具有左、右特征向量及特征值约束下逆特征值问题

§1 问题的提法R~(n×m)表示所有 n×m 阶实阵集合,(A)表示矩阵 A 的列空间,A~+表示 A 的 Moore-Penrose 广义逆,P_A=AA~+表示到(A)的正交投影核子;I_n 表示 n 阶单位阵,‖·‖_F 表示 Frobenius 范数。问题Ⅰ给定X,Y∈~(n×m),Λ=diag(λ_1,λ_2,…,λ_m)∈R~(m×m),找 A∈R~(n×m),使得问题Ⅱ给定 A~*∈R~(n×n),找∈S_E,使得‖A~*-‖_F=‖A~*-A‖_F,其中 S_E是问题Ⅰ的集合。本文讨论问题Ⅰ有解的充分与必要条件,且求出 S_E的表达式,同时给出的表达式。     

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.     

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Stiefel流形上极小化问题的低秩解

<正>1引言记冗R~(m×n)为m×n阶实数矩阵集合;A~T表示矩阵A的转置;I_p表示p×p阶单位矩阵.对任意矩阵A=(a_(ij))∈R~(m×n),[A]_(ij)表示A的第ij个元素,即[A]_(ij)=a_(ij);‖A‖_F表示矩阵A的Frobenius范数,且有关系‖A‖_F~2=tr(A~TA),(1.1)其中tr(·)表示矩阵的迹,且有性质tr(A+B)=tr(A)+tr(B),tr(AB)=tr(BA),tr(B~T)=tr(B).(1.2)本文研究如下Stiefel流形上的极小化问题:     

子矩阵约束下矩阵方程AX=B的正交投影迭代解法

<正>1引言记R~(m×n)为全体m×n阶实矩阵集合;给定矩阵A,B∈R~(m×n),记(A,B)=tr(A~TB)为矩阵A与B的内积;||A||_F=(A,A)~(1/2)=(tr(A~TA))~(1/2)为矩阵A的Frobenius范数;vec(A)为矩阵A的拉直向量;A(p_1:p_2,)为矩阵A的pz行到p2行元素组成的子矩阵;A(,q_1:q_2)为矩阵A的q_1列到q_2列元素组成的子矩阵;A(p_1:p_2,q_1:q_2)为矩阵A的p_1行到p_2行和q_1列到q_2列相交处元素组成的子矩阵;如果(A,B)=tr(A~TB)=0,则称     

关于极点配置的一点注记

§1.引言 首先说明几个符号.R~(m×n)是所有m×n实矩阵的全体,R_r~(m×n)是R~(m×n)中秩为r的矩阵的全体,R~n=R~(n×1);A~T是矩阵A的转置,I~((n))是n×n单位矩阵,O是零矩阵;λ(Λ)是矩阵A的特征值的全体,|| ||_2是向量的欧氏范数和矩阵的谱范数,|| ||_F是矩阵的Frobenius范数; N(·)表示零空间.     

界约束下算子方程最小二乘问题的条件梯度法

研究如下界约束下算子方程最小二乘问题:min x∈Ω‖L(X:A_1,…,At;B_1,…,B_t)-T‖~2,其中‖.‖为Frobenius范数,L(X:A_1…A_t;B_1,…,B_t)为关于X的线性矩阵算子(或齐次线性变换),Ai∈R~(p×m),B_j∈R~(n×q)i,j=1,…,n为算子L的系数矩阵,丁为右端矩阵,ΩR~(m×n)为界约束凸集合.提出了求解问题的条件梯度迭代算法及其简要收敛性分析,并给出条件梯度算法的几类加速形式.随机数据和图像恢复模型数据的实验结果表明说明算法是可行高效的.     

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,     

谱约束下实对称矩阵束的最隹逼近

§1 引言 用R~(nxm)表示所有nxm实矩阵的全体,R_r~(nxm)表示R~(nxm)中矩阵秩为r的子集,SR~(nxn)表示所有nxn实对称矩阵的全体。OR~(nxn)表示所有nxn正交矩阵的集合。I_n表示n阶单位矩阵。A~T表示矩阵A的转置。||·||_F表示矩阵的Frobenius范数。 本文我们研究如下问题:     

线性流形上对称正交反对称矩阵反问题的最小二乘解

设P是n阶对称正交矩阵,如果n阶矩阵A满足AT=A和(PA)T=-PA,则称A为对称正交反对称矩阵,所有n阶对称正交反对称矩阵的全体记为SARnp.令S={A∈SARnp f(A)=‖AX-B‖=m in,X,B〗∈Rn×m本文讨论了下面两个问题问题Ⅰ给定C∈Rn×p,D∈Rp×p,求A∈S使得CTAC=D问题Ⅱ已知A~∈Rn×n,求A∧∈SE使得‖A~-A∧‖=m inA∈SE‖A~-A‖其中SE是问题Ⅰ的解集合.文中给出了问题Ⅰ有解的充要条件及其通解表达式.进而,指出了集合SE非空时,问题Ⅱ存在唯一解,并给出了解的表达式,从而得到了求解A∧的数值算法.     

矩阵特征值的几个扰动定理

1 引言 设A∈C~(n×m),B∈C~(m×m)(m≤n),它们的特征值分别为{λ_k}_(k=1)~n和{μ_k}_(k=1)~m.令 R=AQ-QB (1)这里Q∈C~(n×m)为列满秩矩阵.Kahan研究了矩阵A在C~(n×m)上的Rayleigh商的性质,证明了下列定理:设A为Hermite矩阵,Q为列正交矩阵,即Q~HQ=I,而B=Q~HAQ,则存在 1,2,… ,n的某个排列π,使得 {sum from j=1 to m │μ_j-λ_(π(j))│~2}~(1/2)≤2~(1/2)‖R‖_F (2)其中R如(1)所示,‖·‖_F为矩阵的Frobenius范数.刘新国在[2]中将此定理推广到B为可对角化矩阵的情形,并且还建立了较为一般的扰动定理:设A为正规矩阵,B为可对角化矩阵;存在非奇异矩阵G,使得G~(-1)BG为对角阵,则存在1,2,…,n的某个排列π,使得 │μ_j-λ_(π(j))│≤2(2~(1/2))nK(G)_(σ_m~(-1))‖R‖_F,j=1,2,…,m. (3)     

两种块校正最小二乘问题的代数关系

1 引言 在求解工程问题中,我们常常应用最小二乘方法 min‖Ax-b‖_2,A∈R~(m×n),m≥n (1.1) x∈R~n去得到问题的数值近似解或估计系统的未知参数.我们常常已知(1)的解,而希望求解修改问题     

广义极分解

本文使用下列符号:C~(m×n)表示m×n复矩阵的集合,C_r~(m×n)表示秩为r的m×n复矩阵的集合,A~H和A~+分别表示矩阵A的共轭转置和Moore-Penrose广义逆,|| ||_2表示向量的Euclid范数和矩阵的谱范数,|| ||_F表示Frobenius范数,R(A)表示A的列     

一般矩阵元素振动秩的一个定理

在文[1]列满矩阵元素扰动秩的稳定性基础上,运用矩阵的范数,分析,研究一般矩阵A∈C^m&;#215;n元素扰动秩的问题,得出“存在ε＞0,只要δA∈C^m&;#215;n,满足||δ||＜ε,则有A＋δA∈U^nk=rC^m&;#215;nk=r的结论。     

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.     

不变子空间上特征值的扰动

1引言设矩阵A∈C~(n×n),B∈C~(m×m),Q∈C~(n×m)为列满秩矩阵,令R=AQ-QB．当R的范数很小的时候,我们分析矩阵B的特征值对A的特征值的逼近性．当A,B都是Hermite阵时,上述问题已经被Kahan解决．近年来,对可对角化矩阵的情形,取得了一些新的成果．[4][5][6]中给出了几个范数不等式,并应用于矩阵特征值     

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.     

矩阵反问题解的稳定性

首先说明一些记号.C~(m×n):所有m×n复元素矩阵的全体,C_r~(m×n):C~(m×n)中所有秩为r的矩阵的全体.A~H:矩阵A的转置共轭.I~((n)):n行列单位矩阵.A>0表示A是正定Hermite矩阵,λ_(max)(A)与λ_(min)(A)分别表示Hermite矩阵A的最大与最小特征值,σ_(max)(A)与σ_(min)(A)分别表示矩阵A的最大与最小奇异值.A~+:A的Moors-Penrose广义逆.|| ||_2:矩阵的谱范数,|| ||_F:矩阵的Frobenius范数.     

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.     

矩阵不等式约束下矩阵方程最小二乘问题的增广Lagrangian方法北大核心CSCD

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.