矩阵分析与应用(14)

最新推荐文章于 2023-05-29 22:01:20 发布

Butterfffly

最新推荐文章于 2023-05-29 22:01:20 发布

阅读量1k

点赞数

分类专栏：矩阵分析与应用文章标签：矩阵

本文链接：https://blog.csdn.net/qq_40206924/article/details/125824545

版权

矩阵分析与应用专栏收录该内容

22 篇文章 7 订阅

订阅专栏

学习来源：《矩阵分析与应用》张贤达清华大学出版社

一、矩阵分解的分类

矩阵的分解是指通过线性变换，将某个给定或已知的矩阵分解为两个或三个矩阵标准型的乘积（或两个矩阵标准型之和）。

根据矩阵分解后得到的矩阵的标准型以及是对单个矩阵还是矩阵束（由两个矩阵组成）或矩阵对进行分解来区分矩阵分解的类别。

1. 单个矩阵的分解

根据矩阵 $A$ 分解后的矩阵的标准型，可以分为以下四大类。

1）对角化分解：

通过正交变换，将矩阵 $A$ 对角化，又包含三种形式。

① 奇异值分解（SVD）： $A=U\Sigma V^H$ 或 $U^HAV=\Sigma$ ，其中， $U$ 和 $V$ 为酉矩阵， $\Sigma$ 为对角矩阵。主要针对一般矩阵的对角化分解。

② 特征值分解（EVD）： $A^HA=V\Sigma V^H$ 或 $AA^H=U\Sigma U^H$ 。主要针对对称矩阵的对角化分解。

③ CS分解：可以看作是正交矩阵分块的同时对角化分解。

2）三角化分解：

将矩阵 $A$ 分解为正交矩阵与三角矩阵之积，或分解为一个上三角矩阵与一个下三角矩阵之积，主要有三种形式。

① Cholesky 分解： $A=GG^T$ ，其中， $G$ 为下三角矩阵。主要针对对称正定矩阵的三角化分解。

② QR 分解： $A=QR$ 或 $Q^TA=R$ ，其中， $Q$ 是正交矩阵， $R$ 是上三角矩阵。主要针对一般矩阵的三角化分解。

③ LU 分解： $A=LU$ ，其中， $L$ 是单位下三角矩阵， $U$ 是上三角矩阵。主要针对非奇异矩阵的三角化分解。

3）三角 — 对角化分解：

将矩阵分解为三个矩阵标准型（两个三角矩阵和一个对角矩阵）之积，或分解为两个矩阵标准型（对角矩阵和上三角矩阵）之和。主要有以下形式

① $LDM^T$ 分解： $A=LDM^T$ ，其中， $L$ 和 $M$ 为单位下三角矩阵， $D$ 为对角矩阵。主要针对非对称矩阵的三角 — 对角化分解。

② $LDL^T$ 分解： $A=LDL^T$ 。主要针对对称矩阵的三角 — 对角化分解。

③ $Schur$ 分解： $Q^HAQ=D+N$ ，其中， $Q$ 为酉矩阵， $D$ 为对角矩阵， $N$ 是严格上三角矩阵。主要针对复矩阵的三角 — 对角化分解。

4）三对角化分解：

Householder 三对角化分解： $H^TAH=T$ ，其中， $H=H_1H_2\cdots H_{n-2}$ 为 Householder 变换之积，且 $T$ 是三对角矩阵。

2. 矩阵束的分解

矩阵束的分解主要用于求解矩阵束的广义特征值分解问题 $Ax=\lambda Bx$ 中的 $QZ$ 方法中，涉及两个矩阵的同时分解。这种分解的主要形式是广义 Schur 分解。

广义 Schur 分解： $Q^HAZ=T$ 和 $Q^HBZ=S$ ，其中， $Q$ 和 $Z$ 为酉矩阵， $T$ 和 $S$ 为上三角矩阵。

实现广义 Schur 分解需要先使用 Hessenberg 三对角化分解： $Q^TAZ=H$ 和 $Q^THZ=T$ ，其中， $Q$ 和 $Z$ 为正交矩阵， $H$ 为上 Hessenberg 矩阵， $T$ 是上三角矩阵。

二、对角化分解

定理（CS 分解）：若 $(k+j)\times (k+j)$ 矩阵

$Q=\begin{bmatrix} Q_{11} &Q_{12} \\ Q_{21}& Q_{22} \end{bmatrix}$

是正交的，其中， $Q_{11}$ 是 $k\times k$ 矩阵，且 $k\geqslant j$ ，则存在正交矩阵 $U_1,V_1\in R^{k\times k}$ 和正交矩阵 $U_2,V_2\in R^{j\times j}$ 使得

$\begin{bmatrix} U_1 &O \\ O& U_2 \end{bmatrix}\begin{bmatrix} Q_{11} &Q_{12} \\ Q_{21} & Q_{22} \end{bmatrix}\begin{bmatrix} V_1 &O \\ O&V_2 \end{bmatrix}=\begin{bmatrix} I_{k-j} &O & O\\ O&C &S \\ O& -S & C \end{bmatrix}$

其中

$C=diag(c_1,c_2,\cdots ,c_j),\quad c_i=cos\theta_i$

$S=diag(s_1,s_2,\cdots ,s_j),\quad s_i=sin\theta_i$

且 $0\leqslant \theta_1\leqslant \theta_2\leqslant \cdots \leqslant \theta_j\leqslant \frac{\pi }{2}$ 。

简单来说，CS 分解相当于将一个正交矩阵的各个分块同时对角化。

三、Cholesky 分解和 LU 分解

1. Cholesky 分解

设 $A=[a_{ij}]\in R^{n\times n}$ 是对称正定矩阵，则 $A=GG^T$ 称为矩阵 $A$ 的 Cholesky 分解，其中， $G\in R^{n\times n}$ 为下三角矩阵且对角线元素为正，即

$G=\begin{bmatrix} g_{11} & & &0 \\ g_{21}&g_{22} & & \\ \vdots &\vdots &\ddots & \\ g_{n1}&g_{n2} &\cdots & g_{nn} \end{bmatrix}$

下三角矩阵 $G$ 称为 Cholesky 三角。此外，Cholesky 分解也称为“平方根法”，因为下三角矩阵 $G$ 可以看作矩阵 $A$ 的“平方根”。

一个非奇异矩阵 $A$ 的逆矩阵 $A^{-1}$ 也可以通过 Cholesky 分解求得，即

$A^{-1}=G^{-T}G^{-1}$

其中， $G^{-T}=(G^T)^{-1}$ 。

2. LU 分解

考虑到求解线性方程组 $Ax=b$ 时，通过正交变换，将 $m\times n$ 矩阵 $A$ 分解为 $A=LU$ ，其中， $L$ 为 $m\times m$ 单位下三角矩阵且 $U$ 是 $A$ 的 $m\times n$ 阶梯型矩阵；此时令 $y=Ux$ ，方程组 $Ax=b$ 变为先求解 $Ly=b$ ，解之得 $y$ 。在求解 $Ux=y$ 得到方程组的解向量 $x$ 。