矩阵特征值与特征向量的计算
乘幂法与反幂法
乘幂法
V ( k ) = A V ( k − 1 ) V^{(k)} = AV^{(k-1)} V(k)=AV(k−1)
-
模最大特征值唯一
λ 1 = lim k → ∞ V i ( k + 1 ) V i ( k ) \lambda_1 = \lim_{k\rightarrow\infty} \frac{V_i^{(k+1)}}{V^{(k)}_i} λ1=k→∞limVi(k)Vi(k+1)x = c V ( k ) x = c V^{(k)} x=cV(k)
-
模最大特征值不唯一
不同初始值对应不同的特征向量
-
模最大特征值有不同符号
λ 1 2 = lim k → ∞ V ( k + 2 ) V ( k ) , λ 2 = − λ 1 \lambda_1^2 = \lim_{k\rightarrow \infty} \frac{V^{(k+2)}}{V^{(k)}} ,\lambda_2 = -\lambda_1 λ12=k→∞limV(k)V(k+2),λ2=−λ1V ( k + 1 ) + λ 1 V ( k ) ≈ x 1 ( λ 1 ) V ( k + 1 ) − λ 1 V ( k ) ≈ x 2 ( λ 2 ) \begin{aligned} &V^{(k+1)} + \lambda_1V^{(k)} \approx x_1(\lambda_1)\\ &V^{(k+1)} - \lambda_1V^{(k)} \approx x_2(\lambda_2)\\ \end{aligned} V(k+1)+λ1V(k)≈x1(λ1)V(k+1)−λ1V(k)≈x2(λ2)
反幂法
V ( k + 1 ) = A − 1 V ( k ) V^{(k+1)} = A^{-1}V^{(k)} V(k+1)=A−1V(k)
- 原点平移法: A − p I A-pI A−pI,可以求出 p p p附近的特征值
Jacobi方法
寻找正交矩阵
R
1
,
R
2
⋯
,
R
n
R_1,R_2\cdots,R_n
R1,R2⋯,Rn
R
n
⋯
R
2
R
1
A
R
1
T
R
2
T
⋯
R
n
=
Λ
R_n \cdots R_2 R_1 A R_1^T R_2^T \cdots R_n = \Lambda
Rn⋯R2R1AR1TR2T⋯Rn=Λ
QR分解
H o u s e h o l d e r Householder Householder变换中 α \alpha α与 a 1 a_1 a1符号相反