数值分析之解线性方程组的直接方法 5.X

矩阵

谱分解

A=aijRn×n , 若存在数 λ (实数或复数) 和非零向量 x=(x1,x2,,xn)TRn , 使

Ax=λx

则称 λA 的特征值, xA 对应 λ 的特征向量, A 的全体特征值称为 A 的谱,记作 σ(A) , 即 σ(A)={λ1,λ2,,λn} . 记

ρ(A)=max1in|λi|

称为矩阵 A 的谱半径.

特征值特征向量性质

  • ATA 有相同的特征值 λ 及特征向量 x .
  • A 非奇异, 则 A1 的特征值为 λ1 , 特征向量为 x .
  • 相似矩阵 B=S1AS 有相同的特征多项式.

特殊矩阵

A=(aij)Rn×n .

  • 对角矩阵 如果当 ij,aij=0 .
  • 三对角矩阵 如果当 |ij|>1,aij=0 .
  • 上三角矩阵 如果当 i>j,aij=0 .
  • 上海森伯格 (Hessenberg)阵 如果当 i>j+1,aij=0 .
  • 对称矩阵 如果 AT=A .
  • 埃尔米特矩阵 设 ACn×n , 如果 AH=A(AH=AT , 即为 A 的共轭转置).
  • 对称正定矩阵 如果 (1) AT=A , (2)对任意非零向量 xRn,(Ax, x)=xTAx>0 .
  • 正交矩阵 如果 A1=AT .
  • 西矩阵 设 ACn×n , 如果 A1=AH .
  • 初等置换阵由单位矩阵 I 交换第 i 行与第 j 行 (或交换第 i 列与第 j 列), 得到的矩阵记为 Iij , 且
    IijA=A~(为交换 Ai 行与第 j 行得到的矩阵);
    AIij=B (为交换 Ai 列与第 j 列得到的矩阵).
  • 置换阵由初等置换阵的乘积得到的矩阵.

定理一 (满秩矩阵的等价命题)

ARn×n , 则下述命题等价 :

  • 对任何 bRn , 方程组 Ax=b 有唯一解.
  • 齐次方程组 Ax=0 只有唯一解 x=0 .
  • det(A)0 .
  • A1 存在.
  • A 的秩 rank(A)=n .

定理二 (正定矩阵的性质)

ARn×n 为对称正定矩阵, 则

  • A 为非奇异矩阵, 且 A1 亦是对称正定矩阵.
  • AkA 的顺序主子阵, 则 Ak(k=1,2,,n) 亦是对称正定矩阵, 其中

Ak=(a11a1kak1akk),k=1,2,,n

  • A 的特征值 λi>0(i=1,2,,n) .
  • A 的顺序主子式都大于零, 即 det(Ak)>0(k=1,2,,n) .

定理三 (重特征值的矩阵相似为非对角形式的若尔当形)

定理 4 (若尔当 (Jordan) 标准形) 设 An 阶矩阵, 则存在一个非奇异矩阵 P 使得

P1AP=(J1(λ1)J2(λ2)Jr(λr))

其中

Ji=(λi1λi1λi1λi)ni×ni,ni1(i=1,2,,r), 且 i=1rni=n

为若尔当块.
(1)当 A 的若尔当标准形中所有若尔当块 Ji 均为一阶时, 此标准形变成对角矩阵.
(2) 如果 A 的特征值各不相同,则其若尔当标准形必为对角矩阵 diag(λ1,λ2,,λn) .

直接解方程组

高斯消元法

高斯若尔当消元法

A 变成对角阵, 再归一化为 In,

列主元消元法

进行高斯消元法的时候, 选取每一列绝对值最大的数作为主元, 换行来进行操作

矩阵三角分解法

(1) Ly=b , 求 y ;
(2) Ux=y , 求 x .

LU分解 A=LU (杜利特尔分解) [各阶顺序主子式不为零即可]

An 阶矩阵, 如果 A 的顺序主子式 Di0(i=1,2,,n1), 则 A 可分解为一个单位下三角矩阵 L 和一个上三角矩阵 U 的乘积, 且这种分解是唯一的.

平方根法 A=L~L~T (对称正定阵的三角分解或楚列斯基分解) [对称正定阵]

如果 An 阶对称正定矩阵, 则存在一个实的非奇异下三角矩阵 L 使 A=LLT , 当限定 L 的对角元素为正时, 这种分解是唯一的.

改进的平方根法 A=LDLT [对称且各阶顺序主子式不为零]

An 阶对称矩阵, 且 A 的所有顺序主子式均不为零, 则 A 可唯一分解为
A=LDLT,
其中 L单位下三角矩阵, D 为对角矩阵.

追赶法 (三对角方程的LU分解)

误差分析

算子范数 (有矩阵向量相容性的范数)

定义

xRn,ARn×n , 给出一种向量范数 xv (如 v=1,2 ), 相应地定义一个矩阵的非负函数

Av=maxx0Axvxv

可验证 Av 满足定义 4(见下面定理), 所以 AvRn×n 上矩阵的一个范数, 称为 A 的算子范数, 也称从属范数.

3种算子范数

xRn,ARn×n , 则 :
(1) A=max1inj=1n|aij| (称为 A 的行范数, 横着, 所以行范数);

(2) A1=max1jni=1n|aij| (称为 A 的列范数, 1竖着所以列范数);

(3) A2=λmax(ATA) (称为 A 的 2-范数), 其中 λmax(ATA) 表示 ATA 的最大特征值.

性质

ABvAvBv

条件数

带横线表示测量值,测量解

xx¯=A1(bb¯)A1bb¯ (1)

bAx1xAb (2)

结合 (1) (2), 有

xx¯xA1Abb¯b

因此我们取 A1A 为条件数

定义:设 A 为非奇异阵, 称数 cond(A)v=A1vAv(v=1,2) 为矩阵 A 的条件数.

常用条件数

(1) cond(A)=A1A ;

(2) A 的谱条件数

cond(A)2=A2A12=λmax(ATA)λmin(AAT)

A 为对称矩阵时

cond(A)2=|λ1||λn|

其中 λ1,λnA 的绝对值最大和绝对值最小的特征值.

条件数的性质

(1) 对任何非奇异矩阵 A , 都有 cond(A)v1 . 事实上,

cond(A)v=A1vAvA1Av=1

(2) 设 A 为非奇异阵且 c0 (常数), 则

cond(cA)v=cond(A)v

(3) 如果 A 为正交矩阵, 则 cond(A)2=1 ;
如果 A 为非奇异矩阵, R 为正交矩阵, 则 cond(RA)2=cond(AR)2=cond(A)2

posted @   WilliamHuang2022  阅读(135)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 阿里最新开源QwQ-32B,效果媲美deepseek-r1满血版,部署成本又又又降低了!
· 单线程的Redis速度为什么快?
· SQL Server 2025 AI相关能力初探
· AI编程工具终极对决:字节Trae VS Cursor,谁才是开发者新宠?
· 展开说说关于C#中ORM框架的用法!
点击右上角即可分享
微信分享提示