Householder和Lanczos双对角化算法用R语言实现

最新推荐文章于 2024-04-21 11:36:12 发布
VIP文章 最新推荐文章于 2024-04-21 11:36:12 发布
阅读量2k 收藏 7
点赞数
文章标签： 算法 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhoufeng5759/article/details/51853773
版权

基础知识

复数：z=a+bi，其中a，b是实数，i是虚数单位。

a=Re(z)称为实部，实部为零时，z为纯虚数。
b=Im(z)称为虚部，虚部b等于零时，z可以视为实数。

共轭复数：实部相等，虚部互为相反数的复数。

例如：x+yi与x-yi称为共轭复数。
共轭复数有些有趣的性质：

|x+yi|=|x−yi| | x + y i | = | x − y i |
(x+yi)×(x−yi)=x2+y2 ( x + y i ) × ( x − y i ) = x 2 + y 2

共轭转置：将矩阵转至再共轭，记为

最低0.47元/天 解锁文章
evolvementy
关注
  • 0
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab开发-矩阵的双对角化
11-15
matlab开发-矩阵的双对角化。代码通过调用Lapack例程计算矩阵的双对角矩阵分解。
基于Lanczos双对角化的快速光声成像重建方法
02-04
光声成像结合了光学成像和声成像的优点，是一种具有高空间分辨率、高对比度的无损成像技术，成为当前生物医学成像的研究热点之一。重建光声图像是一个典型的逆问题，具有严重的病态性。针对光声成像的病态性和较大的系统矩阵会导致重建速度慢的问题，提出了一种基于Lanczos双对角化的快速指数滤波重建方法，并通过数值仿真证实了该方法的有效性。仿真结果表明，所提方法在保证重建图像高质量的同时极大地提高了重建速度，其重建时间是指数滤波和后投影方法的1/67~1/47。
lanczos bidiagonalization（1）
zhuqing2020的专栏
12-23 3425
Lanczos bidiagonalization with partial reorthogonalization （Rasmus Munk Larsen 1998）
Eigen中用于特征值分解的几个类的介绍
李想的博客
06-08 3237
官方文档里有这几个函数的对比第二列是这些方法对矩阵的要求，第三列是计算的速度，第四列是算法的可靠性与准确性。BDCSVD和JacobiSVD是计算奇异值的，如果维度小于16, 可以直接用JacobiSVD。SelfAdjointEigenSolver是计算实对称矩阵或者复数下的自伴矩阵的特征值与特征向量的。ComplexEigenSolver是计算复数矩阵的特征值与特征向量的。EigenSolver是一般矩阵（非对称矩阵，复数矩阵）的特征值与特征向量。
奇异值矩阵分解(Singular Value Decomposition)的一些感想
热门推荐
飞奔的火焰的专栏
09-11 1万+
最近的大半年一直在和矩阵分解和数值运算打交道。主要是核心算法里用到了许多矩阵分解的东西，学习的过程很艰辛，走了很多弯路，本文全当一个记录，记录学习过程的一些思考，以及一部分自己的见解。 本文主要分为五部分，在目录中有介绍，正文部分写的比较凌乱，因为记录了自己思考的整个过程。好在SVD的学习曲线不算非常陡峭，因而可以充分的边学边思考，许多算法在建立之后都会划归为矩
基于Lanczos方法的矩阵双对角化或三对角化
weixin_44498266的博客
06-26 4733
LSQR算法是计算大型稀疏线性方程组的算法，由Paige和Saunders于1982年提出。该方法主要为求解以下线性方程组（A为m*n的矩阵，m>n），且保持二阶残差范数最小： Ax=bMin∥Ax−b∥2 Ax=b\\ Min\parallel Ax-b \parallel_{2} Ax=bMin∥Ax−b∥2​ 对于传统的最小二乘问题，可以直接求出方程的解，但是对于大型稀疏矩阵，往往是病态问题（超定方程组或欠定方程组），因此，LSQR方法不是直接求解x，而是遵守最小二乘的原则，在法方程限定的空间中
基于Lapack接口的矩阵双对角化：代码通过调用Lapack例程计算矩阵的双对角矩阵分解。-matlab开发
06-01
此代码提供了基于 Lapack 子例程的可靠双对角分解例程。 Lapack 是数值分析中最可靠的 Fortran 程序之一。 在 Lapack 中，双对角化用于通过例程 zgebrd 和 zungbr 计算矩阵的 SVD。 请参阅http://www.netlib.org/lapack/lug/node53.html但是，Matlab 不支持将双向例程作为独立样式。 因此，此提交帮助人们使用矩阵的双对角化，A = Q * B * P'，其中 A 是非平方的复数或实数，B 是双对角的实数，Q 和 P 是酉或正交的。 最初的 Lapack 接口例程来自 Tim Toolan 在“文件交换”中的工作。 此代码可用于理解 Lapack 接口。 此代码也与 Octave 平台兼容。 请注意，双对角化是矩阵约简保留奇异值的好工具。 相反，如果您减少保留特征值的矩阵，您可能需要使用相似变换，例如 Hes
Lanczos双对角化方法中近似奇异三元组的改进
04-30
Lanczos双对角化方法中近似奇异三元组的改进
[自留]R语言实践课23-3-15
weixin_53246755的博客
03-15 90
作图，数据整序； 降维舍弃信息，保留有用信息。 目的：高维数据通过线性变换投射到低维，方便统计处理。 向量乘以矩阵，相当于换一个坐标系。
R语言产生对角阵、次对角阵等矩阵及矩阵运算
WANMOUD的博客
11-13 1万+
R语言产生各种类型的矩阵及矩阵运算R语言产生一般的矩阵R语言产生单位阵R语言产生次对角阵R语言矩阵的常见运算 R语言产生一般的矩阵 # 依行排列，产生3行5列的矩阵 A = matrix(c(1:15),3,5,byrow=T) R语言产生单位阵 #产生对角线元素为1的6x6的单位阵 A = diag(6) #产生对角线元素为5的6x6的单位阵 A = diag(6)*5 #产对角线元素为1：6的6x6的对角阵 B = diag(c(1:6)) R语言产生次对角阵 #产生次对角线元素为1的6x6的
h_trid:使用 Householder 方法对矩阵进行三对角化。-matlab开发
06-01
此函数将使用 Householder 方法对方形对称矩阵进行三对角化。
householder QR分解.rar_Householder算法QR_householder_householderQR分解
07-15
该程序是利用householder变换进行矩阵的QR分解
矩阵论 Householder变换 Matlab代码实现
03-18
矩阵论 Householder变换 Matlab代码实现
matlab数值特征值与特征向量计算 实例源程序代码.zip_4 3 2 1_三对角化_对称QR_幂法_矩阵三对角化
07-15
　10.4.3 实对称矩阵的三对角化 365 　10.4.4 三对角阵特征值与特征向量的求解 367 　10.5 QR方法 369 　10.5.1 QR分解 369 　10.5.2 基本QR方法 370 　10.5.3 带原点位移的QR方法 372 　10.6 MATLAB自带函数应用 ...
QR-householder算法的java代码实现
10-27
特征值和特征向量的计算比较复杂，尤其是高阶的，在网上找了好久都没有找到java实现，最后还是自己改写了一个c语言的代码，给大家分析。QR householder 特征值 特征向量 的时间复杂度是n的平方，而雅克比迭代的时间...
【Leetcode】2007. 从双倍数组中还原原数组
weixin_43627638的博客
04-19 280
一个整数数组original可以转变成一个数组changed，转变方式为将original中每个元素加入数组中，然后将所有元素。给你一个数组changed，如果change是数组，那么请你返回original数组，否则请返回空数组。original的元素可以以顺序返回。
算法刷题-16
最新发布
qq_45773834的博客
04-21 594
学习来源： leetcode，牛客 https://programmercarl.com https://www.yuque.com/taxing-qarr6/hxitgt/dedugmp09knerdi1
FloodFill算法简介（用BFS、DFS算法解决）
2301_76197086的博客
04-18 449
FloodFill算法简介
力扣136. 只出现一次的数字
LNsupermali的博客
04-18 573
力扣136. 只出现一次的数字
带 Wilkinson 位移的隐式对称 QR 算法求解对称矩阵特征值matlab代码，要求使用householder三对角化
06-09
以下是使用 Householder 三对角化和带 Wilkinson 位移的隐式对称 QR 算法求解对称矩阵特征值的 Matlab 代码： ```matlab function [eigenvalues, eigenvectors] = symmQR(A, tol) % A: n x n 对称矩阵 % tol: 容许误差 % eigenvalues: n x 1 特征值向量 % eigenvectors: n x n 特征向量矩阵 n = size(A, 1); eigenvalues = diag(A); % 初始化特征值向量 eigenvectors = eye(n); % 初始化特征向量矩阵 while true for i = 1:n-1 if abs(A(i+1,i)) < tol % 判断下对角线元素是否为零 continue end % 计算 Householder 变换矩阵 [v, beta] = house(A(i:i+1,i)); H = blkdiag(eye(i-1), v*v'/beta, eye(n-i-1)); % 对矩阵进行 Householder 三对角化 A = H * A * H; eigenvectors = eigenvectors * H; % 对带 Wilkinson 位移的隐式 QR 算法进行迭代 [mu, shift] = wilkinsonShift(A(n-1:n,n-1:n)); [Q, R] = qr(A - mu*eye(n)); A = R * Q + mu*eye(n); % 更新特征值向量 eigenvalues(i:i+1) = A(i:i+1,i:i+1); end % 检查是否满足停止条件 if max(abs(tril(A,-1))) < tol break end end % 对特征向量矩阵进行正交化 for i = 1:n for j = 1:i-1 eigenvectors(:,i) = eigenvectors(:,i) - (eigenvectors(:,i)'*eigenvectors(:,j)) * eigenvectors(:,j); end eigenvectors(:,i) = eigenvectors(:,i) / norm(eigenvectors(:,i)); end end function [v, beta] = house(x) % 计算 Householder 变换矩阵 sigma = norm(x); if x(1) >= 0 v1 = x(1) + sigma; else v1 = x(1) - sigma; end v = x / v1; v(1) = 1; beta = 2 / (v'*v); end function [mu, shift] = wilkinsonShift(A) % 计算带 Wilkinson 位移的隐式 QR 算法中的位移参数 d = (A(1,1) - A(2,2)) / 2; if d >= 0 mu = A(2,2) - A(2,1)^2 / (d + sqrt(d^2 + A(2,1)^2)); else mu = A(2,2) - A(2,1)^2 / (d - sqrt(d^2 + A(2,1)^2)); end shift = A(2,2) - mu; end ``` 其中 `house` 函数用于计算 Householder 变换矩阵，`wilkinsonShift` 函数用于计算带 Wilkinson 位移的隐式 QR 算法中的位移参数。函数返回特征值向量和特征向量矩阵。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值