非对称特征值问题-基本概念说课.ppt

4.3 带原点位移的QR算法 4.2 QR算法及其收敛性 4.1 化矩阵为Hessenberg形 第四节 QR方法 我们称这种分块上三交阵为矩阵A的Schur分块上三角阵， 4.1 化矩阵为Hessenberg形 对于实对称矩阵，可通过正交相似变换约化为对角矩阵。那么，对于一般的 实矩阵，通过正交相似变换可约化到什么程度呢？ 定理 （实Schur分解定理） 定义 (ij+1), 则称B为上Hessenberg矩阵，简称Hessenberg形，即 为了节省运算工作量，实用的方法是先将矩阵约化为与Schur分块上三角 阵相似的Hessenberg形。 为（初等）镜面反射矩阵或Householder变换矩阵。 Houholder矩阵H=H（w）有如下性质： (1) (2) (3) S为与w垂直的平面,则几何上x与y=Hx关于平面S对称。 Householder变换 定理 为Hessenberg形。 证 如此类推，经n-2步对称正交相似变换，得到Hessenberg形矩阵。 推论 对称三对角阵。 定理 (QR分定理) 上三角阵R,使得A=QR,且当R的对角元素均取正时,分解是唯一的。 4.2 QR算法及其收敛性 QR算法可以用来求任意的非奇异矩阵的全部特征值，是目前计算这类问 题最有效的方法之一。它基于对任何实的非奇异矩阵都可以分解为正交阵Q和 上三角矩阵R的乘积。 构造如下的算法： 一般在实际使用QR方法之前，先用镜面反射变换将A化为Hessenberg形矩阵B，因为上 Hessenberg阵B的 次对角线以下元素均为零，所以用平面旋转变换作QR迭代计算量很小。 则 解 先用镜面反射变换化矩阵A为Hessenberg形矩阵 ，然后用平面 旋转变换作QR分解进行迭代，生成序列 。（1）的计算结果为 例 用QR方法求下列矩阵的全部特征值。 （2）的计算结果为 从计算结果来看，迭代收敛于Schur分块上三角形，对角块分别是1阶和2阶子 证 (1) 可从QR算法消去R直接证得。 定理 QR算法产生的序列 满足: （1） （2） 设矩阵 的特征值满足 定理 =LU，其中L为单位下三角阵U为上三角阵，则QR算法产生的序列 基本 收敛到上三角阵，其对角极限为 更一般地，在一定条件下，由QR算法生成的序列 收敛为Schur分块上 三角形，对角块按特征值的模从大到小排列，上述定理是它的特殊情形。当收 敛结果为Schur分块上三角形时，序列 的对角块以上的元素以及2阶块的 元素不一定收敛，但不影响求全部特征值。 QR算法的收敛速度与特征值的分离程度成正比。 4.3 带原点位移的QR算法 前面我们介绍了在反幂法中应用原点位移的策略，这种思想方法也可用于QR算法。一般我们针对上Hessenberg矩阵讨论QR算法，并且假设每次QR迭代中产生的 都是不可约的，否则可以将问题分解为较小型的问题。带原点位移的QR算法可以描述为： 位移量有下列两种取法： 解 先用镜面反射变换把A化为上Hessenberg矩阵。 例 用带原点位移的QR算法求下列矩阵的特征值： 如果用基本QR算法，则计算结果为 几个问题： 1、QR算法迭代停止的条件应该如何设计？ 2、带原点位移的算法仅对求实特征值有加速效果，复特征值无效， 如何设计相应的算法（双重步位移QR算法）？