第四章矩阵特征值与特征向量的计算解析.ppt

第四章　特征值与特征向量的计算 ? 为什么需要插值? ? 函数表达式复杂, 不便于计算和进行理论分析; ? 没有函数表达式, 只给出离散样点. ? 找简单函数近似, 即函数逼近. ? 函数逼近常用方法: 插值法, 曲线拟合法. ? 插值法: 多项式插值, 三角多项式插值. 已知函数 f (x)在区间 [a, b]上 (n+1) 个不同点 x0, x1, x2, …, xn 处的函数值 yi= f (xi) (i=0, 1, 2,…, n), 求函数?n(x), 使其满足 (1) ?n(x)为至多n次多项式，即 (2) 满足插值条件 ?n(x): 插值多项式 xi : 插值节点 [a, b]: 插值区间 §1 Lagrange插值 First-order second-order third-order 几何意义: n次多项式插值就是过 (n+1)个点 (xi, f (xi)) (i=0, 1, …, n), 作一条多项式曲线 y= ?n(x)近似曲线 y=f(x). ? 三个基本问题 ? 插值多项式?n(x)是否存在唯一？ ? 若?n(x)存在, 截断误差 f (x)－?n(x)=? ? 如何求?n(x)？ ? 插值多项式?n(x)的存在唯一性 ? n 次多项式?n(x)有(n+1)个待定系数ai (i=0, 1, 2, …, n), 插值条件 ?n(xi)= f (xi)= yi (i=0, 1, 2, …, n)也是(n+1)个, 恰好给出(n+1)个方程. 即 系数矩阵A的行列式是Vandermonde行列式，其值为 ? 当插值节点xi (i=0, 1, 2, …, n)互不相同时，此行列式不为0, 即系数矩阵A可逆. 因此ai (i=0, 1, 2, …, n), 存在唯一，即?n(x)存在唯一. ? 插值余项与误差估计 截断误差或插值余项 定理 若 则存在? ? (a, b), 使得 证明 故 其中 K (x)是与 x有关的待定函数. 如何求 K (x) ? 现把x看成是[a, b]上的固定点, 作辅助函数 即 F(t )在[a, b]上有 n+2 个零点. 根据Rolle定理, F ?(t )在 F(t )的两个零点之间至少有一个零点, 故 F ?(t )在(a, b)内至少有 (n+1)个零点. 对F ?(t )再应用Rolle 定理， 可知F ??(t )在(a, b)内至少有 n 个零点. 依此类推, F(n+1) (t )在(a, b)内至少有一个零点, 记之为??(a, b), 使得 则 因此 ? 若 则 ? 当 n =1时, 线性插值余项为 ? 当 n =2时, 抛物线插值余项为 * ? 幂法和反幂法 幂法 用于计算矩阵按模最大的特征值及其相应的特征向量, 特别适用于大型稀疏矩阵. §1　幂法和反幂法 反幂法 用于计算矩阵按模最小的特征值及其特征向量, 也可用来计算对应于一个给定近似特征值的特征向量. 设A为n阶实矩阵, 其特征值为?1, ?2, …, ?n, 相应的特征向量为u1, u2, …, un. 且满足条件 　 u1, u2, …, un线性无关. ? 幂法 ? 幂法: 求?1及其相应的特征向量. 此时?1一定是实数! ? ?1通常称为主特征值. ? 幂法基本思想 ? 给定初始非零向量x(0), 由矩阵A构造一向量序列 ? 在一定条件下, 当k充分大时: ? 相应的特征向量为: 设?1不为零. ? x(k+1)为?1的特征向量的近似向量(除一个因子外). 对任意向量x(0), 有 ? 幂法的理论依据 ?故 ? 如果x(0)的选取恰恰使得?1=0, 幂法仍能进行. 因为计算过程中会有舍入误差, 迭代若干次后, 必然会产生一个向量x(k), 它在u1方向上的分量不为零, 这样以后的计算就满足所设条件. ? 因为 计算过程中可能会出现上溢(|?1|1)或下溢成为0 (|?1|1). 为避免出现这一情形, 实际计算时每次迭代所求的向量都要归一化. ? 归一化过程 设有一向量x?0, 将其归一化得到向量 其中max(x)表示向量x的绝对值最大的分量, 即如果有 例 x=(1, －8, 7)T, 则 max(x)=－8 , 归一化向量为 ? 幂法的计算公式 ? 任取初始向量x(0)=y(0)?0, 对k=1, 2, …, 构造向量序列 {x(k)}, {y(k)} ? 当k充分大时 定理 设n阶实矩阵A有n个线性无关的特征向量u1, u2, …, un, 主特征值?1满足| ?1 | |?