矩阵特征值与特征向量的计算yjs.pptVIP

算法8.1 幂法 8.3 QR方法 设k充分大时，有 的近似特征值. 的对角线元素就是 为对角阵,则 k A A D 这里需要说明一点:并不是对矩阵A的每一对非对角线非零元素进行一次这样的变换就能得到对角阵.因为在用变换消去 的时候,只有第 i 行,第 j 行,第 i 列,第 j 列元素在变化,如果 或 为零,经变换后又往往不是零了. 因此,Qk=RT1RT2…RTk 的列向量xj (j=1,2,…,n)为A的近似特征向量. 8.2.2 Jacobi方法 的全部特征值. 解 记 A0=A,取i=1,j=2,aij(0)=a12(0)=2,于是有 例 用Jacobi 方法计算对称矩阵 从而有 所以 再取i=2,j=3,aij(1)=a23(1)=2.020190,类似地可得 以下依次有 例题 从而A的特征值可取为 ?1?2.125825, ?2?8.388761, ?3?4.485401 特征向量为R1TR2T…RkT 例题 为了减少搜索非对角线绝对值最大元素时间, 对经典的Jacobi方法可作进一步改进. 1.循环Jacobi方法:按(1,2),(1,3),…,(1,n),(2,3), (2,4),…,(2,n),…, (n-1,n)的顺序, 对每个(i,j)的非零元素aij作Jacobi变换,使其零化,逐次重复扫描下去,直至S(A)?为止. 2.过关Jacobi方法: 取单调下降收敛于零的正数序列??k?,先以?1为关卡值,依照1中顺序,将绝对值超过?1的非对角元素零化,待所有非对角元素绝对值均不超过?1时,再换下一个关卡值?2 ,直到关卡值小于给定的精度? . 8.2.2 Jacobi方法 具体算法和程序见p183，p184。 用Jacobi方法求得的结果精度一般都比较高，特别是求得的特征向量正交性很好。所以Jacobi方法是求实对称矩阵全部特征值和特征向量的一个较好的方法。 它的弱点是计算量大，对原矩阵是稀疏矩阵，旋转变换后不能保持其稀疏的性质。 一般适用于阶数不高的矩阵. 8.2.2 Jacobi方法 　　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。 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。 Houholder矩阵H=H(v)有如下性质： (2) (3) 记S为以v为法向量的平面,则几何上x与y=Hx关于平面S对称。因为 上式表明向量x-y与v平行，注意到y与x的长度相等，于是x经变换后的象y=Hx 是x关于s对称的向量，如下图所示。 镜面反射变换 x v y x-y 据前面定义和性质， 有下面的定理。 定理8.4 得Hx=y。 证 镜面反射变换 由此可得 镜面反射变换 程序见P187 定理得证。 从而有 镜面反射变换 再利用c的值反过来计算 与平面旋转变换不同的是，镜面反变换可成批的消去向量的非零元. 将任意矩阵A简化为海森伯格矩阵的步骤如下： 镜面反射变换 镜面反射变换 镜面反射变换 镜面反射变换 例：用Householder变换将矩阵A化为上Hessenberg阵 解：求Housholder矩阵 其中 镜面反射变换 镜面反射变换 用Household方法对矩阵A作正交相似变换, 使A相似与上Hessenberg阵，程序见P190 ２、用 Givens变换对上Hessenberg阵作QR分解 具体步骤： 假设 （否则进行下一步） 取旋转矩阵R(1,2) * * 数值分析 * 科大研究生学位课程 数值分析 第8章 矩阵特征值和特征向量的计算 很多工程计算中，会遇到特征值和特征向量的计算，如：机械、结构或电磁振动中的固有值问题；物理学中的各种临界值等。这些特征值的计算往往意义重大。 求解线性方程组的迭代法，重要一点是判断迭代法的收敛性；判断方法之一就是看迭代矩阵的特征值的模是否都小于1。 PA(?