双对称矩阵的一类反问题

给定矩阵X和B,得到了矩阵方程X^TAX=B有双对称解的充分必要条件及有解时解的一般表达式．用SE表示此矩阵方程的解集合,证明了SE中存在唯一的矩阵^↑A,使得^↑A与给定矩阵A^*的差的Frbenius范数最小,并且给出了矩阵^↑A的表达式。     

对称正交矩阵反问题及其最佳逼近

本文主要讨论下面两个问题：问题Ⅰ：给定矩阵X,B∈R~(m×n),求对称正交矩阵A∈SOR~(m×m),使得AX=B．问题Ⅱ：给定矩阵(?)∈R~(m×m),求矩阵A~*∈S_E使得(?)这里S_E问题Ⅰ的解集合,‖·‖指Frobenius范数．本文首先讨论具有k阶对称主子阵的n(n＞k)阶正交矩阵的C-S分解,利用这个结果,得到了问题Ⅰ有解的充要条件和通解的一般形式．然后,对给定矩阵(?)∈R~(m×m),讨论了矩阵(?)在问题Ⅰ的解集合S_E中的最佳逼近,得到了最佳逼近解的表达式．     

一类矩阵方程的极小Frobenius范数双对称解

利用矩阵的广义奇异值分解,给出了实矩阵方程ATXA=B存在极小Frobenius范数双对称解的充要条件及其解的表达式.     

一类矩阵方程的反中心对称最佳逼近解

利用矩阵的正交相似变换和广义奇异值分解,讨论了矩阵方程 AXB=C具有反中心对称解的充要条件,得到了解的具体表达式.然后应用Frobenius范数正交矩阵乘积不变性,在该方程的反中心对称解解集合中导出了与给定相同类型矩阵的最佳逼近解的表达式.     

矩阵方程AXAT=C的对称斜反对称解

设A∈Rm×n,C∈Rm×m给定,利用矩阵的广义奇异值分解和对称斜反对称矩阵的性质,得到了矩阵方程(1)AXAT=C存在对称斜反对称解的充要条件和通解表达式;证明了若方程(1)有解,则一定存在唯一极小范数解,并给出了极小范数解的具体表达式和求解步骤.     

一类矩阵方程的对称次反对称解及其最佳逼近

利用矩阵的广义奇异值分解 ,得到了矩阵方程 ATXA =B有对称次反对称解的充分必要条件及其通解的表达式 ,并且给出了在矩阵方程的解集合中与给定矩阵的最佳逼近解的表达式 .     

矩阵方程AX=B的双反对称最佳逼近解

本文主要讨论下而两个问题并得到相关结果:问题Ⅰ:给定A ∈ R~(k×n),B ∈ R~(k×n),求X ∈ BASR~(n×n),使得AX=B.问题Ⅱ:给定X* ∈R~(n×n),求X使得‖X-X~*‖=minX∈S_E‖X-X~*‖,其中S_E是问题Ⅰ的解集合,‖·‖是Frobenius范数.通过对上述问题的讨论给出了问题Ⅰ解存在的充分必要条件和其解的一般表达式同时给出了问题Ⅱ的解,算法,和数值例子.     

矩阵方程AXAT=C的对称斜反对称解

设A∈R^m×n,C∈R^m×m给定,利用矩阵的广义奇异值分解和对称斜反对称矩阵的性质,得到了矩阵方程(1)AXA^T=C存在对称斜反对称解的充要条件和通解表达式;证明了若方程(1)有解,则一定存在唯一极小范数解,并给出了极小范数解的具体表达式和求解步骤.     

一四元数矩阵方程组的最佳逼近解

利用四元数矩阵的广义Frobenius范数和弱圈积,建立一个关于四元数矩阵的实函数并简洁表征其极小值.再用四元数矩阵的奇异值分解和广义Frobenius范数的性质,讨论四元数矩阵方程组[AX,XB]=[C,D]的最小二乘解,得到了解的具体表达式.最后在该方程组的解集合中导出了与给定矩阵的最佳逼近解的表达式.     

矩阵方程XA+YB=C的对称次反对称解及最佳逼近

探讨了矩阵方程XA+YB=C存在对称次反对称解的条件及解的表达式.利用矩阵分解,给出了方程有解的充要条件和解的解析表达式.在矩阵方程的解集合中,利用Frobenius-矩阵范数正交不变性获得了给定矩阵的最佳逼近解的表达式,并建立了相应的数值算法.     

一类矩阵方程的双对称定秩解及其最佳逼近

本文研究了矩阵方程AX=B的双对称最大秩和最小秩解问题.利用矩阵秩的方法,获得了矩阵方程AX=B有最大秩和最小秩解的充分必要条件以及解的表达式,同时对于最小秩解的解集合,得到了最佳逼近解.     

矩阵方程AX=B的转动不变解及其最佳逼近

利用矩阵的广义逆、奇异值分解、张量积和拉直算子,给出了矩阵方程AX=B有转动不变解的充分必要条件及有解时通解的表达式;给出了矩阵方程解集合中与给定矩阵的最佳逼近解的表达式.     

一类矩阵方程的Hermitian R-对称定秩解

本文研究了矩阵方程AX = B 的Hermitian R-对称最大秩和最小秩解问题. 利用矩阵秩的方法, 获得了矩阵方程AX = B有最大秩和最小秩解的充分必要条件以及解的表达式, 同时对于最小秩解的解集合, 得到了最佳逼近解.     

Sylvester矩阵方程极小范数最小二乘解的迭代解法

研究了Sylvester矩阵方程最小二乘解以及极小范数最小二乘解的迭代解法,首先利用递阶辨识原理,得到了求解矩阵方程AX+YB=C的极小范数最小二乘解的一种迭代算法,进而,将这种算法推广到一般线性矩阵方程A_iX_iB_i=C的情形,最后,数值例子验证了算法的有效性.     

LSQR iterative method for generalized coupled Sylvester matrix equations

An iterative method is proposed to solve generalized coupled Sylvester matrix equations, based on a matrix form of the least-squares QR-factorization (LSQR) algorithm. By this iterative method on the selection of special initial matrices, we can obtain the minimum Frobenius norm solutions or the minimum Frobenius norm least-squares solutions over some constrained matrices, such as symmetric, generalized bisymmetric and (R, S)-symmetric matrices. Meanwhile, the optimal approximate solutions to the given matrices can be derived by solving the corresponding new generalized coupled Sylvester matrix equations. Finally, numerical examples are given to illustrate the effectiveness of the present method.     

线性流形上矩阵方程AXAT=B的极小Frobenius范数对称正交对称解

利用矩阵对的商奇异值分解,给出了线性流形上矩阵方程AXAT=B存在极小Frobe- nius范数对称正交对称解的充要条件及其解的表达式．     

Least-Squares Solution of Inverse Problem for Hermitian Anti-reflexive Matrices and Its Appoximation

In this paper, we first consider the least-squares solution of the matrix inverse problem as follows： Find a hermitian anti-reflexive matrix corresponding to a given generalized reflection matrix J such that for given matrices X, B we have minA ｜｜AX - B｜｜. The existence theorems are obtained, and a general representation of such a matrix is presented. We denote the set of such matrices by SE. Then the matrix nearness problem for the matrix inverse problem is discussed. That is： Given an arbitrary A^＊, find a matrix A E SE which is nearest to A^＊ in Frobenius norm. We show that the nearest matrix is unique and provide an expression for this nearest matrix.     

The Nearest Bisymmetric Solutions of Linear Matrix Equations

The necessary and sufficient conditions for the existence of and the expressions for the bisymmetric solutions of the matrix equations (Ⅰ)A1X1B1 A2X2B2 ^… AkXkBk=D,(Ⅱ)A1XB1 A2XB2 … AkXBk=D and (Ⅲ) (A1XB1,A2XB2,…,AkXBk)=(D1,D2,…,Dk) are derived by using Kronecker product and Moore-Penrose generalized inverse of matrices. In addition, in corresponding solution set of the matrix equations, the explicit expression of the nearest matrix to a given matrix in the Frobenius norm is given. Numerical methods and numerical experiments of finding the neaxest solutions axe also provided.