特征值和特征向量及数值算法.ppt

第七章 特征值与特征向量的数值求法 7.4 QR算法 7.4.3 带原点位移的QR算法 7.4.2 QR算法及其收敛性 7.4.1 化矩阵为Hessenberg形 我们称这种分块上三交阵为矩阵A的Schur分块上三角阵，上三角阵 和对角阵是它的特殊情形。定理7.9并没有解决如何计算全部特征的问题。 7.4.1 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？线性代数中有如下结果。 定理7.9 （实Schur分解定理） 定义7.2 (ij+1), 则称B为上Hessenberg矩阵，简称Hessenberg形，即B 的形状为 可以用平面旋转变换化矩阵为Hessenberg形,下面介绍另一种正交 变换。 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 阵很近似的Hessenberg形。 定义7.3 （7.4.1） 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) 记S为与w垂直的平面,则几何上x与y=Hx关于平面S对称。事实上,由 上式表明向量x-y与w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，如图7-1所示。 x w y x-y 图7-1 对应于性质（2），有下面的定理。 定理7.10 得Hx=y。 证 由此可得 定理得证。 （7.4.2） （7.4.3） 稳定性。（7.4.2）的意义是对向量作消元运算。与平面旋转不同的是，镜面反 射变换可成批的消去向量的非零元。 例7.4 解 （7.4.4） 定理7.11 为Hessenberg形。 证 变换，有 如此类推，经n-2步对称正交相似变换，得到Hessenberg形矩阵。 推论7.1 对称三对角阵。 上述定理7.11的证明是构造的，即可以用镜面反射化矩阵Hessenberg形。 此定理可用平面旋转变换来证明，即也可用平面旋转变换化矩阵为Hessenberg 如此类推，最后得到的正交矩阵Q，是平面旋转矩阵的乘积。 7.4.2 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。 定理7.2 (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。 证 类似于定理7.11的证明，对矩阵A的左乘一系列正交变换矩阵，可以将 A化为上三角形矩阵，因此，可得A的QR分解。下面证明分解的唯一性。设 有两种分解 上式左边为正交阵，即 这个式子左边是下三角阵，则右边是上三角阵，所以只能是对角阵。设 定理得证。 一般按平面旋转变换或镜面反射变换作出的分解A=QR，R的对角元不 定理7.12的唯一QR分解。 如下的算法： （7.4.5） 或称为基本QR算法。 QR算法， 证 容易证(1)从它递推得 定理7.13 QR算法产生的序列 满足: （1） （2） 一般情形下，QR算法的收敛性比较复杂。若矩阵序列 对角元均收 敛，且严格下三角部分元素均收敛到零，则对求A的特征值而言已经足够了。此 时，我们称 基本收敛到上三角阵。下面对最简单的情性给出收敛性定理。 设矩阵 的特征值满足 定理7.14 =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。 例7.5 用QR方法求下列矩阵的全部特征值。 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 该矩阵A非对称，从计算结果看，收敛于上三角阵。 （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 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H，然后对H作QR迭代，这样可以大大节省运算工作量。因为上 Hessenberg阵H的 次对角线以下元素均为零，所以用平面旋转变