第7章_矩阵的特征值和特征向量.pptVIP

第1页，共32页，星期日，2025年，2月5日特征值：的根为矩阵A的特征值特征向量：满足的向量v为矩阵A的对于特征值的特征向量称为矩阵A的特征多项式是高次的多项式，它的求根是很困难的。没有数值方法是通过求它的根来求矩阵的特征值。通常对某个特征值，可以用些针对性的方法来求其近似值。若要求所有的特征值，则可以对A做一系列的相似变换，“收敛”到对角阵或上（下）三角阵，从而求得所有特征值的近似。第2页，共32页，星期日，2025年，2月5日7.1幂法矩阵的按模最大特征值往往表现为阈值。如：矩阵的谱半径。幂法就是一种求矩阵按模最大特征值的方法，它是最经典的方法。幂法要求A有完备的特征向量系。即A有n个线性无关的特征向量。在实践中，常遇到的实对称矩阵和特征值互不相同的矩阵就具有这种性质。设A的特征值和特征向量如下：特征值：特征向量：幂法可以求，基本思想很简单。第3页，共32页，星期日，2025年，2月5日设线性无关，取初值，作迭代设：则有：第4页，共32页，星期日，2025年，2月5日（1）若：则k足够大时，有可见几乎仅差一个常数所以：任意分量相除特征向量乘以任意数，仍是特征向量第5页，共32页，星期日，2025年，2月5日（2）若：则k足够大时，有所以：所以：第6页，共32页，星期日，2025年，2月5日这样，我们有算法：1、给出初值，计算序列2、若序列表现为，相邻两个向量各个分量比趋向于常数，则3、若序列表现为，奇偶序列各个分量比趋向于常数，则4、若序列表现为其他，退出不管第7页，共32页，星期日，2025年，2月5日求矩阵A的按模最大的特征值解取x(0)=(1,0)T,计算x(k)=Ax(k-1),结果如下例kx1(k)x2(k)x1(k)/x1(k-1)x2(k)/x2(k-1)01010.250.220.102500.0833330.410.4166530.0422920.0343890.412600.4126740.0174510.0141900.412630.41263可取??0.41263,x1?(0.017451,0.014190)T.第8页，共32页，星期日，2025年，2月5日在幂法中，我们构造的序列可以看出因此，若序列收敛慢的话，可能造成计算的溢出或归0第9页，共32页，星期日，2025年，2月5日改进－幂法的规范运算则，易知：所以，有：最大分量为1第10页，共32页，星期日，2025年，2月5日即（1）若：第11页，共32页，星期日，2025年，2月5日第12页，共32页，星期日，2025年，2月5日时，有时，有收敛分别收敛反号的两个数第13页，共32页，星期日，2025年，2月5日（2）若：分别收敛到两个数，且绝对值不同。第14页，共32页，星期日，2025年，2月5日求：则：第15页，共32页，星期日，2025年，2月5日这样，我们有算法：1、给出初值，计算序列2、若序列收敛，则3、若序列的奇偶序列分别收敛，且两个数绝对值相同，则4、若序列的奇偶序列分别收敛，且两个数绝对值不同，则第16页，共32页，星期日，2025年，2月5日决定收敛的速度，特别是|?2/?1|希望|?2/?1|越小越好。不妨设?1?2?…??n，且|?2||?n|。?1?2?nOp=(?2+?n)/2思路令B=A?pI，则有|?I?A|=|?I?(B+pI)|=|(??p)I?B|??A?p=?B。而，所以求B的特征根收敛快。第17页，共32页，星期日，2025年，2月5日反幂法所以，A和A－1的特征值互为倒数这样，求A－1的按模最大特征值，就可以求出A的按模最小特征值为避免求逆的运算，可以解线性方程组第18页，共32页，星期日，2025年，2月5日若知道某一特征根?i的大致位置p，即对任意j?i有|?i?p||?j?p|，并且如果(A?pI)?1存在，则可以用反幂法求(A?pI)?1的主特征根1/(?i?p)，收敛将非常快。思路第19页，共32页，星期日，2025年，2月5日7.1Jacobi方法－对称阵P为n阶可逆阵，则A与P－1AP相似，相似阵有相同的特征值。若A对称，则存在正交阵Q(QTQ=