最优化方法实验三--矩阵QR分解

方不可方可

于 2024-02-17 20:46:24 发布

阅读量1.5k

点赞数 34

分类专栏：最优化方法文章标签：线性代数算法

本文链接：https://blog.csdn.net/m0_68553640/article/details/136139097

版权

最优化方法专栏收录该内容

5 篇文章 0 订阅

订阅专栏

一、实验目的与要求

1.熟练掌握QR分解Gram–Schmidt方法；

2.掌握Householder方法；

3.能够判断矩阵是否可逆，并求出其逆矩阵。

二、问题

三、模型建立及求解

1、Gram–Schmidt

1.1向量投影

向量的投影包含了两层意思：①正交关系：矢量与投影的差称为误差，误差和投影正交；②最短距离：投影空间中所有矢量中，与原矢量距离最近的，就是原矢量在该空间的投影，且最短距离的平方就是最小平方误差。

如图2所示，已知向量a和b，将b投影到a上，投影为p，设p=ta，t为常量，b与p的差为e，e=b-p。根据上述的正交关系e与p正交，根据最短距离有： $\hat{t}=\min_{t}\left \| b-p \right \|_{2}^{2}=\min_{t}\left \| b-ta \right \|_{2}^{2}$ 。

设 $f(t)=\left \| b-ta \right \|_{2}^{2}=\left \langle b-ta,b-ta \right \rangle=t^{2}a^{T}a-2ta^{T}b-b^{T}b$ ，则 $\triangledown f(t)=2ta^{T}a-2a^{T}b$ 。令 $\triangledown f(t)=0$ ，求得 $\hat{t}=\frac{a^{T}b}{a^{T}a}=\frac{a^{T}b}{\left \| a \right \|_{2}^{2}}$ 。则 $p=ta=\frac{a^{T}b}{\left \| a \right \|_{2}^{2}}a$ ， $e=b-p=b-\frac{a^{T}b}{\left \| a \right \|_{2}^{2}}a$ 。当 $a$ 为单位向量，即 $\left \| a \right \|_{2}^{2}=1$ 时，有：

$p=ta=(a^{T}b)a$ ------(1.1.1)

$e-b-p=b-(a^{T}b)a$ ------(1.1.2)

1.2 Gram–Schmidt正交化

Gram–Schmidt算法的目的是将给定的一组线性无关向量，转换为一组标准正交基。其主要思想为：每个新的矢量都减去它在已经正交化的矢量方向的投影，进而每次新增一个与所有已经正交化的矢量都正交的矢量。新的矢量只和之前的矢量有关，而与后面的矢量无关。每新增一个正交矢量，将其单位化，最终即可将一组线性无关向量转换成标准正交基。

如图3所示为将向量 $a_{1},a_{2}$ 进行正交化过程。首先令 $\tilde{q_{1}}=a_{1}$ ，第一个矢量保持方向不变，将 $\tilde{q_{1}}$ 单位化得到 $q_{1}$ ；然后根据2.1式(1.1.1)和(1.1.2)，令 $\tilde{q_{2}}=a_{2}-(q_{1}^{T}a_{2})q_{1}$ ，可以保证 $\tilde{q_{2}}$ 与 $q_{1}$ 正交，将 $\tilde{q_{2}}$ 单位化得到 $q_{2}$ 。于是将向量 $a_{1},a_{2}$ 正交化得到了标准正交基 $q_{1},q_{2}$ 。

将向量的数目推广至n个，将 $a_{1},a_{2},...,a_{n}$ 正交化的过程为：

①令 $q_{1}=\frac{a_{1}}{\left \| a_{1} \right \|_{2}}$ ；

②正交化：根据公式 $\tilde{q_{i}}=a_{i}-(q_{1}^{T}a_{i})q_{1}-...-(q_{i-1}^{T}a_{i})q_{i-1},i=2,3,...,n$ 计算 $\tilde{q_{i}}$ ；

③检验线性相关：若 $\tilde{q_{1}}=0$ ，则 $a_{i}=(q_{1}^{T}a_{i})q_{1}+...+(q_{i-1}^{T}a_{i})q_{i-1}$ ， $a_{i}$ 是 $q_{1},...,q_{i-1}$ 的线性组合，证明 $a_{i},q_{1},...,q_{i-1}$ 线性相关，退出迭代；否则进行下一步；

④单位化：令 $q_{i}=\frac{\tilde{q_{i}}}{\left \| \tilde{q_{i}} \right \|_{2}}$ ；

⑤重复步骤②~④，直至遍历完所有向量。

若在第i次迭代未退出，可证明 $q_{i}$ 与 $q_{1},...,q_{i-1}$ 都是正交的：等式 $\tilde{q_{i}}=a_{i}-(q_{1}^{T}a_{i})q_{1}-...-(q_{i-1}^{T}a_{i})q_{i-1}$ 两边左乘 $q_{j}^{T},1\leqslant j\leqslant i-1$ ，得：

$q_{j}^{T}\tilde{q_{i}}=q_{j}^{T}a_{i}-q_{j}^{T}(q_{1}^{T}a_{i})q_{1}-...-q_{j}^{T}(q_{i-1}^{T}a_{i})q_{i-1}$ （ $q_{1}^{T}a_{i},...,q_{i-1}^{T}a_{i}$ 为常数可提到后面）

$=q_{j}^{T}a_{i}-(q_{j}^{T}q_{1})(q_{1}^{T}a_{i})-...-(q_{j}^{T}q_{i-1})(q_{i-1}^{T}a_{i})$

$q_{1},...,q_{i-1}$ 两两正交且都为单位向量，所以 $q_{j}^{T}q_{k}=0,k=1,2,...,i-1$ ，且 $k\neq j$ ，
$q_{j}^{T}q_{j}=1$ ，所以： $q_{j}^{T}a_{i}-(q_{j}^{T}q_{1})(q_{1}^{T}a_{i})-...-(q_{j}^{T}q_{i-1})(q_{i-1}^{T}a_{i})=q_{j}^{T}a_{i}-q_{j}^{T}a_{i}=0$ ，即 $q_{j}^{T}\tilde{q_{i}}=0$ 。因此 $q_{1}\perp \tilde{q_{i}},...,q_{i-1}\perp \tilde{q_{i}}$ ，而 $q_{i}=\frac{\tilde{q_{i}}}{\left \| \tilde{q_{i}} \right \|_{2}}$ 方向与 $\tilde{q_{i}}$ 一致，故 $q_{i}$ 与 $q_{1},...,q_{i-1}$ 都是正交的。通过上述过程可将n个线性无关的向量得到一组n维向量空间中的标准正交基。

1.3Gram–Schmidt算法QR分解

QR分解是将一个矩阵A分解成具有标准正交列向量的矩阵Q和上三角矩阵R（对角线元素不为0）的算法，即A=QR：

$A=\left [ a_{1},a_{2},..., a_{n}\right ]=\left [ q_{1},q_{2},..., q_{n}\right ]\begin{bmatrix} R_{11} &R_{12} & \cdots &R_{1n} \\ 0 &R_{22} & \cdots &R_{2n} \\ \vdots & \vdots &\ddots &\vdots \\ 0 &0 & \cdots &R_{nn} \end{bmatrix}$

$a_{1},a_{2},..., a_{n}$ 为A的列且线性独立， $q_{1},q_{2},..., q_{n}$ 为Q的列且两两正交，所以有：

$Q^{T}Q=\begin{bmatrix} q_{1}^{T}q_{1} & q_{1}^{T}q_{2} & \cdots &q_{1}^{T}q_{n} \\ q_{2}^{T}q_{1} & q_{2}^{T}q_{2} & \cdots &q_{2}^{T}q_{n} \\ \vdots & \vdots & \ddots & \vdots \\ q_{n}^{T}q_{1} & q_{n}^{T}q_{2} & \cdots &q_{n}^{T}q_{n} \end{bmatrix}=\begin{bmatrix} 1 & 0 &\cdots & 0\\ 0 & 1 & \cdots & 0\\ \vdots & \vdots &\ddots &\vdots \\ 0 & 0&\cdots & 1 \end{bmatrix}=I$ ------(1.3.3)

Q矩阵可逆且其逆矩阵为 $Q^{T}$ ，由于A=QR，所以 $R=Q^{-1}A=Q^{T}A$ 。

矩阵Q的列 $q_{1},q_{2},..., q_{n}$ 由矩阵A的列 $a_{1},a_{2},..., a_{n}$ 通过Gram–Schmidt正交化得到。对A进行QR分解：A=QR。设 $r_{1},...,r_{n}$ 为矩阵R的列， $R_{ij}$ 为R矩阵第i行第j列元素，则有：

$a_{i}=Qr_{i}=R_{i1}q_{1}+R_{i2}q_{2}+...+R_{in}q_{n}$

$q_{i}=\frac{a_{i}-R_{i1}q_{1}-...-R_{ii-1}q_{i-1}-R_{ii+1}q_{i+1}-...-R_{in}q_{n}}{R_{ii}}$

在Gram–Schmidt正交化步骤中，新的矢量只和之前的矢量有关，而与后面的矢量无关。即 $q_{i}$ 只与 $q_{1},...,q_{i-1}$ 和 $a_{i}$ 有关，而与 $q_{i+1},...,q_{n}$ 无关，所以 $R_{ii+1}=...=R_{in}=0$ ，故R是上三角矩阵。

又而根据Gram–Schmidt正交化步骤， $q_{i}=\frac{a_{i}-(q_{1}^{T}a_{i})q_{1}-...-(q_{i-1}^{T}a_{i})q_{i-1}}{\left \| \tilde{q_{i}} \right \|_{2}}$ ，所以矩阵R对角线元素 $R_{ii}=\left \| \tilde{q_{i}} \right \|_{2}$ 。

根据式(1.3.3)， $Q^{-1}=Q^{T}$ ，有：

$R=Q^{-1}A=Q^{T}A=\begin{bmatrix} q_{1}^{T}\\ q_{12}^{T}\\ \vdots \\ q_{n}^{T} \end{bmatrix}\begin{bmatrix} a_{1} & a_{2} & \cdots & a_{n} \end{bmatrix}$ $=\begin{bmatrix} q_{1}^{T}a_{1} & q_{1}^{T}a_{2} & \cdots & q_{1}^{T}a_{n}\\ q_{2}^{T}a_{1} & q_{2}^{T}a_{2} & \cdots & q_{2}^{T}a_{n}\\ \vdots & \vdots & \ddots & \vdots \\ q_{n}^{T}a_{1} & q_{n}^{T}a_{2} & \cdots & q_{n}^{T}a_{n} \end{bmatrix}$

所以： $R=\begin{bmatrix} \left \| \tilde{q_{1}} \right \|_{2} & q_{1}^{T}a_{2} & \cdots &q_{1}^{T}a_{n} \\ 0 & \left \| \tilde{q_{2}} \right \|_{2} & \cdots & q_{2}^{T}a_{n}\\ \vdots & \vdots & \ddots &\vdots \\ 0& 0 & \cdots & \left \| \tilde{q_{n}} \right \|_{2} \end{bmatrix}$

Gram–Schmidt算法实现矩阵A的QR分解为基于正交化定义的方法，实现核心类似数学归纳法，通过第k步的结果推导到第k+1步，逐列计算Q和R的元素，步骤如下：

1.4复杂度分析

设矩阵A大小为m×n，在第k次循环中，计算上三角非对角线元素的次数为k-1，每次内积的复杂度为2m-1 flops，总的复杂度为(k-1)(2m-1)flops；正交化复杂度为2(k-1)m flops；计算对角线元素和单位化的复杂度为3m flops。总计为(4m-1)(k-1)+3m flops。总共n次循环，总复杂度为：

$\sum_{k=1}^{n}((4m-1)(k-1)+3m)=(4m-1)(n-1)/2+3mn\approx 2mn^{2}$ flops。

1.5稳定性分析

导入附件MatrixA.mat中的矩阵进行QR分解后进行稳定性分析，验证得到的Q矩阵是否正交，通过计算 $q_{k}(k=2,3,..,n)$ 与前面列之间的正交性的偏差： $e_{k}=max(q_{i}^{T}q_{k}),i=1,2,...,k-1$ ，当 $e_{k}\neq 0$ ，说明Q矩阵的列不是完全正交的。

将计算结果画图显示，如图3所示。可以观察到，当k<35时，偏差值都为0，而后偏差急剧上升。分析原因，可能是由于浮点数存储的舍入误差，而每新增的正交向量都与前面的向量有关，即误差会累积。随着k增大超出一定范围后，误差累积量增加，导致 $e_{k}$ 波动性增大，Q矩阵逐渐失去正交性，稳定性降低。

由于Gram–Schmidt稳定性较低，下面将引入Gram–Schmidt的改进算法Modified Gram–Schmidt。

2、Modified Gram-Schmidt

2.1Modified Gram-Schmidt算法思想

由上述Gram-Schmidt算法的QR分解稳定性分析中可知，QR分解是逐列分解的，新向量只与前面的向量有关，与之后的向量无关。计算过程中由于浮点数计算精度问题会带来误差，而后面的向量只有在其被计算的时候才可见，这时误差可能已经积累到一定程度，故越往后计算误差越大，当矩阵维数较高的时候具有较差的稳定性。

故想减小误差积累，提高稳定性，计算当前向量时同时考虑之后的向量。Modified Gram-Schmidt 的核心思想为：先选定一个向量作为第一个基准，然后将其余所有向量都投影到该基准的正交空间中，在该正交空间中，对剩下的向量重复前面的工作，最后所有的向量两两正交。实现步骤如下：

2.2复杂度分析

本质上Modified Gram-Schmidt 与Gran-Schmidt 是等价的，MGS只是对计算顺序进行了变更，计算次数不变，故算法复杂度依然为 $2mn^{2}$ flops。

2.3稳定性分析

导入附件MatrixA.mat中的矩阵进行QR分解后进行稳定性分析，计算 $e_{k}$ 并画出折线图，如图4所示，可以看到偏差的数量级为 $10^{-7}$ ，相比于Gram-Schmidt方法 QR分解，稳定性有了极大提升。

分析该结果，Modified Gram-Schmidt 从开始就使所有的向量都参与计算，这样大部分的计算都在误差尚未积累到较大时就已经被执行。由于是按行计算R，MGS的计算量随循环次数逐步减少，因此前面积累的误差的影响就不会剧烈地扩散开，所以MGS可以使求得的矩阵Q的正交性更好，提高了稳定性。

3、Householder

3.1反射算子

设一个模为1的向量 $\omega$ ，令矩阵 $H=I-2\omega \omega ^{T}$ ，则H为反射矩阵，也称为反射算子。反射矩阵是对称且正交的矩阵：

$H^{T}=(I-2\omega \omega ^{T})^{T}=I-2\omega \omega ^{T}=H$

$HH^{T}=(I-2\omega \omega ^{T})(I-2\omega \omega ^{T})^{T}=I-4\omega \omega ^{T}+4\omega(\omega ^{T}\omega ) \omega ^{T}$

$=I-4\omega \omega ^{T}+4\omega \omega ^{T}=I$

定义一个以 $\omega$ 为法向量的超平面S： $S=\left \{ u|\omega ^{T}u=0 \right \}$ 。空间上任一向量x在S上的投影为：

$y=x-(\omega ^{T}x)\omega =x-\omega(\omega ^{T}x)=(I-\omega\omega^{T})x$

x关于超平面S的对称点由其与反射算子的乘积给出：

$z=y+(y-x)=x-(\omega ^{T}x)\omega +x-(\omega ^{T}x)\omega -x=x-2(\omega ^{T}x)\omega=(I-2\omega\omega ^{T})x=Hx$

3.2Householder算法QR分解

Householder算法实现QR分解的核心思想为，通过构造反射算子，逐列对原矩阵A进行Householder三角化，最终得到上三角矩阵R，而通过构造的反射算子计算出Q，实现QR分解。将一个3×3矩阵上三角化的过程下所示， $H_{1}$ 、 $H_{2}$ 为构造的反射算子。

$A=\begin{bmatrix} X & X &X \\ X &X & X\\ X & X & X \end{bmatrix}\rightarrow A_{1}=H_{1}A=\begin{bmatrix} X & X &X \\ 0 &X &X \\ 0& X & X \end{bmatrix}$

$\rightarrow A_{2}=H_{2}A_{1}=H_{2}H_{1}A_{1}=\begin{bmatrix} X& X& X\\ 0 & X & X\\ 0 &0 & X \end{bmatrix}$

通过构造反射算子，逐列对矩阵进行Householder三角化的原理为：例如给定一个m×n的矩阵 $A=\begin{bmatrix} a_{1} & a_{2} &\cdots & a_{n} \end{bmatrix}$ ，首先对A的第一列 $a_{1}$ 进行上三角化时，需构造这样一个反射算子 $H_{1}=I-2\omega _{1}\omega _{1}^{T}$ ，使得 $a_{1}^{'}=H_{1}a_{1}$ ， $a_{1}^{'}$ 除第一个元素外全为0。相当于 $a_{1}$ 关于超平面 $S=\left \{ u|\omega _{1}^{T}u=0 \right \}$ 对称的向量 $a_{1}^{'}$ 在一条坐标轴上，如图5所示。

$A_{1}=H_{1}A=\begin{bmatrix} H_{1}a_{1} & H_{1}a_{2}& \cdots & H_{1}a_{n} \end{bmatrix}$

$= \begin{bmatrix} a_{1}^{'}& H_{1}a_{2}& \cdots & H_{1}a_{n} \end{bmatrix} =\begin{bmatrix} X & X & \cdots & X\\ 0 & X & \cdots & X\\ \vdots & \vdots & \ddots &\vdots \\ 0& X & \cdots & X \end{bmatrix}$

实现了第一列的上三角化。

构造反射算子反射算子 $H_{1}$ 的过程为：对于第一列向量 $a_{1}=\begin{bmatrix} A_{11} & A_{21}&\cdots & A_{m1} \end{bmatrix}^{T}$ ，定义函数 $sign(x)=\left\{\begin{matrix} 1,x>0\\ -1,x<0 \end{matrix}\right.$ ，定义向量 $\omega$ 和 $v$ ：

$v=\begin{bmatrix} A_{11}+sign(A_{11})\left \| A_{11} \right \|_{2}\\ A_{21}\\ \vdots \\ A_{m1} \end{bmatrix},\omega _{1}=\frac{v}{\left \| v \right \|_{2}}$

$\omega _{1}$ 为单位向量，反射算子 $H_{1}$ 使用 $\omega _{1}$ 构造： $H_{1}=I-2\omega _{1}\omega _{1}^{T}$ 。

验证 $H_{1}$ 满足将A第一列上三角化的需求： $H_{1}$ 将 $a_{1}$ 映射为：

$H_{1}a_{1}=a_{1}-2\omega _{1}\omega _{1}^{T}a_{1}=a_{1}-2\frac{vv^{T}a_{1}}{\left \| v \right \|_{2}^{2}}=a_{1}-2\frac{(v^{T}a_{1})v}{\left \| v \right \|_{2}^{2}}=a_{1}-2\frac{(a_{1}^{T}v)v}{\left \| v \right \|_{2}^{2}}$

而v满足： $\left \| v \right \|_{2}^{2}=v^{T}v=2(\left \| a_{1} \right \|_{2}^{2}+\left | A_{11}\left \| a_{1} \right \|_{2} \right |)=2a_{1}^{T}(a_{1}+sign(A_{11})\left \| a_{1} \right \|_{2}e_{1})$ $=2a_{1}^{T}v$ ，所以：

$H_{1}a_{1}=a_{1}-v=\begin{bmatrix} -sign(A_{11})\left \| a_{1} \right \|_{2}\\ 0\\ \vdots \\ 0 \end{bmatrix}$

所以 $H_{1}$ 满足要求。

当上三角化至进行至第k步时，矩阵 $A_{k-1}$ 具有如图6所示结构，空白处即 $i>j$ 和 $j<k$ 第i，j个位置的元素值为0。这时要第k列上三角化，相当于构造一个反射矩阵 $H_{k}^{'}=I-2\omega _{k}\omega _{k}^{T}$ （ $\omega _{k}$ 长度为m-k+1， $H_{k}^{'}$ 大小为(m-k+1)×（m-k+1）），对虚线包围区域的第一列上三角化，构造方式与上述矩阵A第一列类似。

得到 $H_{k}^{'}$ 后，利用 $H_{k}^{'}$ 构造一个 $H_{k}$ 如图7所示结构， $H_{k}$ 仍是一个对称正交矩阵，即 $H_{k}^{T}=H_{k}$ ， $H_{k}^{T}=H_{k}^{-1}$ 。所得矩阵 $A_{k}=H_{k}A_{k-1}$ 前k-1列不变，实现了对第k列的上三角化。

Householder算法实现过程如下所示：

至此，原矩阵A经过一系列变换得到上三角矩阵 $\begin{bmatrix} R\\ 0 \end{bmatrix}$ ： $H_{n}...H_{2}H_{1}A=\begin{bmatrix} R\\ 0 \end{bmatrix}$ 。Householder方法实现的QR分解是对矩阵A计算一个完整的QR因数分解 $A=\begin{bmatrix} Q& \tilde{Q} \end{bmatrix}\begin{bmatrix} R\\ 0 \end{bmatrix}$ ，而通常情况下不需计算矩阵 $\begin{bmatrix} Q & \tilde{Q} \end{bmatrix}$ 。

$\begin{bmatrix} Q & \tilde{Q} \end{bmatrix}$ 的值通过 $H_{1},H_{2},...,H_{n}$ 计算得到：由于 $H_{1},H_{2},...,H_{n}$ 都为对称正交矩阵，故 $H_{i}^{T}=H_{i},H_{i}^{T}H_{i}=I,i=1,2,...,n$ ，令 $H=H_{n}...H_{2}H_{1}$ ，则：

$H^{T}H=(H_{n}...H_{2}H_{1})^{T}(H_{n}...H_{2}H_{1})=H_{1}^{T}H_{2}^{T}...H_{n}^{T}H_{n}...H_{2}H_{1}=I$

$H^{-1}=H^{T}=H_{1}^{T}H_{2}^{T}...H_{n}^{T}=H_{1}H_{2}...H_{n}$ ， $A=H^{-1}\begin{bmatrix} R\\ 0 \end{bmatrix}$

所以 $\begin{bmatrix} Q & \tilde{Q} \end{bmatrix}=H_{1}H_{2}...H_{n}$ 。

3.3复杂度分析

循环至第k次时复杂度为：

计算 $\omega _{k}^{T}A_{k-1}\left [ k:m,k \right ]$ 乘积： $(2(m-k+1)-1)(n-k+1)$ flops;

$\omega _{k}$ 外积复杂度： $(m-k+1)(n-k+1)$ flops；

$A_{k-1}\left [ k:m,k \right ]$ 减法次数： $(m-k+1)(n-k+1)$ flops。

第k次循环总复杂度为： $4(m-k+1)(n-k+1)$ flops。算法总复杂度为：

$\sum_{k=1}^{n}4(m-k+1)(n-k+2)\approx 2mn^{2}-\frac{2}{3}n^{3}$ flops

3.4稳定性分析

导入附件MatrixA.mat中的矩阵进行QR分解后进行稳定性分析，计算 $e_{k}$ 并画出折线图，如图8所示，可以看到偏差的数量级变成了 $10^{-16}$ ，相比于MGS，稳定性有了极大提升。

4、QR分解应用

4.1求解线性方程组

使用QR分解求解线性方程组Ax=b，A大小为n×n，为非奇异矩阵。首先将矩阵A进行QR分解，A=QR，线性方程组变成QRx=b，所以 $Rx=Q^{-1}B=Q^{T}b$ 。由于R为上三角矩阵，通过回代即可算出x。

复杂度分析：其中QR分解复杂度为 $2n^{3}$ ，矩阵乘法为 $2n^{2}$ ，回代为 $n^{2}$ ，所以平均复杂度约为 $2n^{3}+3n^{2}$ flops。

导入实验1的A_b.mat文件，使用QR分解求解线性方程组。统计误差，与列主元消元法对比，如图9、图10所示。可以看到QR分解误差小于列主元消元法。

4.2求解逆矩阵

对于给定矩阵B，对其进行QR分解，若未能成功分解，即中途退出循环，证明B矩阵列向量线性相关，B为奇异矩阵；否则得到B=QR，求B的逆矩阵方法为： $B^{-1}=(QR)^{-1}=R^{-1}Q^{-1}=R^{-1}Q^{T}$ 。

复杂度分析：其中QR分解复杂度为 $2n^{3}$ ，求Q的转置为 $n^{2}$ ，由于R为上三角矩阵，求其逆的为 $\frac{n^{3}}{2}+\frac{n^{2}}{2}$ ，矩阵乘法为 $2n^{2}$ ，所以平均复杂度约为 $\frac{5}{2}n^{3}+\frac{7}{2}n^{2}$ flops。

导入附件matrixB.mat给出的矩阵B，成功对其进行QR分解，证明B可逆。使用QR分解方法求其逆矩阵 $B^{-1}$ ，计算 $B^{-1}$ 与B相乘后每一列向量的二范数值，如图11所示，再验证对角线的元素值，如图12所示，可以看到所有的值都集中在1附近，正确求解出B的逆矩阵。

方不可方可

关注

34
点赞
踩
16

收藏

觉得还不错? 一键收藏
0
评论
最优化方法实验三--矩阵QR分解

使用Gram–Schmidt、Gram–Schmidt的修正算法ModifiedGram-Schmidt以及Householder方法进行QR分解，并将QR分解运用在求解线性方程组和求矩阵的逆。
复制链接

扫一扫