病态矩阵与条件数
条件数
本文的阅读等级:高级
当一线性系统受到极微小的扰动即可引发方程解剧烈变化时,我们将无从信任计算结果,便称它是病态系统(见“ 病态系统 ”)。 条件数(condition number) 是矩阵运算误差分析的基本工具,它可以度量矩阵对于数值计算的敏感性和稳定性,也可以用来检定病态系统。 本文通过一个简单的线性方程扰动问题介绍条件数的推导过程,基本推演工具是矩阵范数 的定义所含的两个不等式(见“ 矩阵范数 ”):
问题一 :考虑线性方程 ,其中 为 阶可逆矩阵。 假设 受到微小扰动成为 ,方程解随之由 变为 ,试计算相对误差 的可能范围。
考虑包含扰动及误差的线性方程:
与原方程式 相减可得 ,方程解的误差为 。 利用不等式 和 ,可得
另一方面,我们考虑不等式 和 ,就有
上面二式指出相对误差 的上下界由矩阵范数乘积 决定,根据这个结果我们定义方阵 的条件数为
也就是说, 引起的相对误差大小由内部因素 和外部因素 共同决定:
接着讨论条件数的计算方法。 设 阶矩阵 的奇异值分解为 ,其中 , , 和 为正交矩阵(见“ 奇异值分解(SVD) ”)。 若 为可逆矩阵, ,所以 , 。 因为正交矩阵 和 不改变向量长度,最大奇异值和最小奇异值分别满足
以2-范数(2-norm) 计算的条件数也就为
若 为对称可逆矩阵,计算
因此 , , 是 的特征值,条件数可表示为
又若 为正交矩阵, ,则 ,故 ,这说明正交矩阵具有最佳的数值稳定性。
下面我们进一步讨论奇异值分解与条件数上下界的关系。 奇异值分解的 矩阵其行向量 称为左奇异向量, 矩阵的行向量 称为右奇异向量,左右奇异向量的关系如下:
考虑 , ,方程解和误差可分别表示为
计算向量长度并相除,
得知 , 满足相对误差的上界。 同样方式也可以证明 , 满足相对误差的下界,亦即
考虑下面两个取自“ 病态系统 ”一文的例子:
计算奇异值后代入条件数公式:
此例中, 小(指 的幂 ), 是良置的,小扰动 不至于对方程解造成大误差。 但 很大, 是病态的,小扰动 可能引起大 ,但大扰动 也可能产生微小的 。 由于难以掌握 的变化方向,在面对病态系统时我们总是要预防最坏的情形发生。
问题二 :如果线性方程 的系数矩阵 和常数向量 都受到杂音干扰,这对方程解 的误差有何影响?
考虑 和 分别受到 和 干扰,则 满足
为简化问题,以下假设 , 。 令 ,当 时,下面三个性质成立。
性质一 : 为可逆矩阵。
已知 是可逆的,由假设条件可得
根据Neumann 无穷级数性质可知 是可逆的,且 (见“ Neumann无穷级数 ”),故 亦为可逆矩阵。
性质二 :
将 等号两边左乘 ,
性质一指出 是可逆的,就有
利用性质一的不等式,可得
但 ,所以
性质三 :
性质二的关系式可写为 ,计算 长度:
利用已知条件与三角不等式,可得
将上式除以 并利用性质二,
方程解的相对误差来自 和 的相对扰动量和 ,条件数 再将此误差放大。 换句话说,执行数值计算时,因舍入误差而造成的方程解误差有两个来源:一是线性系统自身的敏感性,以 表示,另一则是真实误差 和 。 当我们用LU 分解计算时,受限于电脑的精准度,实际得到的是近似矩阵 和 ,因此无可避免地使用了错误矩阵 。 英国数学家威尔金森(James H. Wilkinson)证明部分轴元法(partial pivoting,见“ PA=LU分解 ”)确实能够有效控制 ,故舍入误差的主要决定因素为系数矩阵的条件数。 感谢威尔金森提供的定心丸,除非碰上病态系统,否则我们大可放心地使用高斯消去法。
本文参考:
Gene H. Golub, Charles F. Van Loan,Matrix Computations,2 nd ed.,1989。
____________________________________________________________
1. 病态系统
现在有线性系统: Ax = b, 解方程
很容易得到解为: x1 = -100, x2 = -200. 如果在样本采集时存在一个微小的误差,比如,将 A 矩阵的系数 400 改变成 401:
则得到一个截然不同的解: x1 = 40000, x2 = 79800.
当解集 x 对 A 和 b 的系数高度敏感,那么这样的方程组就是病态的 (ill-conditioned).
2. 条件数
那么,如何评价一个方程组是病态还是非病态的呢?在此之前,需要了解矩阵和向量的 norm, 这里具体是计算很简单的 infinity norm, 即找行绝对值之和最大,举个例子:
infinity norm 具有三角性质:||x+y|| <=
||x|| + ||y||. 理解了这些概念,下面讨论一下衡量方程组病态程度的条件数,首先假设向量 b 受到扰动,导致解集 x 产生偏差:
即有:
同时,由于
综合上面两个不等式:
即得到最终的关系:
如果是矩阵 A 产生误差,同样可以得到:
其中, 条件数定义为:
一般来说,方程组解集的精度大概是 个十进制的位的误差。 比如,IEEE 标准表示的双精度浮点数的有效位是 16 位,如果条件数是 1e+10, 那么得到的结果中只有 6 位是精确的。所以,只有当方程组是良态时,残差 R = Ax - b 才能准确指示解的精度。
3. 病态的由来
自己的看法:
线性系统 Ax = b 为什么会病态?归根到底是由于 A 矩阵列向量线性相关性过大,表示的特征太过于相似以至于容易混淆所产生的。举个例子, 现有一个两个十分相似的列向量组成的矩阵 A:
在二维空间上,这两个列向量夹角非常小。假设第一次检测得到数据 b = [1000, 0]^T, 这个点正好在第一个列向量所在的直线上,解集是 [1, 0]^T。现在再次检测,由于有轻微的误差,得到的检测数据是 b = [1000, 0.001], 这个点正好在第二个列向量所在的直线上,解集是 [0, 1]^T。两次求得到了差别迥异的的解集。
4. 与特征值和 SVD 的关系
- 特征值
假设 A 的两个单位特征向量是 x1, x2, 根据特征向量的性质:
上述矩阵 A 的特征值和特征向量分别为:
对于平面上的某一个向量 b,可以分解为两个特征向量的线性组合:
如果 远远大于 , 当 b 点在 x1 方向发生移动, m 值改变, 解集 x 变化不明显, 反之, 如果在 x2 方向移动, n 值改变,解集 x 变化非常大 !可以看到,特征值对解集起到了一个 scaling 的作用。反过来说,如果一个特征值比其它特征值在数量级上小很多,x在对应特征向量 (x2) 方向上很大的移动才能产生b微小的变化.
2. SVD
联系上次学到的 SVD 知识,将 A 分解成三个矩阵的乘积,中间的对角线矩阵也起到了 scaling 的作用。我们按照正向思维来考虑这个问题,现在来了一个解集 x 向量,左乘 A 矩阵等价与左乘 USV^T, x 向量正好等于 V^T 最后一行向量,经过 S 矩阵的 scaling 缩小之后对 b 的影响非常小。也就是说, 解集 x 在 V^T 最后一行的行向量方向自由度最大!自由度越大,越不稳定,极端情况是该方向奇异值为 0, 解集可以在该方向取任意值,这也正好对应了矩阵 A 有零特征值, Ax 在对应特征向量的方向上移动不改变 Ax 的值。
在不同的 norm 下,条件数又可以由最大奇异值与最小奇异值之间的比值,或者最大特征值和最小特征值之间比值的绝对值来表示,详情请参考维基百科
最后, A 的条件数究竟等于多少呢? cond(A) = 2e+06
5. 病态矩阵处理方法
真正的自由是建立在规范的基础上的。病态矩阵解集的不稳定性是由于解集空间包含了自由度过大的方向,解决这个问题的关键就是将这些方向去掉,而保留 scaling 较大的方向,从而把解集局限在一个较小的区域内。在上面的讨论中, A 矩阵的特征向量不一定正交,不适合做新基, SVD 分解正好分解出了正交基,可以选前 k 个 v^T 向量作为正交基。
比如,现在只选取前一个 (0.707, 0.707) 方向作为基,解集局限咋 y = x 这条直线上。直观的解释就是, A 矩阵的两个列向量过于类似,我们就可以将它们等同看待,第一次 b = (1000, 0), 解集是(0.5, 0.5), 第二次 b = (1000, 0.001), 解集还是 (0.5, 0.5).
总结起来,解决 A 病态就是将解集限定在一组正交基空间内,即对于坐标 y, 选择 k 个正交基 Zk,解决问题:
这个就是 reduce-rank model. 具体方法有 truncated SVD 和 Krylov subspace method。
参考资料:
标签: matrix
如果这篇文章帮助到了你,你可以请作者喝一杯咖啡