矩阵特征值的意义
矩阵特征值的意义
数学里面的特征值和特征矩阵到底有什么用,它的物理意义在于什么??
矩阵的特征值要想说清楚还要从线性变换入手,把一个矩阵当作一个线性变换在某一组基下的矩阵,最简单的线性变换就是数乘变换,求特征值的目的就是看看一个线性变换对一些非零向量的作用是否能够相当于一个数乘变换,特征值就是这个数乘变换的变换比,这样的一些非零向量就是特征向量,其实我们更关心的是特征向量,希望能把原先的线性空间分解成一些和特征向量相关的子空间的直和,这样我们的研究就可以分别限定在这些子空间上来进行,这和物理中在研究运动的时候将运动分解成水平方向和垂直方向的做法是一个道理! 特征值时针对方阵而言的。
两个向量只有维数相同时才能考虑相等的问题,才能有和、有差。 引入特征值与特征向量的概念
? 引例 在一个n 输入n 输出的线性系统y=Ax 中,其中
? 我们可发现系统A 对于某些输入x ,其输出y
? 恰巧是输入x 的 倍,即 ;对某些输入,其输出与输入就不存在这种按比例放大的关系。
??????? ??=??????? ??=??????? ??=n n nn n n n n y y y y x x x x a a a a a a a a a A M M L L L L L L L 2121212222111211,,λx y λ=
? 例如,对系统 ,若输入
? 则 ?
? 若输入 ,则 ? 所以,给定一个线性系统A ,到底对哪些输入,能使其输出按比例放大,放大倍数 等于多少?这显然是控制论中感兴趣的问题。
基于此给出特征值与特征向量的概念:
? 定义 设A 是一个n 阶方阵,若存在着一个数 和一个非零n 维向量x ,使得
则称 是方阵A 的特征值,非零向量x 称为A 对应于特征值 的特征向量,或简称为A 的特征向量 ???? ??=4312A ?
??
? ??=31x x Ax y 5315155314312=???? ??=???? ??=???? ??????
??==????
??=52x x Ax y λ≠???? ??=???? ?????? ??==269524312λx
Ax λ=λλ
用MATLAB求矩阵特征值
用matlab求矩阵的特征值和特征向量 我要计算的矩阵: 1 3 5 1/3 1 3 1/5 1/3 1 [v,d]=eig(A); A为你的矩阵,V为特征向量矩阵,D为特征值矩阵,然后对D求最大值即可得最大特征根! [V,D] = EIG(X) produces a diagonal matrix D of eigenvalues and a full matrix V whose columns are the corresponding eigenvectors so that X*V = V*D. V是特征向量,D是特征值 实例: 矩阵: 1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1 >> format rat >> A=[1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1] A = 1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1 >> [V,D]=eig(A)
V = 1793/2855 504/3235 - 146/235i 504/3235 + 146/235i 1990/4773 670/1079 -3527/5220 -3527/5220 -509/959 4350/11989 1160/4499 + 287/3868i 1160/4499 - 287/3868i -350/647 838/2819 181/3874 + 1179/4852i 181/3874 - 1179/4852i 1238/2467 D = 810/197 0 0 0 0 -93/4229 + 455/674i 0 0 0 0 -93/4229 - 455/674i 0 0 0 0 -149/2201 ***************************************************************************************** 如何归一化求权重呢? >> a=[1 3 5;1/3 1 3; 1/5 1/3 1] a = 1.0000 3.0000 5.0000 0.3333 1.0000 3.0000 0.2000 0.3333 1.0000 >> [V,D]=eig(a) V = 0.9161 0.9161 0.9161 0.3715 -0.1857 + 0.3217i -0.1857 - 0.3217i 0.1506 -0.0753 - 0.1304i -0.0753 + 0.1304i D =
第九章矩阵特征值问题的数值方法
第9章矩阵特征值问题的数值 方法 9.1 特征值与特征向量 9.2 Hermite矩阵特征值问题 9.3 Jacobi方法 9.4 对分法 9.5 乘幂法 9.6 反幂法 9.7 QR方法
9.1 特征值与特征向量设A是n阶矩阵,x是非零列向量. 如果有数λ存在,满足, (1) 那么,称x是矩阵A关于特征值λ的特征向量.
如果把(1)式右端写为 ,那么(1)式又可写为: x λ ()0 I A x λ-=||0 I A λ-=即1110 ()||...n n n f I A a a a λλλλλ--=-=++++记 它是关于参数λ的n 次多项式,称为矩阵A 的特 征多项式, 其中a 0=(-1)n |A |. (2)
显然,当λ是A的一个特征值时,它必然 是的根. 反之,如果λ是的根,那么齐次方程组(2)有非零解向量x,使(1)式 成立. 从而,λ是A的一个特征值. A的特征值也称为A的特征根 . ()0 fλ= ()0 fλ=
矩阵特征值和特征向量有如下主要性质: 定理9.1.1 n阶矩阵A是降秩矩阵的充分必要 条件是A有零特征值. 定理9.1.2 设矩阵A与矩阵B相似,那么它们 有相同的特征值. 定理9.1.3 n阶矩阵A与A T有相同的特征值. 定理9.1.4 设λ ≠λj是n阶矩阵A的两个互异特 i 征值,x、y分别是其相应的右特征向 量和左特征向量,那么,x T y=0 .
9.2 Hermite矩阵特征值问题?设A为n阶矩阵,其共轭转置矩阵记为A H. 如果A=A H,那么,A称为Hermite矩阵.
12 特征值估计、广义特征值与极大极小原理
第十二讲 矩阵特征值估计 特征值计算较困难,希望找到简便的特征值界限或分布范围的估计方法。 一、 特征值界的估计 定理1. 设n n A R ?∈,λ为A 的任意特征值,则有 () Im M λ≤其中,ij ji 1i ,j n a a M m a x 2 ≤≤-= 证明:设x 为A 的属于特征值λ的单位特征向量,即A x x =λ, H x x 1=, 则 H x A x λ= → ( ) () H H H H H x A x x A x x A x λ== = () ()()H H H T 2jIm x A A x x A A x λ-λ=λ=-=- 将x 写成[] T 12n x ,,,=ξξξ ()()n n H T i ij ji j i 1 j 1 x A A x a a ==-=ξ-ξ∑∑ () ()()n n i ij ji j i 1j 1 n n i ij ji j i 1 j 1 2I m a a a a ====λ= ξ-ξ≤ ξ-ξ∑∑ ∑∑ n ' i j ij ji i ,j 1 a a == ξξ-∑ ('∑表示不含i =j ) n ' i j i ,j 1 2M =≤ξξ∑ () 2 n 2 2 ' i j i ,j 1 I m M =? ?λ≤ξξ ? ? ? ∑
() n 2 2 ' i j i ,j 1M n n 1=≤-ξξ∑ () n 2 2 2 ' i j i ,j 1M n n 1==-ξξ∑ n n n n n 2 2 2 2 4 2 4 ' i j i j i i i i ,j 1 i ,j 1 i 1 i 1 i 1 =====ξξ= ξξ- ξ≤ ξ- ξ∑ ∑ ∑ ∑ ∑ ( )n 2 2 i i i 11== ξ-ξ∑ 不妨写为: ( ) ( ) ( )n 2 222 2 2 1 1 2 2 i i i 3 111==ξ-ξ +ξ -ξ + ξ -ξ∑ ( )( )( )2 2 2 2 2 2 n 11 22 2 2 i i i 3 1112 2 =????ξ +-ξξ +-ξ ? ? ≤++ ξ-ξ ? ? ? ???? ? ∑ 12 ≤ 取等号的条件为2 2 1 2 12 ξ=ξ= ,但 2 x 1 =,所以其它2 i ξ= ∴ () Im M λ≤定理2. 设n n A R ?∈,λ为A 的任意特征值,则有 n λ≤ρ ()R e n λ≤τ () I m n s λ≤ 其中,ij 1i,j n m a x a ≤≤ρ =,ij ji 1i,j n m a x a a ≤≤τ =+,ij ji 1i,j n s m a x a a ≤≤=- 二、 盖尔圆法 定义:设() n n ij n n A a C ??= ∈,由方程 n ii i ij j 1 i j z a R a =≠-≤= ∑ 所确定的圆称 为A 的第i 个盖尔圆,i R 称为盖尔圆的半径。
求矩阵特征值算法及程序
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 (1)输入矩阵A、初始向量( 0),误差eps; (2) k 1; (3)计算V(k)A(k 1); (4)m k max(V(k)) ,m k1max( V ( k 1)); (5) (k)V(k)/m k; (6)如果m k m k 1eps,则显示特征值1和对应的特征向量x(1) ),终止; (7)k k 1, 转(3) 注:如上算法中的符号max(V )表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input[" 系数矩阵A="]; u=Input[" 初始迭代向量u(0)="]; n=Length[u]; eps=Input[" 误差精度eps ="]; nmax=Input[" 迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k 第五章 矩阵的特征值与特征向量 5.1矩阵的特征值与特征向量 5.1.1矩阵的特征值与特征向量的概念 设A 是n 阶矩阵,若存在数λ及非零的n 维列向量α,使得:λαα=A (0≠α)成立,则称λ是矩阵A 的特征值,称非零向量α是矩阵A 属于特征值λ的特征向量. 5.1.2矩阵的特征值与特征向量的求法 把定义公式λαα=A 改写为()0=-αλA E ,即α是齐次方程组()0=-x A E λ的非零解.根据齐次方程组有非零解的充分条件可得:0=-A E λ. 所以可以通过0=-A E λ求出所有特征值,然后对每一个特征值i λ,分别求出齐 次方程组()0=-x A E i λ的一个基础解系,进而再求得通解. 【例5.1】求??? ? ? ?????------=324262423A 的特征值和特征向量. 解:根据()()0273 2 4 26 24 23 2 =+-=---= -λλλλλλA E ,可得71=λ,22-=λ. 当7=λ时,??? ? ? ?????? ??? ???????=-0000002124242124247A E , 所以()07=-x A E 的一个基础解系为:()T 0,2,11-=α,()T 1,0,12-=α,则相应的特征向量为2211ααk k +,其中21,k k 是任意常数且()()0,0,21≠k k . 当2-=λ时,???? ? ?????--? ??? ? ??????---=--00012014152428242 52A E ,所以()02=--x A E 的一个基础解系为()T 2,1,23=α,则相应的特征向量为33αk ,其中3k 是任意常数且 第三部分 矩阵特征值的估计 引言: 矩阵特征值的计算与估计在理论上和实际应用中都是很重要的,但要精确计算特征值并非总是可能的,即使在某些特殊情况下有可能,可是付出的代价也是很大的。幸好在许多应用中并不需要精确计算矩阵的特征值,而只需有一个粗略的估计就够了。比如:在线性系统理论中,通过估计系统矩阵A 的特征值是否有负实部,便可判定系统的稳定性;当研究一个迭代法的收敛性时便要判断迭代矩阵的特征值是否都落在单位圆内;在差分方程的稳定性理论以及自动控制理论中都需要估计矩阵的特征值是否在复平面上的某一确定的区域中。 §1. 特征值的界的估计 引理1. n 阶复矩阵A ,酉相似于一个上(或下)三角矩阵,且三角矩阵的对角线元素是A 的特征值。即存在一个酉矩阵U 和三角矩阵T ,使T AU U T = 引理2. 设n n n n ij C a A ??∈=)(,则∑∑====n i n j F ij H A a AA tr 11 2 2 )( Proof :设n n ij H b AA B ?==)(则 ∑∑===++==n j j n n n j j j a a a a a a a a a b 1 2 11112121 11111111 ∑∑====n j j n j j j a a a b 1 2 21 2222 ∑∑====n j ij n j ij ij ii a a a b 12 1 ∑∑∑======n i n j ij n i ii H a b B tr AA tr 11 2 1 )()( 引理3. A 为正规矩阵?A 酉相似于对角矩阵。 (注:正规矩阵:A A A A H H ?=?)即存在酉矩阵U 使 ),,,(21n H diag AU U λλλ = Th 1.设A 为n 阶矩阵,n λλλ,,,21 为其特征值,则: ?=≤∑∑∑===n i n i n j F ij i A a 1 11 2 2 2 λA 为正规矩阵,等号成立。 Proof:由引理1.存在酉阵U ,使T AU U H =(三角阵)——① 对①两边取共轭转置:U A U AU U T H H H H H ==)(——② ①?②得 H H H H T T U A U AU U ?=?)()( H H H T T U AA U ?=?(为酉阵) )()()(H H H H T T tr AA tr U AA U tr ?==? 即∑∑∑∑∑∑=======≥=n i n j n i n i i ii ij n i n j ij t t a 11 1 1 2 2 2 11 2 λ 设n n C A ?∈,令2 ,2H H A A C A A B -=+=, 则A =B +C : 其中B 为Hermit 阵(即H B B =)实 C 为反Hermit 阵(即H C C -=)虚 第五章矩阵的特征值和特征向量 来源:线性代数精品课程组作者:线性代数精品课程组 1.教学目的和要求: (1) 理解矩阵的特征值和特征向量的概念及性质,会求矩阵的特征值和特征向量. (2) 了解相似矩阵的概念、性质及矩阵可相似对角化的充分必要条件,会将矩阵化为相似对 角矩阵. (3) 了解实对称矩阵的特征值和特征向量的性质. 2.教学重点: (1) 会求矩阵的特征值与特征向量. (2) 会将矩阵化为相似对角矩阵. 3.教学难点:将矩阵化为相似对角矩阵. 4.教学内容: 本章将介绍矩阵的特征值、特征向量及相似矩阵等概念,在此基础上讨论矩阵的对角化问题. §1矩阵的特征值和特征向量 定义1设是一个阶方阵,是一个数,如果方程 (1) 存在非零解向量,则称为的一个特征值,相应的非零解向量称为属于特征值的特 征向量. (1)式也可写成, (2) 这是个未知数个方程的齐次线性方程组,它有非零解的充分必要条件是系数行列式 , (3) 即 上式是以为未知数的一元次方程,称为方阵的特征方程.其左端是的 次多项式,记作,称为方阵的特征多项式. == = 显然,的特征值就是特征方程的解.特征方程在复数范围内恒有解,其个数为方程的次数(重根按重数计算),因此,阶矩阵有个特征值. 设阶矩阵的特征值为由多项式的根与系数之间的关系,不难证明 (ⅰ) (ⅱ) 若为的一个特征值,则一定是方程的根, 因此又称特征根,若为 方程的重根,则称为的重特征根.方程的每一个非 零解向量都是相应于的特征向量,于是我们可以得到求矩阵的全部特征值和特征向量的方法如下: 第一步:计算的特征多项式; 第二步:求出特征方程的全部根,即为的全部特征值; 第三步:对于的每一个特征值,求出齐次线性方程组: 的一个基础解系,则的属于特征值的全部特征向量是 (其中是不全为零的任意实数). 例1 求的特征值和特征向量. 解的特征多项式为 = 幂法求矩阵最大特征值 摘要 在物理、力学和工程技术中的很多问题在数学上都归结为求矩阵特征值的问题,而在某些工程、物理问题中,通常只需要求出矩阵的最大的特征值(即主特征值)和相应的特征向量,对于解这种特征值问题,运用幂法则可以有效的解决这个问题。 幂法是一种计算实矩阵A的最大特征值的一种迭代法,它最大的优点是方法简单。对于稀疏矩阵较合适,但有时收敛速度很慢。 用java来编写算法。这个程序主要分成了三个大部分:第一部分为将矩阵转化为线性方程组;第二部分为求特征向量的极大值;第三部分为求幂法函数块。其基本流程为幂法函数块通过调用将矩阵转化为线性方程组的方法,再经过一系列的验证和迭代得到结果。 关键词:幂法;矩阵最大特征值;j ava;迭代 POWER METHOD TO CALCULATE THE MAXIMUM EIGENV ALUE MATRIX ABSTRACT In physics, mechanics and engineering technology of a lot of problems in math boil down to matrix eigenvalue problem, and in some engineering, physical problems, usually only the largest eigenvalue of the matrix (i.e., the main characteristics of the value) and the corresponding eigenvectors, the eigenvalue problem for solution, using the power law can effectively solve the problem. Power method is A kind of computing the largest eigenvalue of real matrix A of an iterative method, its biggest advantage is simple.For sparse matrix is right, but sometimes very slow convergence speed. Using Java to write algorithms.This program is mainly divided into three most: the first part for matrix can be converted to linear equations;The second part is the eigenvector of the maximum;The third part is the exponentiation method of function block.Its basic process as a power law function block by calling the method of matrix can be converted to linear equations, then after a series of validation and iteration to get the results. Key words: Power method; Matrix eigenvalue; Java; The iteration 第五章 矩阵的特征值与特征向量 习题 1 试用施密特法把下列向量组正交化 (1)?? ? ? ? ??=931421111) , ,(321a a a (2)???? ?? ? ??---=011101110111) , ,(321a a a 2 设x 为n 维列向量 x T x 1 令H E 2xx T 证明H 是对称的正交 阵 3 求下列矩阵的特征值和特征向量: (1)??? ?? ??----20133 521 2; (2)??? ? ? ??633312321. 4 设A 为n 阶矩阵 证明A T 与A 的特征值相同 5 设 0是m 阶矩阵A m n B n m 的特征值 证明 也是n 阶矩阵BA 的特 征值. 6 已知3阶矩阵A 的特征值为1 2 3 求|A 35A 2 7A | 7 已知3阶矩阵A 的特征值为1 2 3 求|A * 3A 2E | 8 设矩阵??? ? ? ??=50413102x A 可相似对角化 求x 9 已知p (1 1 1)T 是矩阵???? ? ??---=2135212b a A 的一个特征向量 (1)求参数a b 及特征向量p 所对应的特征值 (2)问A 能不能相似对角化?并说明理由 10 试求一个正交的相似变换矩阵, 将对称阵??? ? ? ??----020212022化为对角 阵. 11 设矩阵????? ??------=12422421x A 与??? ? ? ? ?-=Λy 45 相似 求x y 并 求一个正交阵P 使P 1AP 12 设3阶方阵A 的特征值为1 2 2 2 3 1 对应的特征 向量依次为p 1 (0 1 1)T p 2(1 1 1)T p 3(1 1 0)T 求A . 13 设3阶对称矩阵A 的特征值 1 6 2 3 3 3 与特征值 1 6对应的特征向量为p 1 (1 1 1)T 求A . 14 设?? ? ? ? ??-=340430241A 求A 100 一、实验名称:用QR 算法求矩阵的特征值 二、实验目的:1、通过实验进一步熟悉掌握求矩阵特征值的QR 方法及原理。 2、理解QR 方法的计算流程。 3、能够编程实现QR 方法。 三、实验内容:给定矩阵 ??? ? ? ??=111132126A , ?? ??? ?? ? ? ?=0100098 20 087630 7654465432H ,采用QR 方法计算A 和H 矩阵的全部特征值。 四、实验要求: (1) 根据QR 算法原理编写程序求矩阵A 及矩阵H 的全部特征值(要求误差<10 5 -)。 (2) 直接用MATLAB 的内部函数eig 求矩阵A 及矩阵H 的全部特征值,并与(1)的结果比较。 五、QR 方法计算矩阵特征值的程序: function [namda,time,data_na]=qr_tz(A,tol) if nargin==1; tol=1e-5; end wucha=1; time=0; while (wucha>tol)&(time<500) [q,r]=qr(A); A1=r*q; tz0=diag(A1); tz1=diag(A); wucha=norm(tz0-tz1); A=A1; time=time+1; data_na(time,:)=tz1; end namda=tz1; disp(‘特征值为’) namda disp(‘第一个特征在值’) time n1=length(data_na); n2=(1:n1)’; temp1=[n2,data_na]; subplot(2,2,1:2) plot(date_na(:,1)) title(‘迭代次数为’) grid subplot(2,2,3)plot(data-na(:,2)) title(‘第二个特征值’) grid subplot(2,2,4) plot(data-na(:,3)) title(‘第三个特征值’) grid 六、实验结果: >> A=[6,2,1;2,3,1;1,1,1];[namda,time,data_na]=qr_tz(A,1e-5);特征值为 namda = 迭代次数为 time = 6 图 1 矩阵特征值和特征向量解法的研究 周雪娇 (德州学院数学系,山东德州 253023) 摘 要:对矩阵特征值和特征向量的一些方法进行了系统的归纳和总结.在比较中能够 更容易发现最好的方法,并提高问题的解题效率. 关键词: 矩阵; 特征值; 特征向量; 解法 引言 矩阵是数学中的一个重要的基本概念,是代数学的一个主要研究对象,也是数学研究和应用的一个重要工具.矩阵计算问题是很多科学问题的核心.在很多工程计算中,常常会遇到特征值和特征向量的计算问题,如:机械、结构或电磁振动中的固有值问题;物理学中的各种临界值等,这些特征值的计算往往意义重大.很多科学问题都要归结为矩阵计算的问题,在这里主要研究矩阵计算中三大问题之——特征值问题. 1 矩阵特征值与特征向量的概念及性质 1.1 矩阵特征值与特征向量的定义 设A 是n 阶方阵,如果存在数λ和n 维非零向量x ,使得x Ax λ=成立,则称 λ为A 的特征值,x 为A 的对应于特征值λ的特征向量. 1.2 矩阵特征值与特征向量的性质 矩阵特征值与特征向量的性质包括: (1)若i i r A 的是λ重特征值,则i i s A 有对应特征值λ个线性无关的特征向量,其中i i r s ≤. (2)若线性无关的向量21,x x 都是矩阵A 的对应于特征值0λ的特征向量,则当21,k k 不全为零时,2211x k x k +仍是A 的对应于特征值0λ的特征向量. (3)若A n 是矩阵λλλ,,,21 的互不相同的特征值,其对应的特征向量分别是 n x x x ,,,21 ,则这组特征向量线性无关. (4)若矩阵()n n ij a A ?=的特征值分别为n λλλ,,,21 ,则 nn n a a a +++=+++ 221121λλλ,A n =λλλ 21. (5)实对称矩阵A 的特征值都是实数,且对应不同特征值的特征向量正交. (6)若i λ是实对称矩阵A 的i r 重特征值,则对应特征值i λ恰有i r 个线性无关的特征向量. (7)设λ为矩阵A 的特征值,()x P 为多项式函数,则()λP 为矩阵多项式()A P 的特征值.[]1 2 普通矩阵特征值与特征向量的求法 2.1 传统方法 确定矩阵A 的特征值和特征向量的传统方法可以分为以下几步: (1)求出矩阵A 特征多项式()A E f -=λλ的全部特征根; (2)把所求得的特征根()n i i ,,2,1 =λ逐个代入线性方程组()0=-X A E i λ, 对于每一个特征值,解方程组()0=-X A E i λ,求出一组基础解系,这样,我们也就求出了对应于每个特征值的全部线性无关的特征向量.[]2 例1 已知矩阵 ???? ? ?????-=11 111 110 A 求矩阵A 的特征值和特征向量. 解 A E -λ = 1 1 1 1 1 11 ------λλλ = ()21-λλ 所以,由()012=-λλ知A 的特征根1,0321===λλλ. 第六章 矩阵特征值问题及二次型 6.1 求下列矩阵的特征值与特征向量: 1); 2); 3); ????????4221?????????????6123020663???? ????????3202300054); 5). ??????????422242224????????????? ?00011000010000106.2 设,证明:和有完全相同的特征值。 n n A A ×=T A A 6.3 设12=λ为方阵的特征值,求满足的关系式。 ???? ?????????=a b A 4417447b a ,6.4 设,证明:若有一个常数项不为零的多项式n n A A ×=)(x ?使得0)(=A ?,则的特征值必全不为零。 A 6.5 设λ为阶可逆方阵的特征值,证明:n A 12 +?? ????λA 是()I A +?2的特征值。 6.6 设21,λλ是方阵的两个互异的特征值,A 21,ξξ分别是的属于特征值A 21,λλ的特征向量,证明:21ξξ+不是的特征向量。 A 6.7 设321,,λλλ是方阵的三个互异的特征值,A 321,,ξξξ分别是的属于特征值A 321,,λλλ的特征向量,证明:321ξξξ++不是的特征向量。 A 6.8 设均为阶方阵且可逆,证明:~ B A ,n A AB .BA 6.9 设;求. ????????? ?????=163053064A 10A 6.10 设为2阶实方阵,且A 0trA ,则相似于对角阵A 习题 1. (1) 若A 2 = E ,证明A 的特征值为1或-1; (2) 若A 2 = A ,证明A 的特征值为0或1. 证明(1)2 2A E A =±所以的特征值为1,故A 的特征值为1 (2) 2222 2 ,,()0,001 A A A X A X AX X X X λλλλλλλ===-=-==所以两边同乘的特征向量得即由于特征向量非零,故即或 2. 若正交矩阵有实特征值,证明它的实特征值为1或 -1. 证明 1,1 T T T A A A E A A A A A λλλλ -=∴==±设是正交阵,故有与有相同的特征值, 1 故设的特征值是,有=,即 3.求数量矩阵A=aE 的特征值与特征向量. 解 A 设是数量阵,则 000000000000a a A aE a a a E A a λλλλ?? ? ?== ? ??? ---= -L L L L L L L L L L L L 所以:特征值为a (n 重), A 属于a 的特征向量为 k 1(1,0,…,0)T + k 2(0,1,…,0)T + k n (0,0,…,1)T ,(k 1, k 2, …, k n 不全为0) 4.求下列矩阵的特征值与特征向量. (1)113012002-?? ? ? ??? (2)324202423?? ? ? ??? (3)??? ?? ??---122212 221 (4)212533102-?? ?- ? ?--?? ()1112221211(5) , , (0,0)0.T T n n n n a a b a a b A b b b a b a a b αβαβαβ?? ???? ? ? ? ? ? ?====≠≠= ? ? ? ? ? ? ? ? ??? ???? L M M M 其中,且 解(1) 11 3 0120,1,2,00 2A E AX λλλ λλλλ ---=-====-0,123求得特征值为:分别代入=求得 A 属于特征值1的全部特征向量为k(1,0,0)T ,(k ≠0) A 属于特征值2的全部特征向量为k(1,2,1)T ,(k ≠0) 解(2) 收稿日期:2008-11-14 作者简介:薛建明(1982- ),女,硕士,研究方向为泛函分析和矩阵计算.Email:xuejianmi ng104@https://www.360docs.net/doc/4716927829.html, 文章编号:1671-9352(2009)12-0048-04 矩阵特征值的估计及其应用 薛建明,邹黎敏 (重庆三峡学院数学与计算机科学学院,重庆404000) 摘要:讨论矩阵特征值估计及其在稳定性理论中的应用。证明了矩阵的所有特征值都位于一个圆盘中,给出了定常线性系统在平衡位置渐近稳定的一个充分条件,并给出了数值算例。关键词:特征值;F 函数;范数;估计;稳定性中图分类号:O15112 文献标志码:A Estimation for eigenvalues and its application XUE Jian -ming,ZOU L-i min (College of Mathematics and Computer Science of Chongqing,Three Gorges University ,Chongqing 404000,China)Abstract :T he purpose of this paper is to discuss the estimation for eigenvalues of matrices and its application in stability theory.We prove that all the eigenvalues of any complex matrix are located in one di sk.After that,we present a sufficient conditi on that a linear time -invariant sys tem is asymp totically stable in equilibrium position.Some numerical examples are given.Key w ords :eigenvalues;F function;norm;esti mation;stability 特征值的估计一直是矩阵分析领域非常热门的课题。特征值的定位与分布就是在复平面上对给出的矩阵的特征值的大小,所属区域给出一个范围。在自然科学的许多分支中,并不需要精确计算出矩阵的特征值,而只需要给出一个大体的分布范围。如在控制理论中,只需要判断系统方程中系统矩阵的特征值是否都具有非负的实部,就可以判断系统是否稳定;而在统计线性模型或是数值算法分析中,有时需要判断Her mite 矩阵是正定的,即所有的特征值都大于零 [1-4] 。 众所周知,动力系统d x d t =f (x )的稳定性理论有着广泛的应用,而非线性系统的稳定性往往可以用其线性部分来处理。涉及常系数线性微分方程组 d x d t =Ax 的解的稳定性问题时,判断A 是否是稳定矩阵的方法有很多,如Routh -Hur witz,李亚普诺夫等方法。然而对于阶数较大的矩阵,上面的方法是比较复杂的,故寻求A 是稳定矩阵的简单判据是有必要的。文中先得到了矩阵特征值的估计,然后给出了定常线性系统在平衡位置渐近稳定的一个充分条件,并给出了数值算例验证估计的优越性。 设C n @n 表示n @n 阶复矩阵的集合,若A =(a ij )I C n @n ,称+A +F =tr(A * A )为矩阵A 的F -范数, 其中A * 表示的A 的共轭转置。 1 矩阵特征值的估计 定义111 令映射f :C n @n y R + G {0},若f 满足 第44卷 第12期 Vol.44 No.12 山 东 大 学 学 报 (理 学 版) Journal of Shandong University(Natural Science) 2009年12月 Dec.2009 9 矩阵特征值计算 在实际的工程计算中,经常会遇到求n 阶方阵 A 的特征值(Eigenvalue)与特征向量(Eigenvector)的问题。对于一个方阵A,如果数值λ使方程组 Ax=λx 即(A-λI n )x=0 有非零解向量(Solution Vector)x,则称λ为方阵A的特征值,而非零向量x为特征值λ所对应的特征向量,其中I n 为n阶单位矩阵。 由于根据定义直接求矩阵特征值的过程比较复杂,因此在实际计算中,往往采取一些数值方法。本章主要介绍求一般方阵绝对值最大的特征值的乘幂(Power)法、求对称方阵特征值的雅可比法和单侧旋转(One-side Rotation)法以及求一般矩阵全部特征值的QR 方法及一些相关的并行算法。 1.1 求解矩阵最大特征值的乘幂法 1.1.1 乘幂法及其串行算法 在许多实际问题中,只需要计算绝对值最大的特征值,而并不需要求矩阵的全部特征值。乘幂法是一种求矩阵绝对值最大的特征值的方法。记实方阵A的n个特征值为λi i=(1,2, …,n),且满足: │λ1 │≥│λ2 │≥│λ3 │≥…≥│λn │ 特征值λi 对应的特征向量为x i 。乘幂法的做法是:①取n维非零向量v0 作为初始向量;②对于 k=1,2, …,做如下迭代: 直至u k+1 ∞ - u k u k =Av k-1 v k = u k /║u k ║∞ <ε为止,这时v k+1 就是A的绝对值最大的特征值λ1 所对应的特征向∞ 量x1 。若v k-1 与v k 的各个分量同号且成比例,则λ1 =║u k ║∞;若v k-1 与v k 的各个分量异号且成比例,则λ1 = -║u k ║∞。若各取一次乘法和加法运算时间、一次除法运算时间、一次比较运算时间为一个单位时间,则因为一轮计算要做一次矩阵向量相乘、一次求最大元操作和一次规格化操作,所以下述乘幂法串行算法21.1 的一轮计算时间为n2+2n=O(n2 )。 算法21.1 单处理器上乘幂法求解矩阵最大特征值的算法 输入:系数矩阵A n×n ,初始向量v n×1 ,ε 输出:最大的特征值m ax Begin while (│diff│>ε) do (1)for i=1 to n do (1.1)sum=0 (1.2)for j= 1 to n do sum=sum+a[i,j]*x[j] end for 数 值 分 析 课 程 设 计 QR 方法求矩阵全部特征值 问题复述 用QR 算法求矩阵特征值: (i )621()231111A ????=?????? (ii )234564 4567036780 02890 0010H ????????=?? ?????? 要求: (1)根据QR 算法原理编制求(i )与(ii )中矩阵全部特征值的程序并输出 计算结果(要求误差510-<) (2)直接用现有的数学软件求(i ),(ii )的全部特征值,并与(1)的结果比 较。 问题分析 QR 方法是目前公认为计算矩阵全部特征值的最有效的方法。它适用于任一种实矩。QR 方法的原理是利用矩阵的正交分解产生一个与矩阵A 相似的矩阵迭代序列,这个序列将收敛于一个上三角阵或拟上三角阵,从而求得原矩阵A 的全部特征值。 QR 是一个迭代算法,每一步迭代都要进行QR 分解,再作逆序的矩阵乘法。要是对矩阵A 直接用QR 方法,计算量太大,效率不高。因此,一个实际的QR 方法计算过程包括两个步骤,首先要对矩阵A 用初等相似变换约化为上Hessenberg 矩阵,再用QR 方法求上Hessenberg 矩阵的全部特征值。 示意如下: ? ???? ? ??? ???=?????????→?x x x x x Hessenberg B A A r Householde 阵上第一步的每一列计算一次不需迭代,对阵作正交相似变换用 ? ????? ????? ?→==?????????→?n k k k k k k x x x Q R B R Q B λλλ 21QR B 代计算变换产生迭代序列,迭用第二步 对B 矩阵的约化只需将每列次对角线上的元素约化为0。因此常常用平面旋转阵(Givens 变换阵)来进行约化。 一、QR 方法原理及收敛性 设n n R A ?∈已实现了QR 分解,记 111R Q A A == 其中是正交阵,是上三角阵。因为1 11-=Q Q T ,用对作正交相似变换有 2111A Q A Q T = 可改写为 111111 1111 12Q R Q R Q Q Q A Q A ===-- 显然只是的QR 分解因子阵的逆序相乘,而且与原矩阵有相同的特征值。对矩阵再重复以上过程并继续下去,可以得到一个与原矩阵A 有相同特征值的矩阵序列。其过程如下: 记A A =1 对作正交分解 111R Q A = 作矩阵 112Q R A =, ~A A =1 对作正交分解 222R Q A = 作矩阵 223Q R A =,~~,~A A =1 重复以上过程可得一般的形式为 第3章 矩阵特征值与特征向量的计算 一些工程技术问题需要用数值方法求得矩阵的全部或部分特征值及相关的特征向量。 3.1 特征值的估计 较粗估计ρ(A ) ≤ ||A || 欲将复平面上的特征值一个个用圆盘围起来。 3.1.1 盖氏图 定义3.1-1 设A = [a ij ]n ?n ,称由不等式∑≠=≤-n i j j ij ii a a z 1 所确定的复区域为A 的第i 个盖氏图, 记为G i ,i = 1,2,…,n 。 >≤-=<∑≠=}:{1n i j j ij ii i a a z z G 定理3.1-1 若λ为A 的特征值,则 n i i G 1 =∈ λ 证明:设Ax = λx (x ≠ 0),若k 使得∞ ≤≤==x x x i n i k 1max 因为 k n j j kj x x a λ=∑=1 ?∑≠= -n k j j kj k kk x a x a )(λ ?∑∑∑ ≠=≠=≠≤≤= -n k j j kj n k j j k j kj n k j k j kj kk a x x a x x a a 11λ ? n i i k G G 1 =? ∈λ 例1 估计方阵????? ?? ?? ???----=41 .03.02.05.013.012.01 .035.03.02.01.01A 特征值的范围 解: G 1 = {z :|z – 1|≤ 0.6};G 2 = {z :|z – 3|≤ 0.8}; G 3 = {z :|z + 1|≤ 1.8};G 4 = {z :|z + 4|≤ 0.6}。 注:定理称A 的n 个特征值全落在n 个盖氏圆上,但未说明每个圆盘内都有一个特征值。 3.1.2 盖氏圆的连通部分 称相交盖氏圆之并构成的连通部分为连通部分。 孤立的盖氏圆本身也为一个连通部分。 定理3.1-2 若由A 的k 个盖氏圆组成的连通部分,含且仅含A 的k 个特征值。 证明: 令D = diag(a 11,a 12,…,a nn ),M = A – D ,记 )10(00 0)(2 1 22111222 11≤≤?? ?? ? ? ? ??+??????? ? ?=+=εεεε n n n n nn a a a a a a a a a M D A 则显然有A (1) = A ,A (0) = D ,易知A (ε)的特征多项式的系数是ε的多项式,从而A (ε)的特征 值λ1(ε),λ2(ε),…,λn (ε)为ε的连续函数。 A (ε)的盖氏圆为:)10(,}||||:{)(11≤≤?=≤ -=∑∑≠=≠=εεεεi n i j j ij n i j j ij ii i G a a a z z G 因为A (0) = D 的n 个特征值a 11,a 12,…,a nn ,恰为A 的盖氏圆圆心,当ε由0增大到1时,λi (ε)画出一条以λi (0) = a ii 为始点,λi (1) = λi 为终点的连续曲线,且始终不会越过G i ; 不失一般性,设A 开头的k 个圆盘是连通的,其并集为S ,它与后n – k 个圆盘严格分离,显然,A (ε)的前k 个盖氏圆盘与后n – k 个圆盘严格分离。 当ε = 0时,A (0) = D 的前k 个特征值刚好落在前k 个圆盘G 1,…,G k 中,而另n – k 个特征值则在区域S 之外,ε从0变到1时, k i i G 1 )(=ε与 n k i i G 1 )(+=ε始终分离(严格) 。连续曲线始终在S 中,所以S 中有且仅有A 的k 个特征值。 注:1) 每个孤立圆中恰有一个特征值。 2) 例1中G 2,G 4为仅由一个盖氏圆构成的连通部分,故它们各有一个特征值,而G 1,G 3构成的连通部分应含有两个特征值。 3) 因为例1中A 为实方阵,所以若λ为A 的特征值,则λ也是A 的特征值,所以G 2,G 4第五章 矩阵的特征值与特征向量
矩阵理论3.1 特征值界的估计
矩阵的特征值和特征向量
幂法求矩阵最大特征值
矩阵的特征值与特征向量习题
用QR算法求矩阵的特征值
矩阵特征值和特征向量解法的研究
矩阵特征值问题及二次型
第五章 习题与复习题详解(矩阵特征值和特征向量)----高等代数
矩阵特征值的估计及其应用
并行计算-矩阵特征值计算--
方法求矩阵全部特征值
3矩阵特征值与特征向量的计算