第8部分__矩阵特征值与特征向量的计算学习课件.pptVIP

8.3 QR方法 QR算法的收敛性 定理.设n阶矩阵A的n个特征值满足|λ１||λ２|…|λn|0，其相应的n个线性无关特征向量为x1,x2,…,xn.记X＝(x1,x2,…,xn), Y= X－１.如果Y存在LU分解，那么，矩阵序列Ak基本收敛于上三角矩阵R. 这里，基本收敛的含义指｛Ak｝的对角元均收敛，且严格下三角部分的元素均收敛于零，但严格上三角部分的元素没有收敛的要求。 ２、用 Givens变换对上Hessenberg阵作QR分解 　　60年代出现的QR算法是目前计算中小型矩阵的全部特征值与特征向量的最有效方法。（实矩阵、非奇异。） 　　理论依据：任一非奇异实矩阵都可分解成一个正交矩阵Q和一个上三角矩阵R的乘积，而且当R的对角元符号取定时，分解是唯一的。 同理可得：Ak相似于A(k=2,3,…),故他们有相同特征根。 定理 设n阶矩阵A非奇异实对称矩阵，则矩阵序列｛Ak｝收敛于对角阵。 QR方法收敛性 QR方法收敛性 QR方法运算量很大，为了减少运算量，常在使用QR方法之前把矩阵A简化为拟上三角矩阵。或称之为海森伯格矩阵(次对角元以下的元素全为零)。 8.3.2 化一般矩阵为拟上三角矩阵 形状为 可以用镜面反射矩阵将A化为Hessenberg形,下面介绍。 定义8.2 为镜面反射矩阵，或Householder变换矩阵。 H