矩阵代数(五)- 矩阵因式分解
小结
- LU\boldsymbol{LU}LU分解
- LU\boldsymbol{LU}LU分解算法
矩阵A\boldsymbol{A}A的因式分解是把A\boldsymbol{A}A表示为两个或更多个矩阵的乘积。
LU\boldsymbol{LU}LU分解
- 设A\boldsymbol{A}A是m×nm \times nm×n矩阵,它可以行换简为阶梯形而不必行对换(此后,我们将处理一般情形),则A\boldsymbol{A}A可写成A=LU\boldsymbol{A}=\boldsymbol{LU}A=LU,L\boldsymbol{L}L是m×mm \times mm×m下三角矩阵,主对角线全是1,U\boldsymbol{U}U是A\boldsymbol{A}A的一个m×nm \times nm×n阶梯形矩阵。这样一个分解称为**LU\boldsymbol{LU}LU分解**,矩阵L\boldsymbol{L}L是可逆的,称为单位下三角矩阵。
当A=LU\boldsymbol{A}=\boldsymbol{LU}A=LU时,方程Ax=x\boldsymbol{Ax}=\boldsymbol{x}Ax=x可写成L(Ux)=b\boldsymbol{L}(\boldsymbol{Ux})=\boldsymbol{b}L(Ux)=b。把Ux\boldsymbol{Ux}Ux写成y\boldsymbol{y}y,可以由解下面一对方程来求解x\boldsymbol{x}x:{Ly=bUx=y\begin{cases} \boldsymbol{Ly}=\boldsymbol{b} \\ \boldsymbol{Ux} = \boldsymbol{y} \end{cases}{Ly=bUx=y
可以证明A=[3−7−22−35106−40−5−95−512]=[1000−11002−510−3831][3−7−220−2−1200−11000−1]=LU\boldsymbol{A}=\begin{bmatrix}3 & -7 & -2 & 2 \\ -3 & 5 & 1 & 0 \\ 6 & -4 & 0 & -5 \\ -9 & 5 & -5 & 12 \end{bmatrix}=\begin{bmatrix}1 & 0 & 0 & 0 \\ -1 & 1 & 0 & 0 \\ 2 & -5 & 1 & 0 \\ -3 & 8 & 3 & 1 \end{bmatrix}\begin{bmatrix}3 & -7 & -2 & 2 \\ 0 & -2 & -1 & 2 \\ 0 & 0 & -1 & 1 \\ 0 & 0 & 0 & -1 \end{bmatrix}=\boldsymbol{LU}A=⎣⎢⎢⎡3−36−9−75−45−210−520−512⎦⎥⎥⎤=⎣⎢⎢⎡1−12−301−5800130001⎦⎥⎥⎤⎣⎢⎢⎡3000−7−200−2−1−10221−1⎦⎥⎥⎤=LU
应用A\boldsymbol{A}A的LU\boldsymbol{LU}LU分解来解Ax=b\boldsymbol{Ax}=\boldsymbol{b}Ax=b,其中b=[−95711]\boldsymbol{b}=\begin{bmatrix}-9 \\ 5 \\ 7 \\ 11\end{bmatrix}b=⎣⎢⎢⎡−95711⎦⎥⎥⎤。
解:解Ly=b\boldsymbol{Ly}=\boldsymbol{b}Ly=b。
[Lb]=[1000−9−110052−5107−383111]\begin{bmatrix} \boldsymbol{L} & \boldsymbol{b} \end{bmatrix}=\begin{bmatrix}1 & 0 & 0 & 0 & -9 \\ -1 & 1 & 0 & 0 & 5 \\ 2 & -5 & 1 & 0 & 7 \\ -3 & 8 & 3 & 1 & 11 \end{bmatrix}[Lb]=⎣⎢⎢⎡1−12−301−5800130001−95711⎦⎥⎥⎤~[1000−90100−40010500011]=[Iy]\begin{bmatrix} 1 & 0 & 0 & 0 & -9 \\ 0 & 1 & 0 & 0 & -4 \\ 0 & 0 & 1 & 0 & 5 \\ 0 & 0 & 0 & 1 & 1 \end{bmatrix}=\begin{bmatrix} \boldsymbol{I} & \boldsymbol{y}\end{bmatrix}⎣⎢⎢⎡1000010000100001−9−451⎦⎥⎥⎤=[Iy]
对Ux=y\boldsymbol{Ux}=\boldsymbol{y}Ux=y进行行化简的向后步骤。
[Uy]=[3−7−22−90−2−12400−115000−11]\begin{bmatrix} \boldsymbol{U} & \boldsymbol{y} \end{bmatrix}=\begin{bmatrix}3 & -7 & -2 & 2 & -9 \\ 0 & -2 & -1 & 2 & 4 \\ 0 & 0 & -1 & 1 & 5 \\ 0 & 0 & 0 & -1 & 1 \end{bmatrix}[Uy]=⎣⎢⎢⎡3000−7−200−2−1−10221−1−9451⎦⎥⎥⎤~[10003010040010−60001−1]\begin{bmatrix} 1 & 0 & 0 & 0 & 3 \\ 0 & 1 & 0 & 0 & 4 \\ 0 & 0 & 1 & 0 & -6 \\ 0 & 0 & 0 & 1 & -1 \end{bmatrix}⎣⎢⎢⎡100001000010000134−6−1⎦⎥⎥⎤
故x=[34−6−1]\boldsymbol{x}=\begin{bmatrix}3 \\ 4 \\ -6 \\ -1\end{bmatrix}x=⎣⎢⎢⎡34−6−1⎦⎥⎥⎤。
LU\boldsymbol{LU}LU分解的计算依赖于如何求L\boldsymbol{L}L和U\boldsymbol{U}U。
LU\boldsymbol{LU}LU分解算法
设A\boldsymbol{A}A可以化为阶梯形U\boldsymbol{U}U,化简过程中仅用行倍加变换,即把一行的倍数加于它下面的另一行。这样,存在单位下三角初等矩阵E1,⋯ ,Ep\boldsymbol{E_1},\cdots,\boldsymbol{E_p}E1,⋯,Ep使Ep⋯E1A=U\boldsymbol{E_p}\cdots\boldsymbol{E_1}\boldsymbol{A}=\boldsymbol{U}Ep⋯E1A=U。于是A=(Ep⋯E1)−1U=LU\boldsymbol{A}=(\boldsymbol{E_p}\cdots\boldsymbol{E_1})^{-1}\boldsymbol{U}=\boldsymbol{LU}A=(Ep⋯E1)−1U=LU,其中L=(Ep⋯E1)−1\boldsymbol{L}=(\boldsymbol{E_p}\cdots\boldsymbol{E_1})^{-1}L=(Ep⋯E1)−1。可以证明L\boldsymbol{L}L是单位下三角矩阵。
注意将A\boldsymbol{A}A化为阶梯形U\boldsymbol{U}U过程中的行变换,它把A\boldsymbol{A}A化为U\boldsymbol{U}U。这写行变换也把L\boldsymbol{L}L化为I\boldsymbol{I}I,这是因为Ep⋯E1L=Ep⋯E1(Ep⋯E1)−1=I\boldsymbol{E_p}\cdots\boldsymbol{E_1}\boldsymbol{L}=\boldsymbol{E_p}\cdots\boldsymbol{E_1}(\boldsymbol{E_p}\cdots\boldsymbol{E_1})^{-1}=\boldsymbol{I}Ep⋯E1L=Ep⋯E1(Ep⋯E1)−1=I
LU\boldsymbol{LU}LU分解的算法:
- 如果可能的话,用一系列的行倍加变换把A\boldsymbol{A}A化为阶梯形U\boldsymbol{U}U。
- 填充L\boldsymbol{L}L的元素使相同的行变换把L\boldsymbol{L}L变为I\boldsymbol{I}I。
求下列矩阵的LU\boldsymbol{LU}LU分解:A=[24−15−2−4−53−812−5−418−607−31]\boldsymbol{A}=\begin{bmatrix} 2 & 4 & -1 & 5 & -2 \\ -4 & -5 & 3 & -8 & 1 \\ 2 & -5 & -4 & 1 & 8 \\ -6 & 0 & 7 & -3 & 1 \end{bmatrix}A=⎣⎢⎢⎡2−42−64−5−50−13−475−81−3−2181⎦⎥⎥⎤
解:因A\boldsymbol{A}A有4行,故L\boldsymbol{L}L应为4×44 \times 44×4矩阵。L\boldsymbol{L}L的第一列应该是A\boldsymbol{A}A的第一列除以它的第一行主元素:L=[1000−2100110−31]\boldsymbol{L}=\begin{bmatrix} 1 & 0 & 0 & 0 \\ -2 & 1 & 0 & 0 \\ 1 && 1 & 0 \\ -3 & & & 1\end{bmatrix}L=⎣⎢⎢⎡1−21−3010010001⎦⎥⎥⎤
比较A\boldsymbol{A}A和L\boldsymbol{L}L的第一列。把A\boldsymbol{A}A的第一列的后三个元素变成零的行变换同时也将L\boldsymbol{L}L的第一列的后三个元素变成0。
A=[24−15−2−4−53−812−5−418−607−31]\boldsymbol{A}=\begin{bmatrix} \color{red}{2} & 4 & -1 & 5 & -2 \\ \color{red}{-4} & -5 & 3 & -8 & 1 \\ \color{red}{2} & -5 & -4 & 1 & 8 \\ \color{red}{-6} & 0 & 7 & -3 & 1 \end{bmatrix}A=⎣⎢⎢⎡2−42−64−5−50−13−475−81−3−2181⎦⎥⎥⎤~[24−15−20312−30−9−3−410012412−5]\begin{bmatrix} 2 & 4 & -1 & 5 & -2 \\ 0 & \color{red}{3} & 1 & 2 & -3 \\ 0 & \color{red}{-9} & -3 & -4 & 10 \\ 0 & \color{red}{12} & 4 & 12 & -5 \end{bmatrix}⎣⎢⎢⎡200043−912−11−3452−412−2−310−5⎦⎥⎥⎤~[24−15−20312−30002100047]\begin{bmatrix} 2 & 4 & -1 & 5 & -2 \\ 0 & 3 & 1 & 2 & -3 \\ 0 & 0 & 0 & \color{red}{2} & 1 \\ 0 & 0 & 0 & \color{red}{4} & 7 \end{bmatrix}⎣⎢⎢⎡20004300−11005224−2−317⎦⎥⎥⎤~[24−15−20312−30002100005]\begin{bmatrix} 2 & 4 & -1 & 5 & -2 \\ 0 & 3 & 1 & 2 & -3 \\ 0 & 0 & 0 & 2 & 1 \\ 0 & 0 & 0 & 0 & \color{red}{5} \end{bmatrix}⎣⎢⎢⎡20004300−11005220−2−315⎦⎥⎥⎤
上式中标出的元素确定来将A\boldsymbol{A}A化为U\boldsymbol{U}U的行化简。在每个主元列,把标出的元素除以主元后将结果放入L\boldsymbol{L}L:L=[1000−21001−310−3421]\boldsymbol{L}=\begin{bmatrix} 1 & 0 & 0 & 0 \\ -2 & 1 & 0 & 0 \\ 1 & -3 & 1 & 0 \\ -3 & 4 & 2 & 1\end{bmatrix}L=⎣⎢⎢⎡1−21−301−3400120001⎦⎥⎥⎤。
容易证明,所求出的L\boldsymbol{L}L和U\boldsymbol{U}U满足LU=A\boldsymbol{LU} = \boldsymbol{A}LU=A。
矩阵代数(五)- 矩阵因式分解相关推荐
- 2.5 矩阵因式分解(第2章矩阵代数)
主要内容 本节首先讲解了LU分解的意义:用来简化线性方程组的计算过程.接着,根据LU分解的形式,得出了求解LU分解的算法. LU分解的形式和意义 矩阵AAA的因式分解是把AAA表示为两个或更多个矩阵的 ...
- 疯子的算法总结(五) 矩阵乘法 (矩阵快速幂)
学过线性代数的都知道矩阵的乘法,矩阵乘法条件第为一个矩阵的行数等与第二个矩阵的列数,乘法为第一个矩阵的第一行乘以第二个矩阵的第一列的对应元素的和作为结果矩阵的第一行第一列的元素.(详解参见线性代数) ...
- 漫步最优化四十五——矩阵S的生成
想赖着你每一天,\textbf{想赖着你每一天,} 耽误多一秒都不愿意.\textbf{耽误多一秒都不愿意.} 想把你捧在手心,\textbf{想把你捧在手心,} 给你我最奢侈的温柔.\textbf{ ...
- 机器学习中的矩阵向量求导(五) 矩阵对矩阵的求导
在矩阵向量求导前4篇文章中,我们主要讨论了标量对向量矩阵的求导,以及向量对向量的求导.本文我们就讨论下之前没有涉及到的矩阵对矩阵的求导,还有矩阵对向量,向量对矩阵求导这几种形式的求导方法. 本文所有求 ...
- PMP之十五矩阵工具总结
目录 数据分析工具技术 成本效益分析 根本原因分析 挣值分析 假设情景分析 模拟 质量成本(COQ) 决策树分析 储备分析 绩效审查 干系人分析 过程分析 敏感性分析(龙卷风图) 数据收集工具技术 头 ...
- PMP之十五矩阵术语概念总结
概念目录 项目集 项目组合 项目生命周期 事业环境因素 组织过程资产 组织结构类型 项目管理办公室(PMO) 项目经理的权利 项目章程 项目管理计划 开工会议 变更请求(纠正措施.预防措施.缺陷补救. ...
- PMBOK6十五矩阵(原创)
知识领域 项目管理过程组 启动过程组 规划过程组 执行过程组 监控过程组 收尾过程组 4.项目整合管理 4.1.制定项目章程 4.2.制定项目管理计划 4.3.指导与管理项目工作 4.5.监控项目工作 ...
- PMP考试重点总结一——十五矩阵
近期在备考pmp,在此做些重点的笔记,有兴趣的可以参考下.从下篇文章开始将逐一对各个过程的ITTO做总结梳理,欢迎指正. 五大过程组和十大知识领域
- SVD因式分解实现协同过滤-及源码实现
SVD因式分解实现协同过滤-及源码实现 在设计实现推荐系统,选择推荐算法时, 肯定会考虑协同过滤(CF)的使用,而CF中经常使用的两种方法包括: neighbour-based方法和因式分解. 作为一 ...
最新文章
- Redis为什么变慢了,来慢慢盘查?
- 启用Gzip压缩(IIS)提高客户端网站访问速度
- 【量化投资】策略五(聚宽)
- 准备入门IC的全局观念系列-下
- 5.Qt自定义Button按钮的实现
- [改善Java代码]若有必要,使用变长数组
- NodeJs连接Oracle数据库
- linux安装版本的python,linux安装python各种版本.md
- SAP License:ERP学习的一些个人建议
- 2013-2-19 Android之ActionBar学习(转)
- 主动领域自适应(Active Domain Adaptation)部分经典论文汇总
- 这个网站还不错,可以多看看(这个是学习的网站,没有广告)
- 如何使用Arduino构建3D打印的电子动画眼睛
- 安徽大学计算机科学与技术考研科目,2020安徽大学计算机专业课调整
- OpenDrive地图格式解析——案例分析
- 领英1度2度3度是什么意思,如何突破领英好友人脉限制
- 计算机未来设计建筑,未来设计的趋势解析,参数化设计及创意设计案例欣赏
- 让谷歌浏览器不再显示不安全内容的提示
- HDU6598 Harmonious Army
- python数据可视化案例2017年6省gdp_吴裕雄 数据挖掘与分析案例实战(5)——python数据可视化...