![d6f14cc474ba4067af91bcfefbb4421a.png](https://i-blog.csdnimg.cn/blog_migrate/aa800ec5f3645e7d5f4a159542e1d593.jpeg)
12. Computing Eigenvalues and Singular Values
https://www.youtube.com/watch?v=d32WV1rKoVk&list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k&index=14www.youtube.com开始之前感谢MIT Gilbert Strang教授的这门课。
![2a6d11f3741e568b25b08e44dce05b05.png](https://i-blog.csdnimg.cn/blog_migrate/59aa935dcf7addae3887377efe5f0f99.png)
本节课主要讲述了如何计算特征值,奇异值。通过行列式的方法计算特征值只能是小于5x5的矩阵,大于5x5的矩阵就没有公式直接求解。那么如何求解呢,其中一个思路找到一个上三角矩阵相似与所求的矩阵,这样子矩阵的特征值就是对角线值。通过Schur的方法可以得到一个上三角矩阵,但是需要无穷次迭代。为了减少运算先通过householder变换得到一个Hessenburg矩阵(次对角线以下都是0),然后再经过Schur方法经过有限操作可以快速求得近似的特征值,最后我们还可以用带平移的QR分解加速Schur方法。
- Schur's lemma 得到上三角矩阵,特征值出现在对角线。
- 带有平移的QR分解。
- householder变换得到Hessenburg矩阵。
- 奇异值计算
- Krylov方法
- Schur's lemma
当k趋近于无穷的时候会得到一个上三角矩阵,特征值出现在对角线上。
现在通过QR分解来计算特征值:
- QR分解得到
- 令
,很容易得到
- 继续分解
-
- 经过n步操作可以得到
经过n步的操作会发现
为什么经过上述步骤可以使
通过矩阵列乘可以看到
这个方法迅速淘汰了所有其他用于计算特征值的方法。
- 带有平移的QR分解
- QR分解得到
- 令
很容易可以证明
于
相似
- 经过n步之后可以得到一个上三角矩阵
这样处理的好处是使得特征值收敛得更快。
引入一个平移矩阵他和原矩阵有相同的特征向量,而特征值改变s ,这样子加快收敛速度。
(挖个坑具体为什么能加快收敛以及S如何取值)
Householder变换得到Hessenburg矩阵
假设我们能通过一系列操作让左下角变成0,那样子就立即知道特征值。实际上是不能的,而特征值计算对应一个一元高次方程,而高于5次的方程是没有代数解法,所以没有公式可以简单的求
既然无法通过相思变换很容易的得到上三角矩阵,但是我们可以很容易的得到Hessenburg矩阵(次对角线以下都是0)
![4fd92312f42efea588ecd6ebed4d31a3.png](https://i-blog.csdnimg.cn/blog_migrate/cbbd42bd74f19160246796cf5ce9be50.png)
Householder变换也称作镜像变换
![638725aa61b557bf4819cf8321087f2d.png](https://i-blog.csdnimg.cn/blog_migrate/11f8b2aa52a5fbc4cc3e823131a06da3.jpeg)
可以把矩阵的第一列通过镜像到
例子:
对A做相似变换
令
其中
其中
所以
得到Householder矩阵
计算得到
继续重复上述操作,
Householder 矩阵
计算得到
最终得到了Hessenburg矩阵
MATLAB计算特征值
- 求计算矩阵的Hessenburg矩阵
- 带有平移的QR分解
n次迭代或者
- 奇异值计算
矩阵的SVD分解为
因此有了更多的自由空间,即
最终矩阵A可以被处理为双对角线矩阵
![ebb1e318a826e060093b224d92f11c2e.png](https://i-blog.csdnimg.cn/blog_migrate/41f7b32a7ba793a67f86813cdd6e5ee7.png)
如果直接对
![b4fd985681305494bcb75c3684a80f06.png](https://i-blog.csdnimg.cn/blog_migrate/ee22ba68a477ebf5539c4587090b2ea4.png)
(挖个坑 计算SVD例子)
- Krylov方法
如果矩阵很大需要用Krylov方法。
通过构造Krylov向量得到这种特定类型的子空间,通过Gram-schmidt快速获得它的基向量,考察一下矩阵在该空间中的作用,可以寻找到限于该空间的特征值。
(教授这里也只是简单的提了一下,这个学期也不会在讲Krylov方法 emmmmmmmmm)
参考文章:
特殊矩陣 (4):Householder 矩陣ccjou.wordpress.com![9cdc8ec9f7f0eab309955049ef6a2bf8.png](https://i-blog.csdnimg.cn/blog_migrate/b10bf845f8085fc8be7745d14cf6ed22.png)
下面是清华大佬写的文章。
三少爷的贱男春:MIT 18.065—机器学习中的矩阵方法13 随机矩阵乘法zhuanlan.zhihu.com![ef548bdf6c9dd6d46a510f80920c062b.png](https://i-blog.csdnimg.cn/blog_migrate/49ea3ed02f5e58fbf2b318b7449f9da9.png)
![397e40f7132f85c905031c089b48a1c4.png](https://i-blog.csdnimg.cn/blog_migrate/26f58a50629b67a51561a47242f9d3e6.jpeg)