当前课程知识点:计算方法 > 第8章 特征值与特征向量 > 8.2 幂法与反幂法 > 8.2 幂法与反幂法(上)
我们求特征值的时候
的有的时候
特别是工程上应用过程中间的时候
往往是要求一些
特殊的那个特征值
只要找到其中的一个
大多数情形下的时候
我们是找
矩阵特征值按模最大的
这个特征值
就是有可能是实数
也有可能是负数
按模这种最大特征值
还有它的特征
向量
拿这种特殊的
特征向量的时候
特征值呢
我们有一个非常简单的处理方法
就是幂法
把秘法的这个
思想的时候呢
主要的时候呢
就说
我们构造
一个序列
那这个序列的时候呢
逐渐逐渐的
收敛到
一个特定的
一个一种情况
这个情况我们可以看看啊
比如说我们可以
拿这种方法来进行做
随便的先选择一个
初始向量
为零为零
当然不能是零向量
然后每次的时候
把它左乘上A
v1=AV0
V2
等AV1
一直这么陆陆续续下去
那么这样下去以后呢
我们后面会发现
有一个规律
这个规律的也是我们的一个定理
当然他是有条件的
不是所有情况下
我们都会
出现这样类似的情况
这个条件是什么东西呢
就说
A
有N个线性无关的特征向量啊
也是说我们从数学角度是说
A有、
完备的特征向量系
就有N个
无关的特征向量
然后他对你的特征值了
λ1到λn
那比如说
这些λ1,λn
满足这样一个特定条件
比如λ1的
这个模最大
比其他人通通都大
通通都大
那么按照刚才所构造的
这个幂法的过程
我们就会发现一个规律
这个规律的就是说
在前后
两个的这些
向量中间
会发现了它们几乎是成比例的
而且这个比例呢
就是谁呢
就是这个最大的
那个特征值
当这个特征值的时候了
还有刚还有个小的要求
就说这个λ1
必须得是实数
因为我们现在
一般情况下给出的A矩阵
是一个实数矩阵
再进行迭代的过程
中间V0呢
给出来的时候呢
也是一个
实数向量
这个经过迭代以后了
所有的这些V
J阶也通通的都是食实数向量
实数向量和实数向量的时候呢
各个分量去比比出以后了
他肯定给出来是实数
所以我们这种方法只能用来求什么方式的
特征值
按模最大的
那个特征值呢
必须得是实数
正负没关系
必须得是实数
按照一般的规律
我们可以看看
因为它是具有完备的向量系
所以V0呢
可以用
刚才的那个完备向量系
X1,X2台到xn呢
直接表示出来
比如说表达出来的时候
是A倍的x1
A2倍的x2
an倍的xn全加起来
这是完备的地方
也就说因为他是线性无关的
也就是我们N维空间中间的一组基
因此的他是肯定有
V0是可以用
这种方法进行表示的
n表示的时候得注意到x1是
是对应的
是 λ1
对应的
特征
特征向量也就说我们前面有
A乘上x1
应该等于 λ1倍的x1
按照这种方法呢
我们Vk
根据规律推出来以后
相当是在为V0
左边乘以Ak
当别人说看Ak
的次方乘x1
最后刚刚说了
A倍的
A乘以x1就是 λ1倍的x1
那A平方乘以x1
就相当于 λ1平方x1
乘一个A相当于放大了 λ1倍
乘一个A相当于放大了 λ1倍
后面所有的x2到xn呢
也是类似的方式
只不过前面放大的系数呢
是他的特征值
对应的特征向量
放大的
特征值
放大倍数是对应特征值
然后刚才了我们的假设的过程中间
使用的时候了就是λ1的绝对值
是最大
λ2,λn呢
相对来说都是比较小的
因此我们可以看看Vk
我其中中间把
把Aλ1的k次方提出来以后呢
后面剩下的地方
A1乘以x1
加A2乘上λ2
除λ1
括号的k次方乘x2
续候我们往后加
我们λ2除λ1的模是比1小的
k的@@@@以后了
这部分几乎就是零了
后面的λn
除λ1括号k次方以后也是类似
也就说
Vki的主要的部分
就是
A1
乘上λ1的k次方
乘x1
自然的时候
Vk+1
就后一步
的Vk+1
也就相当于差不多的时候的是
A1乘上λ1的
k+1次方
乘x1
我们就可以看到
Vk+1和Vk之间
相差的时候
就相差一个λ一倍
也就说
我们说在这种运算过程中间
前后两步运算的过程差不多都熟了
就是放大λ一倍
越往后这个效果越明显
我们来看看一个例子
这例子选了一个非常简单三阶矩阵
我们选择初始值呢
三个
分量的全是一的
这么一个初始向量
按照这种方法了
我们给他
乘出来
我们现在列出来的
这个一共六点
其中的这个基数列
是我们每次迭代过程中间的时候
他的一个具体的数值
比如说第四的是6,6,12
然后后面的红色这个部分
是我们现在没取出来的
就说和前一部分
我们对应的这个分量相比
它的比值
比如说我们可以看看啊
红色的字越往后越往后
的地方的时候
差不多的时候都
变到的倍数基本是一样的啊
比如到最后一行
我们变到的倍数的时候了
都是差不多是8.1764
都差不多了
但是我们这个因为空间问题没有把
后续的步骤了全算出来
在往后算的时候了
基本就全都一样了
这就是我幂法所做的过程
但这个地方也发现我们有一个
小的问题
像这种方法
A是一个这种全是正数的矩阵
V呢就是
直接给出来时间也全是正的
这样算出来这个数字了
是像滚雪球一样的越滚越大
所有的分量
滚都非常非常大
像最后
我们现在这个行中间是只做
了十次
最后一行所得到的数据呢
已经差不多的时候的是
一以上
如果说
像这种
情形收敛的基本上是比较快的
我们已经差不多看出来的话
前后的比例低差不多是8.1764了
但有些时候呢
这个比例的收敛的
速度非常非常慢
那么这样做的话
我们在就说
有可能会造成一种什么原因
什么现象呢
就是这个数字越来越大
越来越大越大
觉得还没有判断他
前后差不多成比例的之前的时候了
这个数字有可能大到
计算器没法表示了
也就是说
做数据的时候
有可能溢出
所以呢
我们还要做
把这个幂法呢
做一个控制
做一个
加强讲话的部分
我们先来看看啊
对这道题来讲的时候
它对应的特征值
第一个
模最大的特征值
的他就是8.1764
36314473946
和我们
最后这场中间的
已经基本上差不多了
差不多那个笔直已经基本差不多了
但另外两个特征值是找不出来的
一个1.36左右的
一个一-0.53左右的
这是找不到的
我们看看
在刚才讲过的时候
如果λ1这个绝对值比一更大
像刚才那个λ1大概是八点多
因此这个xk呢
他做的时候了
这个向量
它逐渐逐渐的时候就放大了
放大的时候了
应该是趋向于无穷大
但有可能
收敛比较慢的时候了
会造成计算的溢出
然后反过来的时候λ1
如果绝对值小于1
小于1的地方的时候
那这个时候数据会越来越小
越来越小
基本到最后的时候了
我们看到的时候是0
这个时候整个向量
最后算出都是000
也就没有意义了
没法比了
对我们来讲也没法做前后
的这个比较
而为了方便这个处理的时候呢
我们可以给它
累步的手了
增加一个操作
在原有的基础上的时候
每部的时候了给它做一个规划
所以这种
秘法了
我们称为归一化幂法
归一化幂法的时候
怎么来处理呢
归一的地方
它是把
中间
向量
就绝对是最大的那个
我们硬生生的把它压缩成1
这个叫归一法
当归一的时候有几种处理方法
有的时候了就直接找到
最绝的是最大的那个
直接给他除掉
有的时候了
因为绝对值最大的那个
有可能是负的
它到底除以负号
还是不除符号呢
就是除正的值还是除负的值呢
这中间是有说法的
而会导致了中间的计算的时候
我们需要人为增加一些判断
一般的我们简单的一种处理了
就是说如果是负数
我们
表示的时候了
这个绝对值找到最大的分量
是一个负数
负数的地方@@@@@
那么取到了我们
现在的表示的最大的这值
MAX最大值
使它仍然保持负号
当证数正号就肯定还是正数
还是正数
这个不用说
我们就照这个最大的分量
绝对值最大的分量
直接压缩成1
不管他是正的
还是负的
压缩成1以后呢
然后后面再继续做迭代
把Uk呢做一个迭代
因为这个Uk呢
给他仅仅只是Vkj的一个
相当放缩了一个倍数
按照
规律的地方的时候
我们可以知道
UK和A,Vk
之间的地方的时候
它的运算过程
他相当是A的k次方乘V0
然后做了一个压缩
压缩的时候可以保证的地方
Uk的里头的
所有分量的绝对值
最大的那个啊
一定是1
一定是1
这样就可以保证的说
不至于说
我刚刚说的
数字越来越大
或者说数字越来越小
这个分别趋于无穷大
或者趋于0的这种情况
出现了我们这个最大值保证在1
保证在1
这样就不会出现刚才溢出的效果了
-1.1 引言
--1.1 引言
-1.2 算法与效率
-1.3 计算机数系与浮点运算
-1.4 误差与有效数字
-1.5 四则运算与函数求值的误差
-1.6 问题的性态与条件数
-1.7 算法数值稳定性
-第1章 作业
--第一章 作业
-2.1 引言 2.2 线性空间
-2.3 内积空间与元素的夹角
-2.4 赋范线性空间
-2.5 向量范数与向量序列极限
-2.6 矩阵范数
--2.6 矩阵范数
-第二章 作业
--第二章 作业
-3.1 引言
--3.1 引言
-3.3 不动点迭代法
--3.2 二分法
-3.4 不动点迭代法的收敛条件
-3.5 牛顿迭代法及其变形
-3.6 迭代法收敛阶
-3.7 重根的计算与加速收敛
-3.8 数值实验
--3.8 数值实验
-第3章 作业
--第3章 作业
-4.1 引言
--4.1 引言
-4.2 Lagrange插值
-4.3 Lagrange插值余项
-4.4 Newton差商插值
-4.5 Hermite插值
-4.6 分段多项式插值
-4.7 三次样条插值
-4.8 数值实验
--4.8 数值实验
-第4章 作业
--第4章 作业
-5.1 函数逼近与曲线拟合基本概念
-5.2 连续函数的最佳平方逼近
-5.3 曲线拟合的最小二乘法
-第5章 作业
--第5章 作业
-6.1 引言 6.2 高斯消元法
-6.3 矩阵分解与应用
-6.4 误差分析 6.5 数值实验
-第6章 作业
--第6章 作业
-7.1 引言 7.2 线性方程组的迭代法(上)
-7.2 线性方程组的迭代法
-7.3 非线性方程组的迭代法
-7.4 数值实验
--7.4 数值实验
-第7章 作业
--第7章 作业
-8.1 引言
--8.1 引言
-8.2 幂法与反幂法
-8.3 矩阵的正交分解
-8.4 QR方法
--8.4 QR方法
-8.5 Jacobi方法
-第8章 作业
--第8章 作业
-9.1 引言
-9.2 牛顿-柯特斯公式
-9.3 复合牛顿-柯特斯公式
-9.4 龙贝格算法
-9.5 高斯型求积公式
-9.6 数值微分
--9.6 数值微分
-10.1 引言
--10.1 引言
-10.2 梯形公式和改进的欧拉方法
-10.3 单步法的误差与稳定性收敛性
-10.4 高阶单步方法
-10.5 线性多步法
-10.6 多步法的误差与稳定性
-10.7 一阶微分方程组与高阶微分方程
-第10章 作业
--第10章 作业