3矩阵特征值与特征向量的计算Word格式.docx
《3矩阵特征值与特征向量的计算Word格式.docx》由会员分享,可在线阅读,更多相关《3矩阵特征值与特征向量的计算Word格式.docx(27页珍藏版)》请在冰豆网上搜索。
定理称A的n个特征值全落在n个盖氏圆上,但未说明每个圆盘内都有一个特征值。
3.1.2盖氏圆的连通部分
称相交盖氏圆之并构成的连通部分为连通部分。
孤立的盖氏圆本身也为一个连通部分。
定理3.1-2若由A的k个盖氏圆组成的连通部分,含且仅含A的k个特征值。
证明:
令D=diag(a11,a12,…,ann),M=A–D,记
则显然有A
(1)=A,A(0)=D,易知A()的特征多项式的系数是的多项式,从而A()的特征值1(),2(),…,n()为的连续函数。
A()的盖氏圆为:
因为A(0)=D的n个特征值a11,a12,…,ann,恰为A的盖氏圆圆心,当由0增大到1时,i()画出一条以i(0)=aii为始点,i
(1)=i为终点的连续曲线,且始终不会越过Gi;
不失一般性,设A开头的k个圆盘是连通的,其并集为S,它与后n–k个圆盘严格分离,显然,A()的前k个盖氏圆盘与后n–k个圆盘严格分离。
当=0时,A(0)=D的前k个特征值刚好落在前k个圆盘G1,…,Gk中,而另n–k个特征值则在区域S之外,从0变到1时,
与
始终分离(严格)。
连续曲线始终在S中,所以S中有且仅有A的k个特征值。
1)每个孤立圆中恰有一个特征值。
2)例1中G2,G4为仅由一个盖氏圆构成的连通部分,故它们各有一个特征值,而G1,G3构成的连通部分应含有两个特征值。
3)因为例1中A为实方阵,所以若λ为A的特征值,则
也是A的特征值,所以G2,G4中各有一个实特征值。
3.1.3盖氏圆与相似变换
由于特征值是相似不变量,所以代数上常用相似变换将矩阵化简以得到特征向量,这里也可用相似变换将盖氏圆的半径变小,以得到更好的估计。
原理:
取对角阵作相似变换阵:
P=diag(b1,b2,…,bn)其中bi>
0,i=1,2,…,n
则
与A有相同特征值.
而B的第i个盖氏圆为:
,
适当选取b1,b2,…,bn就有可能使B的某些盖氏圆的半径比A的相应盖氏圆的半径小。
1)欲缩小Gi,可取bi最大。
2)欲缩小除Gi外的圆,可取bi最小。
例2,估计
的特征值范围。
A的三个盖氏圆分别为:
|z–0.9|≤0.13};
|z–0.8|≤0.14};
|z–0.4|≤0.03}
3∈G3,较好。
为了更好地估计另外两个特征值可取b3最小:
取b1=b2=1,b3=0.1即
,则
所以G1'
={z:
|z–0.9|≤0.022};
G2'
|z–0.8|≤0.023};
G3'
|z–0.4|≤0.3}
三个盖氏圆分离,故有1∈G1'
,2∈G2'
,3∈G3。
3.2幂法与反幂法
幂法是求方阵的最大特征值及对应特征向量的一种迭代法。
3.2.1幂法
设An有n个线性相关的特征向量v1,v2,…,vn,对应的特征值1,2,…,n,满足
|1|>
|2|≥…≥|n|
(
1.基本思想
因为{v1,v2,…,vn}为Cn的一组基,所以任给x(0)≠0,
——线性表示
所以有
(3.2-2)
若a1≠0,则因
知,当k充分大时A(k)x(0)≈1ka1v1=cv1属1的特征向量
另一方面,记max(x)=xi,其中|xi|=||x||∞,则当k充分大时,
若a1=0,则因舍入误差的影响,会有某次迭代向量在v1方向上的分量不为0,迭代下去可求得1及对应特征向量的近似值。
2.规范化
在实际计算中,若|1|>
1则|1ka1|→∞,若|1|<
1则|1ka1|→0都将停机。
须采用“规范化”的方法
,k=0,1,2,…(3.2-4)
定理3.2-1任给初始向量
有,
(3.2-5)
而
若
的特征值不满足条件(,幂法收敛性的分析较复杂,但若1=2=…=r且|1|>
|r+1|≥…≥|n|则定理结论仍成立。
此时不同初始向量的迭代向量序列一般趋向于1的不同特征向量。
3.算法
求maxa(x)的流程,设数组x(n)数向量x的n个分量
数组x=[n]
k=1
for(i=2ton,i++)
若|x[i]|>
|x[k]|
T
k=i
max=x[k]
幂法流程:
输入数组x0,eps,A
x1=x0
y=x1/maxa(x1)
x0=Ay
|maxa(x1)–maxa(x0)|<
eps
输出y,maxa(x0)
例1,用幂法求
的最大模特征值及对应特征向量
见P312
functiony=maxa(x)
k=1;
n=length(x);
fori=2:
n
if(abs(x(i))>
abs(x(k)),k=i;
end;
end;
y=x(k);
A=[2,4,6;
3,9,15;
4,16,36];
x0=[1;
1;
1];
y=x0/maxa(x0)
x1=A*y
while(abs(maxa(x1)-maxa(x0)))>
0.001
x0=x1;
y=x0/maxa(x0)
x1=A*y
y
maxa(x1)
3.2.2加速方法
幂法的迭代公式:
当k→∞时
,max(x(k))→1,其中|1|>
|2|≥…≥|n|
幂法的收敛速度取决于比值|2|/|1|,考虑收敛加速
1.特征值的Aitken加速法
(1)思想:
由定理
(
解之得
使用1(k+2)作为1的近似值的算法称为Aitken加速法。
(2)Aitken加速法
设{xk}线性收敛到x*,即存在c,|c|<
1,满足
xk+1–x*=(c–k)(xk–x*),其中
令
算法:
计算
流程图
输入x0
计算max(x0),y0=x0/max(x0)
计算x1=Ay0,max(x1),y1=x1/max(x1)
x2=Ay1,λ1=λ0
计算max(x2)
y2=x2/max(x2)
λ0=max(x2)-[max(x2)-max(x1)]^2/[max(x2)-2max(x1)+max(x0)]
x0=x1,x1=x2
|λ1-λ0|>
输出λ0
例2用幂法求方阵A的最大模特征值,并用Aitkem加速法
见(P314)
y0=x0/maxa(x0)
x1=A*y0;
y1=x1/maxa(x1)
x2=A*y1;
y2=x2/maxa(x2)
l0=maxa(x2)-(maxa(x2)-maxa(x1))^2/(maxa(x2)-2*maxa(x1)+maxa(x0))
while(abs(l1-l0))>
0.01
x1=x2;
l1=l0;
x2=A*y2
maxk=maxa(x2)
y2=x2/maxk
l0=maxa(x2)-(maxa(x2)-maxa(x1))^2/(maxa(x2)-2*maxa(x1)+maxa(x0))
2.原点平移法
思想:
由矩阵论知,若为A的特征值则–a为A–aI的特征值,且特征向量相同。
若1–a为A–aI的最大模特征值,且
。
(k–a是A–aI的次最大模特征值),则对A–aI计算1–a及对应的特征向量比对
计算收敛得快,此即为原点平移法。
计算1–a及特征向量的迭代公式
特征向量:
,max(x(k))→1–a,⇒a+max(x(k))→1。
a的选取较为困难。
例3设
,求最大模特征值及特征向量。
(P315)
幂法:
A=[-3,1,0;
1,-3,-3;
0,-3,4];
x0=[0;
0;
k=k+1
原点平移法:
x1=(A+4*eye(3))*y
x1=(A+4*eye(3))*y
maxa(x1)-4
3.对称矩阵的Rayleigh商加速法
定义设A对称,x≠0,则称
为
关于
的Rayleigh商
A对称
特征值1,2,…,n均为实数,且存在特征向量v1,v2,…,vn为标准正交基。
设
,a1≠0,则
当k充分大时,M'
与k无关)
注;
此比Aitken加速中的(3.2-6)更快
公式
称为Rayleigh商加速法。
其中
有了R(x(k)),R(x(k+1)),R(x(k+2)),的值,可再用Aitken加速法得到
的一个更好的近似值:
所以
例4设
,用Rayleigh商加速法求
的最大模特征值及特征向量,并与幂法相比较。
(P317)
A=[6,2,1;
2,3,1;
1,1,1];
Rayleigh商加速法:
r=0;
while(abs(r1-r))>
r1=r;
r=y'
*x1/(y'
*y)
r
3.2.3反幂法
——用
代替
作幂法,即反幂法
1.