V1正交
AmX0λ1mY≈c1V1Y\frac{A^mX_0}{\lambda_1^m}Y \approx c_1V_1Yλ1mAmX0Y≈c1V1Y
Am+1X0λ1m+1Y≈c1V1Y\frac{A^{m+1}X_0}{\lambda_1^{m+1}}Y \approx c_1V_1Yλ1m+1Am+1X0Y≈c1V1Y
YYY不与V1V_1V1正交,且AmX0λ1mY=Am+1X0λ1m+1Y≠0\frac{A^mX_0}{\lambda_1^m}Y =\frac{A^{m+1}X_0}{\lambda_1^{m+1}}Y \neq 0λ1mAmX0Y=λ1m+1Am+1X0Y=0
两式相除得Am+1X0YAmX0Y≈λ1\frac{A^{m+1}X_0Y}{A^mX_0Y} \approx \lambda_1AmX0YAm+1X0Y≈λ1
幂方法的由来就是因为A的幂。用于幂方法需要先设计出X0X_0X0与YYY。
m从1开始往下不断计算,直到满足∣λ1calc−λ1actual∣|\lambda_1^{calc} - \lambda_1^{actual}|∣λ1calc−λ1actual∣很小,但我们并不知道λ1actual\lambda_1^{actual}λ1actual。
对于实对称矩阵∣λ1calc−λ1actual∣≤AX∗AXX∗X−(λ1calc)2,X=AmX0,λ1calc=AX∗XX∗X|\lambda_1^{calc} - \lambda_1^{actual}| \leq \sqrt{\frac{AX*AX}{X*X}-(\lambda_1^{calc})^2}, X=A^mX_0,\lambda_1^{calc}=\frac{AX*X}{X*X}∣λ1calc−λ1actual∣≤X∗XAX∗AX−(λ1calc)2,X=AmX0,λ1calc=X∗XAX∗X,误差阈值需要事先确定,当AX∗AXX∗X−(λ1calc)2\sqrt{\frac{AX*AX}{X*X}-(\lambda_1^{calc})^2}X∗XAX∗AX−(λ1calc)2小于阈值时,停止计算。
对于实非对称矩阵En+1=λ1calcn−λ1calcn+1λ1calcn+1E_{n+1} = \frac{\lambda_1^{calc n} - \lambda_1^{calc n+1}}{\lambda_1^{calc n+1}}En+1=λ1calcn+1λ1calcn−λ1calcn+1,误差阈值需要事先确定,当En+1E_{n+1}En+1小于阈值时,停止计算。
计算出主特征值后,计算下一个特征值。
B=A−λ1V1∣V1∣V1∣V1∣TB = A- \lambda_1 \frac{V_1}{|V_1|} \frac{V_1}{|V_1|}^TB=A−λ1∣V1∣V1∣V1∣V1T,B的特征值为0,λ2,λ3,...,λn0, \lambda_2,\lambda_3,...,\lambda_n0,λ2,λ3,...,λn
B的特征值与A一样,对B使用幂方法就可以算出A的下一个特征值。
这种方法称为method of deflation。但是还需要求出主特征值对应的特征向量。
特征对eigenpair:特征值与对应的特征向量组成特征对。
QR method
A=QRA=QRA=QR,Q为正交矩阵,R为上三角矩阵,Q为实数方阵
QT=Pn−1Pn−2...P2P1Q^T = P_{n-1}P_{n-2}...P_2P_1QT=Pn−1Pn−2...P2P1, R=Pn−1Pn−2...P2P1AR=P_{n-1}P_{n-2}...P_2P_1AR=Pn−1Pn−2...P2P1A,P为正交矩阵也是householder矩阵
这个定义我没看懂,不影响对方法的理解。
$A_1,...,A_m,Q_1,...,Q_m,R_1,...,R_m$的定义如下:
step1: $A_1=A, Q_1=Q, R_1=R$
step2: $A_2=R_1Q_1, A_2=Q_2R_2$
step3: $A_3=R_2Q_2, A_3=Q_3R_3$
step4: $A_m=R_{m-1}Q_{m-1}, A_m=Q_mR_m$
m越大,AmA_mAm越接近一个三角矩阵,AmA_mAm的特征值越接近A
通过PkP_kPk将A逐步化为上三角矩阵
Pn−1..P1AP_{n-1}..P_1APn−1..P1A为一个上三角矩阵
PkP_kPk的构造
householder矩阵:H=I−2VVT,∣V∣=1H=I-2VV^T, |V|=1H=I−2VVT,∣V∣=1,householder矩阵也是正交矩阵
如果实对称矩阵A的特征值满足∣λ1∣>∣λ2∣>...>∣λn∣>0|\lambda_1|>|\lambda_2|>...>|\lambda_n|>0∣λ1∣>∣λ2∣>...>∣λn∣>0,A_m为A的QR分解得到的上三角矩阵,A的特征值就是Am的对角线的元素。
矩阵特征值的数值解法相关推荐
- 线性代数方程组数值解法
线性代数方程组的数值解法 线性代数方程组数值解法 一.向量范数与矩阵范数 1.1 向量范数 1.1.1 满足三个条件(向量范数公理) 1.1.2 常用的向量范数 1.2 矩阵范数 1.2.1 矩阵范数 ...
- 数值计算方法第三章—线性方程组的数值解法知识点总结
线性方程组的数值解法 本文参考书为马东升著<数值计算方法> 高斯消去法 顺序高斯消去法 通过初等变换消去方程组系数矩阵主对角线以下的元素,而使方程组化为等价的上三角形方程组 列主元高斯消去 ...
- 第8章 矩阵特征值问题计算
第8章 矩阵特征值问题计算 8.1 引 言 物理.力学和工程技术中的很多问题在数学上都归结为求矩阵特征值问题.例如,振动问题(大型桥梁或建筑物的振动.机械的振动.电磁振荡等),物理学中某些临界值的确定 ...
- 使用MTL库求解矩阵特征值和特征向量
关于矩阵的特征值和特征向量求解,大部分的数学运算库都进行了提供,下面是使用MTL库的接口进行封装. #include <mtl/matrix.h> #include <mtl/mtl ...
- python计算机器人运动学分析_V-rep学习笔记:机器人逆运动学数值解法(The Jacobian Transpose Method)...
机器人运动学逆解的问题经常出现在动画仿真和工业机器人的轨迹规划中:We want to know how the upper joints of the hierarchy would rotate ...
- 一节双曲型方程基于MATLAB的求解,双曲方程基于matlab的数值解法
<双曲方程基于matlab的数值解法>由会员分享,可在线阅读,更多相关<双曲方程基于matlab的数值解法(9页珍藏版)>请在人人文库网上搜索. 1.双曲型方程基于MATLAB ...
- 矩阵“特征值”要表示什么“特征”
从很多年前接触到"特征值"这个词开始,我就一直有个疑问没搞明白,为啥矩阵 "特征值"和"特征向量"中的"特征",与我们日 ...
- 偏微分方程数值解法python_基于python求解偏微分方程的有限差分法资料
基于python求解偏微分方程的有限差分法资料 Computer Era No. 11 2016 0 引言 在数学中, 偏微分方程是包含多变量和它们的偏 导数在内的微分方程.偏微分方程通常被用来求解 ...
- 计算方法(六):常微分方程初值问题的数值解法
文章目录 常微分方程初值问题的数值解法 欧拉(Euler)方法与改进欧拉方法 欧拉方法 欧拉公式的局部截断误差与精度分析 改进欧拉方法 龙格-库塔(Runge-Kutta)法 构造原理 经典龙格-库塔 ...
- 二阶椭圆型第一边值问题的数值解法(五点差分格式和有限体积法)附matlab代码
二阶椭圆型第一边值问题的数值解法(五点差分格式和有限体积法)附matlab代码 这里我们介绍五点差分格式和有限体积法求椭圆型第一边值问题, 题目: 分别采用矩形网格的五点差分格式和有限体积法求椭圆型第 ...
最新文章
- 简单介绍Go语言错误处理异常捕获+异常抛出
- ActivityRecord、TaskRecord、ActivityStack相互关系以及Activity启动模式
- 利用simhash计算文本相似度
- [z]IE6各种不兼容问题
- CentOS 7.2修改网卡名称
- sqlite字段是否存在_【漏洞预警】Linux内核存在本地提权漏洞(CVE20198912)
- Golang——结构体创建与初始化、结构体与数组、结构体与切片、结构体与map、结构体作为函数参数、结构体方法、结构体方法继承
- mysql php宝塔 root_宝塔面板,脚本命令
- Array.forEach
- 第五周课程总结试验报告三
- oracle日期的sql,Oracle中一些和日期有关的SQL查询
- cactiez mysql_CactiEz 无法登陆 、重启不画图处理
- echart横坐标_echart横坐标显示问题
- 深入理解JavaScript运行机制
- java环信后端接口
- Python有道智云API图片文字识别
- 同源策略和跨域解决方案
- Delaunay三角剖分
- 关于HTML的相关标签
- 三极管3种基础接法比较
热门文章
- MySQL的NoSQL扩展插件HandlerSocket
- 电路逻辑门图形符号汇总
- 学习计算机组装与维护的意义,学习计算机组装维护的目的与心得体会!
- SpringMVC笔记--5处理响应数据ModelAndView
- ajax获取modelandview,如何使用js获取ModelAndView值
- Microsoft Visio 2003下载
- [反汇编练习] 160个CrackMe之016
- 静态页面模板,比较不错的网站,效果比较多,html代码可以直接下载即可
- FL Studio 20.9水果编曲软件中文汉化补丁包
- 读书笔记:《管理的常识》