数值分析QR方法.pptVIP

（2）QR方法的收敛性 实的 （3）QR算法的具体实现 a、 （拟上三角化） 利用Householder矩阵对A作相似变换，把A化为拟上 三角阵 b、 对 进行QR迭代 （4）QR方法的缺点 收敛速度慢：线性收敛。 1.基本QR方法 (1)迭代公式 2、带原点位移的QR方法 (1)迭代公式 说明: (2)用原点位移的QR方法求实矩阵A的全部特征值 的步骤 ①将A拟上三角化, ②选取 的位移 ,令k=1 参考数值分析旧版P134 (2)用原点位移的QR方法求实矩阵A的全部特征值 的步骤 ①将A拟上三角化, ②选取 的位移 ③迭代求 ,令k=1 参考数值分析旧版P134 3、带双步位移的QR方法 (1)迭代公式 的特点: 3、带双步位移的QR方法 (1)迭代公式 的特点: 存在的问题： （1）位移量为复数时如何处理？ （2）Ak+2的计算。 b、为避免复数运算,令 S=?,t=? b、为避免复数运算,令 当 为实矩阵时, 也为实矩阵 b、为避免复数运算,令 当 为实矩阵时, 也为实矩阵 (3)带双步位移的QR迭代公式 (4)算法(P98-99) 计算 降阶 的特征 值， 降阶 (4)算法(P98-99) 计算 降阶 的特征 值， 降阶 (4)算法(P98-99) 此时可分块计算特征值 (4)算法(P98-99) stop N Y stop Y N Y N stop Y Y 带双步位移的QR算法 三、 QR方法 1、基本QR方法 （1）迭代公式 （2）QR方法的收敛性 （3）QR算法的具体实现 （4）QR方法的缺点 2、带原点位移的QR方法 3、带双步位移的QR方法 4、特征向量的计算 4、特征向量的计算 （1）用反幂法求 的特征向量y （2）求 A 的特征向量x 4、特征向量的计算 （1）用反幂法求 的特征向量y （2）求 A 的特征向量x 设 3.3 QR方法（小结） 方法是求一般矩阵的全部特征值和特征向量的一 种迭代法。 一、矩阵的 分解（正交三角分解） 1、Householder矩阵（镜面反射阵） 2、Householder矩阵的性质 3、QR分解的可能性 4、QR分解的实现（算法） 二、矩阵的拟上三角化 1.Hessenberg阵（拟上三角阵） 2.矩阵的拟上三角化 * 3.3 QR方法 一、矩阵的QR分解 二、矩阵的拟上三角化（介绍） 三、QR方法（介绍） 复习 3.3 QR方法 方法是求一般矩阵的全部特征值和 特征向量的一种迭代法。 一、矩阵的 分解（正交三角分解） 1、Householder矩阵（镜面反射阵、初等反射阵） 2、Householder矩阵的性质 3、矩阵的QR分解 4、QR分解的实现 5、 QR分解的算法 3.3 QR方法 一、矩阵的 分解（正交三角分解） Q ——正交矩阵 R——上三角矩阵 1、Householder矩阵（镜面反射阵） H为对称正交矩阵。 方法是求一般矩阵的全部特征值和 特征向量的一种迭代。 3.3 QR方法 一、矩阵的 分解（正交三角分解） 1、Householder矩阵（镜面反射阵） 方法是求一般矩阵的全部特征值和 特征向量的一种迭代。 2、Householder矩阵的性质 约化定理 2、Householder矩阵的性质 证明： 取单位向量 则 几何意义 s e 约化定理 2、Householder矩阵的性质 证明： 取单位向量 约化定理 2、Householder矩阵的性质 证明： 取单位向量 约化定理 2、Householder矩阵的性质 证明： 取单位向量 约化定理 2、Householder矩阵的性质 证明： 取单位向量 证毕 约化定理 例1 求正交变换使向量 化为与 平行的向量。 方法一： 利用初等旋转变换 方法二： 利用镜像变换 例2 将A化为上三角阵 两种方法：1、用初等旋转阵 2、用初等反射阵 3.3 QR方法 一、矩阵的 分解（正交三角分解） 1、Householder矩阵（镜面反射阵） 2、Householder矩阵的性质 3、矩阵的QR分解 二、矩阵的拟上三角化 1.Hessenberg阵（拟上三角阵） 2.矩阵的拟上三角化 二、矩阵的拟上三角化 1.Hessenberg阵（拟上三角阵） 时 2.矩阵的拟上三角化 定义：对实矩阵作相似变换化为Hessenberg阵. 方法： 利用Household矩阵 其中 使 QR方法 令 2.矩阵的拟上三角化 定义：对实矩