求解特征值互补问题的ABS算法

正1引言对给定的矩阵A∈R~(n×n)和正定阵B∈R~(n×n),特征值互补问题(EiCP)~([1-3])是指:求实数λ和向量x∈R~n\{0}使得{y=(A-λB)x y≥0,x≥0 y~Tx=0 (1)它源于工程和物理问题,如对力学接触问题和结构力学系统的稳定性的研究[3-6].EiCP也可表示为如下形式的锥约束特征值问题[7,8]:对给定的矩阵A∈R~(n×n)和正定阵B∈R~(n×n),求实数λ和向量量x∈R~n\{0}使得     

退化时滞系统的极点配置

This paper deals with the pole placement of the singular system Ex~.=Ax(t) Dx(t-(?)) Bu, y=Cx, where x∈R~n,u∈R~m,and y∈R~n are its state,control input and measure output respectively;E,A∈R~(n×n),B∈R~(n×m),and C∈R~((?)×n) are constant matrices.It is also assumed that rankE相似文献   

广义线性系统的内模原理

考察有外干扰作用的广义线性系统(?)这里 x∈R~n,u∈R~r,y∈R~q,z∈R~p 分别表示广义线性系统(1.1)的状态矢量、控制矢量、调节矢量和量测输出矢量。E∈R~(n×n)是降秩阵,但 det[sE-A](?)0,即[sE-A]是正则矩阵束。A,B,F,C_1,C_2,D_1,D_2是具有相应维数的矩阵。假定外部干扰 f 受常微方程模型     

矩阵对角占优性的推广及应用

§1.引言设 A=(a_(ij))_(n×n)为一复矩阵,若有一正向量 d=(d_1,d_2,…,d_n)~T 使得d_i|a_(ij)|≥sum from j≠1 d_j|a_(ij)|,(1)对每一 i∈N={1,2,…,n}都成立,则称 A 为广义对角占优矩阵,记为 A∈D_0~*;如若(1)式中每一不等号都是严格的,则称 A 为广义严格对角占优矩阵,记为 A∈D~*.特别地,当 d=(1,1,…,1)~T 时,A∈D_0~*及 A∈D~*即是通常的对角占优与严格对角占优,分别记作 A∈D_0及 A∈D.利用矩阵的对角占优性质讨论其特征值分布是矩阵论中的重要课题,文献[5]—[10]给出了这方面的重要结果.n 阶实方阵 A 称为 M-矩阵,如果 A具有形式:A=sI-B,s>ρ(B),其中 B 为 n 阶非负方阵,ρ(B)表 B 之谱半径,利用广义严格对角占优的概念,文[1]给出了 M-矩阵的等价表征:若 n 阶实方阵     

矩阵方程AXB+CYD=E对称最小范数最小二乘解的极小残差法

<正>1引言本文用R~(n×m)表示全体n×m实矩阵集合,用SR~(n×n)表示全体n×n实对称矩阵集合,OR~(n×n)表示全体n×n实正交矩阵集合.用I_n表示n阶单位矩阵,用A*B表示矩阵A与B的Hadamard乘积.对任意矩阵A,B∈R~(n×m),定义内积〈A,B〉=tr(B~T A),其中     

求解Sylvester方程的广义非对称PMHSS算法

<正>1引言考虑如下Sylvester方程:AX+XB=F(1)这里A∈C~(m×m),B∈C~(n×n),F∈C~(m×n)是复数矩阵.令A=W+iT,B=U+iV,Q,T∈R~(m×m),U,V∈R~(n×n)都是实对称矩阵,且W,U是不定的,T,V是正定的.我们假定-TW≤T,-VU≤V.对于任意矩阵W和T,WT(W≤T)意味着T-W是     

周期系数的高维Riccati方程的周期解

本文研究了周期系数的高维Riccati方程X’＝X·A（t）·X＋B（t）·X＋C（t）,其中X∈R(n×1)A（t）∈R(1×n),B（t）∈R(n×n),C（t）E∈R(n×1);A（t）,B（t）,C（t）均是以2π为周期的实连续矩阵或向量函数,建立了该方程存在广义周期解的一个充要条件和存在周期解的两个充分条件,推广了周期系数的Riccati方程存在周期解的一些结论．     

基于交替投影算法求解单变量线性约束矩阵方程问题

研究如下线性约束矩阵方程求解问题:给定A∈R~(m×n),B∈R~(n×p)和C∈R~(m×p),求矩阵X∈R(?)R~(n×n)"使得A×B=C以及相应的最佳逼近问题,其中集合R为如对称阵,Toeplitz阵等构成的线性子空间,或者对称半(ε)正定阵,(对称)非负阵等构成的闭凸集.给出了在相容条件下求解该问题的交替投影算法及算法收敛性分析.通过大量数值算例说明该算法的可行性和高效性,以及该算法较传统的矩阵形式的Krylov子空间方法(可行前提下)在迭代效率上的明显优势,本文也通过寻求加速技巧进一步提高算法的收敛速度.     

一类线性方程组的结构向后误差分析

考虑如下结构线性方程组(A B C 0)(x y)=(a b),其中A∈R~(m×m),B∈R~(m×n),C∈R~(n×m).本文给出该类结构方程组的结构向后扰动误差的显式表达式.数值例子表明求解该类问题稳定的算法得到的解不必是强稳定的.     

矩阵不等式约束下矩阵方程最小二乘问题的增广Lagrangian方法

称X∈R~(m×n)为实(R,S)对称矩阵,若满足X=RXS,其中R∈R~(m×m)和S∈R~(n×n)为非平凡实对合矩阵,即R=R~(-1)≠±I_m,S=S~(-1)≠±I_n.该文将优化理论中求凸集上光滑函数最小值的增广Lagrangian方法应用于求解矩阵不等式约束下实(R,S)对称矩阵最小二乘问题,即给定正整数m,n,p,t,q和矩阵A_i∈R~(m×m),B_i∈R~(n×n)(i=1,2,…,q),C∈R~(m×m),E∈R~(p×m),F∈R~(n×t)和D∈R~(p×t),求实(R,S)对称矩阵X∈R~(m×m)且在满足相容矩阵不等式EXF≥D约束下极小化‖∑_(i=1)~qA_iXB_i-C‖,其中EXF≥D表示矩阵EXF-D非负,‖·‖为Frobenius范数.该文给出求解问题的矩阵形式增广Lagrangian方法的迭代格式,并用数值算例验证该方法是可行且高效的.     

半张量积下矩阵方程组AX=B,XC=D的最小二乘解

本文研究了半张量积下矩阵方程组AX=B,XC=D在不同情况下的最小二乘解X*∈R~(p×q),其中矩阵A∈R~(m×n),B∈R~(h×k),C∈R~(a×b),D∈R~(l×d)给定.根据半张量积的定义将其转变为普通乘积下的矩阵方程组,再结合矩阵奇异值分解及矩阵微分给出该方程组在不同情况下最小二乘解的解析表达式,并用数值算例加以验证.     

算子n次方根的惟一性

B(H)表示定义在希尔伯特空间H上的所有有界线性算子的全体。对于A∈B(H),其中σ(A)和W(A)分别表示算子A的谱和数值域,N表示自然数集。关于算子A的n(n∈N)次方根,本文的主要结果是:(1)若σ(A)∩(-∞,0]=φ,则A有惟一的n次方根B∈B(H)且σ(B)(?)~(2/n)~o;(2)若(?)∩(-∞,0]=φ,则A有惟一的n次方根B∈B(H)且(?)(2/n)~o这里,S_(1/n)={λ∈C‖argλ|≤(1/2n)π}且S_(1/n)~o表示集合S+(1/n)的内部。     

线性流形上矩阵方程BTXB=F的双对称最小二乘解

1引言令R~(n×m)、OR~(n×n)、SR~(n×n)(SR_0~(n×n))分别表示所有n×m阶实矩阵、n阶实正交阵、n阶实对称矩阵(实对称半正定阵)的全体,A~ 表示A的Moore-Penrose广义逆,I_k表示k阶单位矩阵,S_k表示k阶反序单位矩阵。R(A)表示A的列空间,N(A)表示A的零空间,rank(A)表示矩阵A的秩。对A=(a_(ij)),B=(b_(ij))∈R~(n×m),A*B表示A与     

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.     

基于受限等距性质的矩阵低秩稀疏逼近误差界

正1引言假设D∈R~(m×n)为实际观测到的高维数据矩阵,则从高维空间中估计一低维子空间的问题,称为矩阵低秩逼近,即估计一低秩矩阵A,使得D与A∈R~(m×n)之间的误差E=D-A最小化,该问题表示如下min‖E‖~2_F=‖D-A‖~2_F s.t.rank(A)≤r,其中r《min(m,n).求解矩阵低秩逼近问题最著名的方法是主成分分析法(Principal components analysis,PCA)[8,14,15],PCA在误差||E||_F较小的情况下,利用奇异值分解     

预条件同时置换(PSD)迭代法的收敛性分析

1引言求解线性方程组Ax=6,(1.1)其中A∈R~(n×n)非奇异阵且对角元非零,x,b∈R~n,x未知,b已知.不失一般性,我们假设A=I-L-U,(1.2)其中L,U分别为A的严格下和上三角矩阵,相应的Jacobi迭代矩阵为B=L U.(1.3)若Q是非奇异阵且Q~(-1)易计算,于是(1.1)可以变成     

实对称带状矩阵特征值反问题

用R~(n×m)表示所有n×m实矩阵的集合;OR~(n×n)表示所有n×n正交矩阵的集合;S_(n,r)表示所有带宽为2r+1的n阶实对称矩阵的集合;||·||_F表示矩阵的Frobenius范数,||·||表示向量的Euclid范数.任取A∈R~(n×m),满足AA~-A=A 的A~-∈R~(m×n)叫做A的内逆,满足AA_l~-A=A和(AA_l~-)~T=AA_l~-的A_l~-∈R~(m×n)叫做A的最小二乘广义逆,     

关于广义Φ-增生算子的最速下降法的收敛定理

设E为一致光滑Banach空间,A:E→E为有界次连续广义Φ-增生算子满足,对任意x0∈E,选取m≥1,使得‖x0-x*‖≤m且lim/r→∞Φ(r)>m‖Ax0‖.设{Cn}为[0,1]中数列满足控制条件:i)Cn→0(n→∞);ii)∞∑(n=0)=∞.设{xn}n≥0由下式产生xn+1=xn-CnAxn, n≥0, (@)则存在常数a>0,当Cn相似文献   

解广义特征值反问题的同伦方法

1.引言 我们讨论下列广义特征值反问题: (G)已知B是n×n阶对称半正定矩阵,λ=(λ_1,…,λ_(2n-1))~T∈R~(2n-1),且{λ_i}~(n_3),和{λ_i}_(n+1)~(2n-1)严格交错。问题是欲求一个实对称三对角n×n阶矩阵A,使得λ_1…,λ_n是Ax=λBx的特征值,λ_(n+1),…,λ_(2n-1)是A_(n-1)x=λB_(n-1)x的特征值,其中A_(n-1),B_(n-1)分别是矩阵A,B的前n-1阶主子阵。     

Banach空间中极大单调算子零点的迭代收敛定理及应用

令E为实光滑、一致凸的Banach空间,E*为其对偶空间.令A E×E*为极大单调算子且A-10≠.假设{rn}(0,+∞)为实数列且满足rn→∞,n→∞,数列{αn}[0,1]满足∑∞n=1(1-αn)<+∞,对给定的向量xn∈E,寻找向量{x∧n}及{en}使之满足:αnJxn+(1-αn)Jen∈Jx∧n+rnAx∧n,其中{en}E为误差序列而且满足一定的限制条件.即而定义迭代序列{xn}n 1如下:xn+1=J-1[βnJx1+(1-βn)Jx∧n],n 1,其中数列{βn}[0,1]满足βn→0,n→∞且∑∞n=1βn=+∞,则{xn}强收敛于QA-10(x1),这里QA-10为从E到A-10上的广义投影算子.利用Lyapunov泛函,Qr算子与广义投影算子等新技巧,证明了引入的新迭代序列强收敛于极大单调算子A的零点,并讨论了此结论在求解一类凸泛函最小值上的应用.