Householder relections

最新推荐文章于 2024-07-11 15:32:59 发布
最新推荐文章于 2024-07-11 15:32:59 发布
阅读量2.1k 收藏 2
点赞数
分类专栏： matrix_method


豪斯霍尔德变换（Householder transformation）又称初等反射（Elementary reflection），最初由A.C Aitken在1932年提出[1]。Alston Scott Householder在1958年指出了这一变换在数值线性代数上的意义[2]。这一变换将一个向量变换为由一个超平面反射的镜像，是一种线性变换。其变换矩阵被称作豪斯霍尔德矩阵，在一般内积空间中的类比被称作豪斯霍尔德算子。超平面的法向量被称作豪斯霍尔德向量。



定义

豪斯霍尔德变换示意图：向量 x在豪斯霍尔德向量v的超平面 \mathbf{v}^{\perp}上的镜像是 Hx， H是豪斯霍尔德矩阵。

如果 v 给出为单位向量而I 是单位矩阵，则描述上述线性变换的是豪斯霍尔德矩阵 （v^* 表示向量v 的共轭转置）

H = I - 2 vv^*.\,

性质

豪斯霍尔德矩阵有如下性质:

进一步的，H 实际上按上面描述的那样反射了点X (用它的位置向量x 来识别)，因为

Hx = x-2vv^*x = x - 2\langle v,x\rangle v,

这里的 \langle, \rangle 表示点积。注意\langle v, x\rangle 等于从X 到超平面的距离。

应用

豪斯霍尔德变换可以将向量的某些元素置零，同时保持该向量的范数不变。例如，将非零列向量\mathbf{x}=[x_1,\ldots,x_n ]^T变换为单位基向量\mathbf{e}=[1,0,\ldots,0]^T的豪斯霍尔德矩阵为

\mathbf{H} = \mathbf{I} - \frac{2}{\langle \mathbf{v},\mathbf{v} \rangle}\mathbf{vv}^H

其中豪斯霍尔德向量\mathbf{v}满足：

\mathbf{v} = \mathbf{x} + \rm{sgn}(x_1) \Vert x \Vert_2 \mathbf{e}_1 . \,

Dubrulle 在2000年给出了将豪斯霍尔德变换应用于生成一个一般的稀疏向量的一个数值稳定的算法[3]。

对一个矩阵的各个列向量逐一进行相应的豪斯霍尔德变换，可以将这个矩阵变换为上海森伯格矩阵、上三角矩阵等形式[4]。后者就是QR分解的豪斯霍尔德算















参考链接：http://zh.wikipedia.org/wiki/%E8%B1%AA%E6%96%AF%E9%9C%8D%E5%B0%94%E5%BE%B7%E5%8F%98%E6%8D%A2

http://class.htu.cn/nla/chat3/sect3_2.htm


CHAOS万有引力
关注
专栏目录
25 矩阵——QR分解、Householder 矩阵、镜面反射
炫云云
05-30 1331
💖💖感谢各位观看这篇文章，💖💖点赞💖💖、收藏💖💖、你的支持是我前进的动力！💖💖 💖💖感谢你的阅读💖，专栏文章💖持续更新！💖关注不迷路！!💖 矩阵线性代数笔记整理汇总，超全面_ 文章目录 \boldsymbol{Q R}QR 分解 镜面反射 Householder 矩阵 \boldsymbol{Q R}QR 分解计算 参考
QR 分解：QR 分解或因式分解（Householder Reflections Approach）-matlab开发
05-29
在线性代数中，QR 分解，也称为 QR 分解或 QU 分解是将矩阵 A 分解为正交矩阵 Q 和上三角矩阵 R 的乘积 A = QR。 QR 分解通常用于求解线性最小二乘问题，是特定特征值算法（QR 算法）的基础。 参考： 使用MATLAB:registered:的应用数值方法作者：杨元英，曹文武，钟泰生，约翰·莫里斯首次出版时间：2005年1月14日打印ISBN：9780471698333 |在线ISBN：9780471705192 | DOI：10.1002 / 0471705195 版权所有:copyright:2005 John Wiley＆Sons，Inc.
House holder reflections and Givens rotations
最新发布
weixin_41469272的博客
07-11 691
具体来说，Householder反射可以用于将一个向量变成一个特定方向的向量，比如将一个向量变成与标准基向量平行的向量。这种方法的主要特点是，它可以在很少的运算步骤中完成这一操作，因此在数值计算中非常高效。Householder反射和Givens旋转是两种常见的线性代数方法，用于将一个矩阵分解为正交矩阵(Q)和上三角矩阵®，即QR分解。Givens旋转是一种通过旋转将一个向量的某个分量置零的方法。总体来说，QR分解的目标是通过一系列的正交变换（Householder反射或Givens旋转）将原矩阵。
Householder变换（反射变化）与Givens变换（旋转变化）的学习笔记
qq_56780627的博客
12-23 9415
一点点矩阵理论 学习笔记，开干！
matlab进行豪斯霍尔德变换与QR分解
11-25
对于维数小的矩阵求所有特征值
householder QR分解.rar_Householder算法QR_householder_householderQR分解
07-15
Householder QR分解是一种在数值线性代数中广泛使用的矩阵分解方法，用于将任意复数或实数矩阵A转换为正交矩阵Q和上三角矩阵R的乘积，即A=QR。这种方法由Alston Householder在1958年提出，因其高效性和稳定性而备受...
householder.zip_decomposition_householder_householder QR
07-14
这个“householder.zip_decomposition_householder_householder QR”涉及到使用Householder反射来实现QR分解的过程。接下来，我们将深入探讨Householder反射、QR分解以及它们在电力系统中的应用。 首先，...
矩阵论 Householder变换 Matlab代码实现
03-18
矩阵论 Householder变换 Matlab代码实现
矩阵分析与应用householder
02-12
《矩阵分析与应用：Householder约简在Python中的实现》 矩阵分析是数学的一个重要分支，它在科学计算、工程领域以及数据分析等多个方面都有广泛的应用。Householder约简是一种高效且实用的矩阵变换方法，尤其在数值...
dll.zip_matlab Householder
09-23
在MATLAB编程环境中，Householder变换是一种常用的矩阵分解方法，特别是在进行 QR 分解时。QR 分解是线性代数中的重要技术，它将一个矩阵分解为一个正交矩阵（Q）与一个上三角矩阵（R）的乘积。这个过程在解决线性...
householder方法化为Hessenberg矩阵(附Matlab、C代码)
qq_55009067的博客
05-27 2452
Householder 变换也称为初等反射变换，下面先定义 Householder 矩阵。用 Householder 矩阵左乘一个向量（或矩阵），即实现 Householder 变换。正交相似变换为上 Hessenberg 矩阵, 然后用 QR 算法求上 Hessenberg 矩阵的特征值, 便得到原矩阵的特征值。​，只需计算向量 v 与 x 的内积，而不需要计算矩阵与向量的乘法。下面考虑用初等反射阵来正交相似约化一般矩阵和对称矩阵. 设。​ 实对称矩阵的hessenberg化验证。
【数理知识】《数值分析》李庆扬老师-第8章-矩阵特征值计算
赵继超的笔记
12-15 1549
第8章-矩阵特征值计算8.1 特征值性质和估计8.2 幂法及反幂法8.3 正交变换与矩阵分解8.4 QR 方法 8.1 特征值性质和估计 8.2 幂法及反幂法 8.3 正交变换与矩阵分解 8.4 QR 方法
矩阵的QR分解（jama和emjl对比，UJMP锦上添花）
毛毛雨的博客
06-03 4103
JAMA和EMJL两种方式实现矩阵QR分解，对比结果，推荐使用EMJL。
用豪斯霍尔德（Householder）变换进行矩阵的QR分解，及其Matlab和OpenCV实现
zhiTjun的博客
01-20 8037
1、豪斯霍尔德变换 一般地，对给定的mmm维向量aaa，考虑分块 a=[a1a2]a=\left[ \begin{matrix} {{a}_{1}} \\ {{a}_{2}} \\ \end{matrix} \right]a=[a1​a2​​]，其中a1{{a}_{1}}a1​是(k−1)(k-1)(k−1)维向量，1≤k<m1\le k<m1≤k<m。如果豪斯霍尔德向量为v=[0a2]−αekv=\left[ \begin{matrix} 0 \\ {{a}
Householder Transformation 进行QR分解Matlab代码
VioletHan7的博客
12-31 1万+
Householder Transformation 进行QR分解Matlab代码 该代码结合下面的代码可实现HT求最小二乘法问题% %===================================================== % function x=lshouse(A,b) % %---------------------------- General M-file com
QR分解之HouseHolder变换
热门推荐
小小鸟
08-25 5万+
QR分解一个矩阵的QR分解（QRdecomposition）(QRfactorization)是将矩阵分解成A=QRA=QR，其中Q是一个正交矩阵（QTQ=IQ^TQ=I），R是上三角矩阵。HouseHolder变换HouseHolder变换可以将一个向量映射到一个超平面上。 HoulseHolder矩阵 P=I−2vvTP=I-2vv^T,II是单位矩阵，vv是单位正交矩阵，vvT=Ivv
数值分析--矩阵QR分解的三种方法
Jackery's Special Column
08-27 2万+
QR分解法是目前求一般矩阵全部特征值的最有效并广泛应用的方法，一般矩阵先经过正交相似变化成为Hessenberg矩阵，然后再应用QR方法求特征值和特征向量。它是将矩阵分解成一个正规正交矩阵Q与上三角形矩阵R，所以称为QR分解法，与此正规正交矩阵的通用符号Q有关。
QR分解的三种实现方法
Du_Shuang的博客
08-15 6815
转载于：https://www.cnblogs.com/qw12/p/6079244.html 1.Gram-Schmidt正交化 假设原来的矩阵为[a,b]，a,b为线性无关的二维向量，下面我们通过Gram-Schmidt正交化使得矩阵A为标准正交矩阵： 假设正交化后的矩阵为Q=[A,B],我们可以令A=a，那么我们的目的根据AB=I来求B，B可以表示为b向量与b向量在a上的投影的误差向量： B=b−Pb=b−ATbATAAB=b−Pb=b−ATbATAA    2.Giv
基于Householder变换的QR分解
专注 图像处理+模式识别+机器学习+深度学习
03-19 1万+
01.function [Q,R]=qrhs(A) 02.% 基于Householder变换，将方阵A分解为A=QR，其中Q为正交矩阵，R为上三角阵 03.% 04.% 参数说明 05.% A：需要进行QR分解的方阵 06.% Q：分解得到的正交矩阵 07.% R：分解得到的上三角阵 08.% 09.% 实例说明 10.% A=[-12 3 3;3 1 -2;3 -2 7];
快速Householder变换在次成分分析中的自适应算法
"这篇文章提出了一种使用Householder变换的快速自适应次成分分析（MCA）算法，旨在高效地提取和跟踪正定共轭协方差矩阵的最小或主要特征向量。文章强调了算法的低计算复杂度和数值稳定性，即使在处理次要成分分析时...
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