12讲ch4-4误差分析.ppt

误差分析 第 6 节 计算不方便, 但理论价值高 常用的向量范数 常用的矩阵范数 A={{0,0.5,0.6},{0.6,0,0.1},{0.3,0.2,0}}; MatrixForm[%]; A1=Max[Sum[Abs[A[[n]]],{n,1,3}]] A100=Max[Table[Sum[Abs[A[[n,m]]],{m,1,3}],{n,1,3}]] AE=Sqrt[Sum[A[[i,j]]^2,{i,1,3},{j,1,3}]] T=Transpose[A].A; MatrixForm[%] Eigenvalues[T]//N A2=N[Sqrt[Max[Eigenvalues[T]]],10] 求矩阵的范数例题 求转置矩阵 求特征值 取近似值 近似值的有效位数 四、矩阵条件数的性质 例4.8 解 矩阵条件数的举例 Clear[A,AN,A1,AN1,A100,AN100] A={{1,1/2,1/3},{1/2,1/3,1/4},{1/3,1/4,1/5}}; MatrixForm[%]; AN=Inverse[A]; MatrixForm[%]; A1=Max[Sum[Abs[A[[n]]],{n,1,3}]]; AN1=Max[Sum[Abs[AN[[n]]],{n,1,3}]]; condA1=A1*AN1 A100=Max[Table[Sum[Abs[A[[n,m]]],{m,1,3}],{n,1,3}]]; AN100=Max[Table[Sum[Abs[AN[[n,m]]],{m,1,3}],{n,1,3}]]; condA100=A100*AN100 =748 矩阵条件数的举例 希尔伯特矩阵的条件数程序(6阶) Clear[B] B=Table[1/(i+j),{i,1,6},{j,0,5}]; MatrixForm[%] BN=Inverse[B]; B1=Max[Sum[Abs[B[[n]]],{n,1,6}]]; BN1=Max[Sum[Abs[BN[[n]]],{n,1,6}]]; condA1=B1*BN1 B100=Max[Table[Sum[Abs[B[[n,m]]],{m,1,6}],{n,1,6}]]; BN100=Max[Table[Sum[Abs[BN[[n,m]]],{m,1,6}],{n,1,6}]]; condA100=B100*BN100 矩阵条件数的举例 希尔伯特矩阵的条件数程序(7阶) Clear[B] B=Table[1/(i+j),{i,1,7},{j,0,6}]; MatrixForm[%] BN=Inverse[B]; B1=Max[Sum[Abs[B[[n]]],{n,1,7}]]; BN1=Max[Sum[Abs[BN[[n]]],{n,1,7}]]; condA1=B1*BN1//N B100=Max[Table[Sum[Abs[B[[n,m]]],{m,1,7}],{n,1,7}]]; BN100=Max[Table[Sum[Abs[BN[[n,m]]],{m,1,7}],{n,1,7}]]; condA100=B100*BN100//N 33872791095 矩阵条件数的举例 考虑 设Ｈ及b有微小误差（取３位有效数字）有 简记为 其解为 矩阵条件数的举例 由于 　　这表明　　与b是误差不超过０.２％，而引起 解的相对误差超过５０％． 矩阵条件数的举例 “病态”方程的经验判断 超定线性方程组的 最小二乘解 第 6 节 设有超定 线性方程组： 矩阵形式为： 线性方程的最小二乘问题 线性方程的最小二乘问题 为求最小二乘解：先求F(x)的驻点 线性方程的最小二乘问题 线性方程的最小二乘问题 即 线性方程的最小二乘问题 超定问题的正则方程组 线性方程的最小二乘问题 例4.9 求方程组的最小二乘解 线性方程的最小二乘问题 正则方程组为 此为超定线性方程组的最小二乘解。 线性方程的最小二乘问题 本章小结 线性方程组的直接解法 线性方程组的直接方法 AX=b 直接法 迭代法 是 列主元 消去法 Gauss 消去法 全主元 消去法 否 是 LU分解法 追赶法 A对称 且正定 平方根法 A三对角矩阵 是 改进平 方根法 请 重 点 掌 握 基本内容 知识结构框图 线性方程组: 如何求解? Cramer法则 Maths的一般解法 Gauss消元法的原理 列主元素法 全主元素法 LU分解法—直接三角分解法 要 点 回 顾 解三对角方程组的追赶法 平方根法及改进的平方根法 LU分解法—直接三角分解法 要 点 回 顾 上三角方程组的一般形式是： 高斯消元法 高