数值计算解矩阵的按模最大最小特征值及对应的特征向量

一.幂法

1. 幂法简介:

当矩阵A 满足一定条件时,在工程中可用幂法计算其主特征值(按模最大)及其特征向量。矩阵A 需要满足的条件为: (1) 的特征值为A i n λλλλ,0||...||||21

≥≥≥>

(2) 存在n 个线性无关的特征向量,设为n x x x ,...,,21

1.1计算过程:

i n

i i i u x

x αα,1

)

0()0(∑==,有对任意向量不全为0,则有

1

11111221

12111

1

1

11

1

011)()(...u u a u a u λu λαu αA x A Ax x k n n k n k k n

i i

k i i n

i i i k )(k (k))(k αλλλλλα++++=+=+++≈?

?

????+++======∑∑Λ 可见,当||1

2

λλ越小时,收敛越快;且当k 充分大时,有1)1111)11111λαλαλ=???

???==+++(k )(k k

(k k )(k x x u x u x ,对应的特征向量即是)(k x 1+。

2 算法实现

.

,, 3,,1 , ).5()

5(,,,,||).4();max(,).3()

(max(;0,1).2(,).1()()

()

(停机否则输出失败信息转置若转否则输出若计算最大迭代次数,误差限,初始向量输入矩阵βλβεβλβλε←+←<

←←k k N k y x Ay x x abs x y k N x A k k k

3 matlab 程序代码

幂法 反幂法 matlab,幂法反幂法求解矩阵最大最小特征值及其对应的特征向量相关推荐

  1. 反幂法求矩阵特征值matlab,幂法反幂法求解矩阵最大最小特征值及其对应的特征向量.doc...

    数值计算解矩阵的按模最大最小特征值及对应的特征向量 一.幂法 1. 幂法简介: 当矩阵A满足一定条件时,在工程中可用幂法计算其主特征值(按模最大)及其特征向量.矩阵A需要满足的条件为: 存在n个线性无 ...

  2. matlab幂法与反幂法,matlab位移反幂法

    本次实验所用的幂法和反幂法分别是求解 最大特征值和最小特征值,并根据它们的结果求解二条件数.幂法和反幂法的 Matlab 程序很好的解决了手算时所会遇到的...... 类似幂法和反幂法可以写出按模最小 ...

  3. python求矩阵的最大特征值及对应的特征向量

    直接看下面的代码就行啦! import numpy as np#输入矩阵 A = np.array([[1, 1/2, 4, 3, 3],[2, 1, 7, 5, 5],[1/4, 1/7, 1, 1 ...

  4. C++学习日记#2——幂法求矩阵的主特征值

    幂法的主要作用是求矩阵的主特征值,这种方法特别适用于求大型稀疏矩阵. 定理: 设A∈有n个线性无关的特征向量,主特征值满足>·····,则对任意非零初始向量(0),按照下述方法构造的向量序列{} ...

  5. MATLAB幂法原点平移法,幂法及其MATLAB程序.doc

    幂法及其MATLAB程序 5.2 幂法及其MATLAB程序 5.2.2 幂法的MATLAB程序 用幂法计算矩阵的主特征值和对应的特征向量的MATLAB主程序 function [k,lambda,Vk ...

  6. matlab两个多项式相除,C++和MATLAB混合编程求解多项式系数(矩阵相除)

    摘要:MATLAB对于矩阵处理是非常高效的,而C++对于矩阵操作是非常麻烦的,因而可以采用C++与MATLAB混合编程求解矩阵问题. 主要思路就是,在MATLAB中编写函数脚本并使用C++编译为dll ...

  7. matlab求解多项式系数,C++和MATLAB混合编程求解多项式系数(矩阵相除)

    摘要:MATLAB对于矩阵处理是非常高效的,而C++对于矩阵操作是非常麻烦的,因而可以采用C++与MATLAB混合编程求解矩阵问题. 主要思路就是,在MATLAB中编写函数脚本并使用C++编译为dll ...

  8. MATLAB命令大全和矩阵操作大全

    一.矩阵的表示 在MATLAB中创建矩阵有以下规则: a.矩阵元素必须在"[ ]"内: b.矩阵的同行元素之间用空格(或",")隔开: c.矩阵的行与行之间用& ...

  9. (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 ...

最新文章

  1. Windows下安装配置SBT
  2. webpack 引入模块import 后面加入{}和不加大括号有什么区别
  3. 如何实现32.5万笔/秒的交易峰值?阿里交易系统TMF2.0技术揭秘
  4. 【连载】如何掌握openGauss数据库核心技术?秘诀四:拿捏事务机制(3)
  5. mysql建用户之后取消drop库权限
  6. AC日记——向量点积计算 openjudge 1.6 09
  7. K-th Number Poj - 2104 主席树
  8. WindowsXP系统主题成Windows7风格windowsxp主题包
  9. 果园机器人作文开头_果园机器人作文
  10. python简单编程--ATM银行管理系统
  11. 新品迭出,史上最强:三星电子发布会直击
  12. librosa 音频处理库
  13. Mac改变系统截图存储路径
  14. aardio修改图标
  15. Android 节操视频播放器jiecaovideoplayer使用
  16. html滚动条自动翻页,10款无限滚动自动翻页jquery插件
  17. samba配置共享打印机
  18. 记录一次Anaconda安装Spyder失败及解决方法
  19. Linux的Matlab使用
  20. DSP芯片F2803x系列之PWM模块及高精度PWM使用

热门文章

  1. 第118篇 在区块链浏览器上调用合约
  2. 软件包管理工具snap的安装及常用命令
  3. STM32 TM1650数码管显示与按键识别
  4. 在 JavaScript 中 0 与 1 和 true 与 false 的关系
  5. 单片机看门狗c语言,单片机看门狗程序
  6. Unity3D基础案例-双人坦克
  7. python安装第三方库re_音频处理 windows10下python三方库librosa安装教程
  8. 诺基亚C2-03 - 简单才是首要的诺基亚C2-03
  9. 浅谈学习Scratch的必要性
  10. 整型到底占几个字节呢?