多参数结构特征二阶灵敏度

提出了一种有效计算多参数结构特征值与特征向量二阶灵敏度矩阵--Hessian矩阵的方法.将特征值和特征向量二阶摄动法转变为多参数形式,推导出二阶摄动灵敏度矩阵,由此得到特征值和特征向量的二阶估计式.该法解决了无法用直接求导法计算特征值和特征向量二阶灵敏度矩阵的问题.数值算例说明了该算法的应用和计算精度.     

非对称矩阵的病态特征向量的约化

1.引言 关于密集特征值与其病态特征向量之间的内在联系,Varah(1970),Wilkinson(1972及1984)和Kahan(1970)曾经研究过.Varah(1970)最先指出:若矩阵A具有二阶以上的Jordan块,且当A加上一个扰动矩阵(?=A+E)则相似于对角阵时,其相似变换矩阵是病态的(即变换矩阵各列几乎线性相关).Varah对于病态的程度,给予了数     

低计算精度下实对称矩阵的特征值分解

正1引言1.1 背景简介设A ∈ R~(n×n)为n阶实对称矩阵,矩阵A的特征值分解是找正交矩阵U ∈R~(n×n),使得A=UAU~T,(1.1)其中U~T指U的转置,Λ为对角矩阵,且Λ=diag(λ_1,λ_2,…,λ_n),其中λ_i,i=1,…,n是矩阵A的特征值.矩阵A的奇异值分解为A=UEU~H,(1.2)其中,U ∈ C~(n×n)是酉矩阵,U~H是U的共轭转置,∑是非负实对角矩阵.当A正定时,奇异值分解和特征值分解等价.对一般实对称阵,奇异值和特征值绝对值相同.在实际应用中,往往不需要求得矩阵A的全部特征值和特征向量,只需要其绝对值最大的若干特征值所构成的近似特征值分解,以便进行矩阵近似求逆等任务.这种近似特征值分解被称为主特征值分解(Dominant Eigenvalue Decomposition),在矩阵近似求逆和主成分分析(PCA)[1]等方面有重要应用.     

微分算子的迹

§1.引言、常型 微分算子的单个特征值一般是很难求的.矩阵也是如此.不过矩阵论中有一个非常重要的事实:全体特征值的对称函数可以用矩阵的元素(算子量)直接表出.事实上,由展式:可知,特征值之和∑λj等于对角线元素之和(矩阵的迹)∑αjj;特征值的二次基本对称函数∑λjλk等于A的一切二阶主子式之和,等等. 对于微分算子,全体特征值的对称函数是否也可用算子量直接表出呢?最简单的对称函数是∑λj,不过由于微分算子的无界性,它是发散的.一个自然的想法是将它正则化,即从     

广义特征向量几种算法的比较

关于求一个矩阵 Jordan标准型的变换矩阵问题须计算矩阵的广义特征向量 ,目前常见的矩阵理论教材中有下述两种方法 .下设 A是 n× n阶矩阵 ,λ是 A的某特征值 ,其代数重数为 r,几何重数为 s且r>s.方法 1　由方程 ( A- λI) x=0解出 A的特征向量 p,由 ( A- λI) x=p解出第一个广义特征向量 q,这里的 p不能是任一特征向量而应是 A的 λ特征子空间内使方程 ( A- λI) x=p有解的那一个 .设 A的 λ特征子空间的基是 p1,p2 ,… ,ps,当 s>1时正确的说法是 :通过选择系数 k1,k2 ,… ,ks由方程 ( A- λI) x=k1p1+ k2 p2 +… + ksps解出第一个广…     

关于一类线性代数习题的快速解法

若3阶对称矩阵A的特征值为1λ≠2λ=3λ,且1λ对应的特征向量为p,则A=1λ-2λpTpppT 2λE3.     

一类二次特征值反问题的中心对称解及其最佳逼近

1引言给定n阶实矩阵M,C和K,二次特征值问题:求数λ和非零向量x使得Q(λ)x=0, (1．1)其中Q(λ)=λ2M λC K称为二次束．数λ和相应的非零向量x分别称为二次束Q(λ)的特征值和特征向量．Tisseur和Meerbergen概述了二次特征值问题的各种应用、数学理论和数值方法．在工程技术,特别是结构动力模型修正技术领域经常遇到与二次特征值问题相反的问题(称之为二次特征值反问题)．对阻尼结构进行动力分析时,应用有限元方法可得到系统的质量矩阵M,阻尼矩阵C和刚度矩阵K,从而可求得二次特征值问题的特征值(频率)和特征向量(振型)．但是有限元模型毕竟是实际结构系统的离散化,并且     

特征值问题的预变换方法(I): 杨辉三角阵变换与二阶PDE 特征多项式

本文提出一类求解特征值问题的下三角预变换方法, 目标是通过相似变换后矩阵下三角元素平方和明显减少、且变换后的特征值及其特征向量较易求解, 使变换后的对角线可作为全体特征值很好的一组初值, 其作用如同对于解方程组找到好的预条件子, 加速迭代收敛. 以二阶PDE 数值计算为例,对于以Laplace 方程为代表的特征波向量组及正交多项式组有广泛的应用前景.
杨辉三角是我国古代数学家的一项重要成就. 本文引入杨辉三角矩阵作为预变换子, 给出一般矩阵用杨辉三角矩阵作为左、右预变换子时变为上三角矩阵的充要条件, 给出了元素为行指标二次多项式的两个矩阵类(三对角线阵与五对角线阵) 中特征值何时保持二次多项式的充要条件, 并应用于构造新的二元PDE 正交多项式.     

QR分解与非线性特征值问题

考察m×n矩阵A(λ),其中元素a_(ij)(λ)均为复(实)变量λ的解析(至少有一阶导数)函数.称此类矩阵为泛函λ-矩阵。特别,当a_(ij)(λ)是λ的多项式时,A(λ)就是熟知的λ-矩阵.给定A(λ)∈C~(n×n)(m=n),有时需确定其非线性特征值及其相应的特征向量,即求满足     

“数值分析”有关教材中幂法的一点注记

<正> 众所周知,幂法是求矩阵A的主特征值(按模最大的特征值)λ_1与对应特征向量的一种常用方法。当A有完备特征向量系X_1,X_2,…,X_n且对应特征值满足     

重特征值敏度的数值计算

一个结构系统的设计,往往归结为下述代数特征值问题:其中A(p)与B(p)为n×n实解析的对称矩阵,B(p)正定,λ(p)是特征值,x(p)是相应的特征向量. 设λ_1是问题(1.1)在点p=p~*的r重特征值,即存在矩阵X=(X_1,X_2)∈R~(n×n),     

p.n.p.矩阵的一些性质

一个n阶实方阵若其各阶主子式皆非正,则称为部分非正阵,简写作p.n.p.矩阵.特别地,各阶主子式皆负的p.n.p.矩阵称为部分负矩阵,简写为p.n.矩阵。文[1]、[5]讨论了p.n.p.矩阵的谱性质。本文在[5]的基础上讨论了p.n.p.矩阵的若干性质,并给出p.n.p.矩阵特征值的某些估计式。 引理1 设A=(A_(ij)_n×n为一p.n.p.矩阵,则A的特征值之实部不全为负(n≥2)。 证 设λ_1,λ_2,…,λ_n为A的全部特征值。假定A的每一特征值之实部皆为负。分两种情     

Hermite矩阵与可对称化矩阵特征值之间的扰动上界

正1引言矩阵特征值的扰动问题,就是研究矩阵元素的改变对矩阵特征值的影响.设矩阵A,B为n阶复矩阵,矩阵B为矩阵A经过扰动之后的矩阵,且λ(A)={λ_i},λ(B))={μ_i},研究矩阵特征值的扰动就是研究λ(A)与λ(B)之间的差距,一般用2范数和Frobenius范数来描述它们之间的差距.矩阵特征值问题是由于处理数据时存在误差而引起的,使得到的特征值往往是经过     

恰有两个Q-主特征值的三圈图

图G的无符号拉普拉斯矩阵定义为图G的邻接矩阵与度对角矩阵的和,其特征值称为图G的Q-特征值.图G的一个Q-特征值称为Q-主特征值,如果它有一个特征向量其分量的和不等于零.确定了所有恰有两个Q-主特征值的三圈图.     

用简单反迭代法计算三对角矩阵的特征向量

与特征值计算的算法丰富多彩相比,在已知比较精确的特征值的情况下,求其相应的特征向量的算法却不多见,已有的算法有基本反迭代法[1][2][4][5]、交替法[3]等.到目前为止,计算特征向量的算法都是基于反迭代法的,衡量算法是否收敛都是以残量的大小为标准,本文的算法也不例外.本文的目的就是计算不可约实对称三对角矩阵T=[bj-1,aj,bj]的相应于某个特征值λi（已得到其近似λ）的特征向量.首先我们来看下面的例子:例1 我们取T为201阶的Wilkinson负矩阵,λ取计算的最大特征值,分别令迭代的初始向量是e1,e100,e201,e=（1,1,…,1）T.图1反映了反迭代的收敛速度.     

恰有两个主特征值的图的性质

设λ是图G的一个特征值,如果存在属于λ的一个特征向量X=(x_1,x_2,…,x_n)~T,使得(?)x_i≠0,则λ称为图G的主特征值.将恰有两个主特征值的一个充要条件做了进一步推广,并在此基础上给出恰有两个主特征值的图的一些性质以及恰有两个主特征值的图的一些运算结果.     

一类块三对角阵特征值的求解及应用

提出了求一类块三对角矩阵A的特征值和特征向量的方法,求得了该类矩阵的特征值和特征向量的表达式,并写出了用迭代法解该类方程组Au=f时迭代矩阵的特征值.     

实对称矩阵对角化教学的应用案例

矩阵的对角化是线性代数课程的重要内容之一,针对本科生教学,在考虑学生知识储备和理解力的基础上,依据学以致用的思想,利用特征值、特征向量及实对称矩阵对角化的理论知识,构造了一个图像压缩存储的应用案例.旨在加深学生对矩阵特征值和特征向量及对角化理论的理解,同时本案例也给出了更一般的扩展讨论.     

单位球面上仿Blaschke张量的特征值为常数的超曲面

设x:M~n→S~(n+1)是(n+1)-维单位球面上不含脐点的超曲面,在S~(n+1)的Moebius变换群下浸入x的四个基本不变量是:一个黎曼度量g称为Moebius度量;一个1-形式Φ称为Moebius形式;一个对称的(0,2)张量A称为Blaschke张量和一个对称的(0,2)张量B称为Moebius第二基本形式.对称的(0,2)张量D=A+λB也是Moebius不变量,称为浸入x的仿Blaschke张量,其中λ是常数,仿Blaschke张量的特征值称为仿Blaschke特征值.李海中和王长平(2003)研究了满足如下条件的超曲面:(i)Φ=0;(ii)存在可微函数λ和μ,使A+λg+μB=0.他们证明了λ和μ都是常数,并且给出了这类超曲面的分类,也就是D的特征值全相等的超曲面的分类.本文对满足如下条件的超曲面进行了分类:(i)Φ=0,(ii)对某一个常数λ,D具有两个互异的常数特征值.     

矩阵特征值与特征向量的一个反问题

1995年全国工学硕士研究生入学考试(试卷一)有一道试题:设三阶实对称矩阵A的特征值为λ_1=-1,λ_2=λ_3=1,对应于λ_1的特征向量为 ε_1=(0,1,1)~T,求A.对此题,许多考生为以下两个问题而困惑: