非齐次对称特征值问题

引言 用SR~(n×n)表示所有。n×n实对称矩阵的集合。R~n表示n维线性空间。||·||_2表示向量的Euclid范数或矩阵的谱范数。 本文研究如下问题: 问题ISEP 给定矩阵A∈SR~n×n和向量b∈R~n,求实数λ和向量X∈R~n使得 AX=λX+b, (1) ||X||_2=1. (2) 若b=0,则问题ISEP就是通常的实对称矩阵特征值问题,若b≠0,则问题ISEP称为非齐次对称特征值问题,使(1)和(2)式成立的数λ和向量X分别称为非齐次特征值和相应的非齐     

B-矩阵线性互补问题的误差界估计

正1引言线性互补问题在诸多领域具有广泛的应用,如二次规划、市场均衡、最优停步、双矩阵对策等~([1-3]),线性互补问题的数学模型为求x∈R~n,满足(Mx+q)~Tx=0,Mx+q≥0,x≥0,记作LCP(M,q),其中M=(m_(ij))∈R~(n×n)和q∈R~n为给定的矩阵和向量.线性互补问题解的性质主要取决于所定义矩阵的性质.例如,当矩阵是P-矩阵(即它     

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。     

iljak猜想的反例及进一步结果

R~(n×n)表示 n 阶实矩阵组成的集合,R~n 表示 n 维实向量空间.本文中的矩阵假定都属于 R~(n×n).给定一个矩阵 A∈R~(n×n),A>0(A≥0)表示 A 是一个对称正定(非负定)矩阵;A 称为正(非负)矩阵,如 A 的元素都是正的(非负的).矩阵 A 称为稳定矩阵,如A 的特征值的实部都是负的.     

Siljak 猜想的反例及进一步结果

R~(n×n)表示 n 阶实矩阵组成的集合,R~n 表示 n 维实向量空间.本文中的矩阵假定都属于 R~(n×n).给定一个矩阵 A∈R~(n×n),A>0(A≥0)表示 A 是一个对称正定(非负定)矩阵;A 称为正(非负)矩阵,如 A 的元素都是正的(非负的).矩阵 A 称为稳定矩阵,如A 的特征值的实部都是负的.     

时滞微分系统中的一个Ляпунов泛函存在性定理

曾建立了一条著名的定理:如果(1.1)之特征方程 det(λI-A)=0的任意两个特征根λ_1,λ_2,恒满足λ_1+λ_2≠0,则对任意给定的实对称矩阵 W∈R~(n×n),存在实对称阵 T∈R~(n×n),使得令 V(x)=x~TTx时,沿(1.1)之解成立 V(x(t))=-x~T(t)Wx(t).特别地,若 det(λI-A)=0之根均具有负实部,则 W 正定(?)T 为正定.     

加法与乘法逆特征值问题的可解性

1.引言 本文讨论如下代数特征值反问题可解的充分条件: 问题A(加法逆特征值问题)。给定一Hermite矩阵A=(a_(ij))_(n×n)及n个实数λ_1,…,λ_n,求一实对角阵D=diag(c_1…,c_n),使得A+D的特征值为λ_1,…,λ_n。 问题M(乘法逆特征值问题)。给定一正定Hermite矩阵A=(a_(ij))_(n×n)和n个正实数     

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.     

实对称矩阵广义特征值反问题

本文研究如下实对称矩阵广义特征值反问题: 问题IGEP,给定X∈R~(n×m),1=diag(λ_II_k_I,…,λ_pI_k_p)∈R~(n×m),并且λ_I,…,λ_p互异,sum from i=1 to p(k_i=m,求K,M∈SR~(n×n),或K∈SR~(n×n),M∈SR_0~(n×m),或K,M∈SR_0~(n×n),或K∈SR~(n×n),M∈SR_+~(n×n),或K∈SR_0~(n×n),M∈SR_+~(n×n),或K,M∈SR_+~(n×m), (Ⅰ)使得 KX=MXA, (Ⅱ)使得 X~TMX=I_m,KX=MXA,其中SR~(n×n)={A∈R~(n×n)|A~T=A},SR_0~(n×n)={A∈SR~(n×n)|X~TAX≥0,X∈R~n},SR_+~(n×n)={A∈SR~(n×n)|X~TAX>0,X∈R~n,X≠0}. 利用矩阵X的奇异值分解和正交三角分解,我们给出了上述问题的解的表达式.     

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．     

线性流形上亚半正定阵的一类逆特征值问题

1　引言与引理设 Rm× n表示所有 m× n实矩阵集合 ,m=n时 ,Rm× n简记为 Rm;Rm0 表示所有 m阶亚半正定阵集合 ,即 Rm0 ={ A∈Rm× m|YTAY≥ 0 , Y∈Rm× 1 } ;ORm表示 m阶正交矩阵集合 ;A+表示矩阵 A的 Moore-Penrose广义逆 ;‖·‖表示 Frobenius范数 .In 表示 n阶单位阵 ,有时令SE={ A∈ Rm× m|‖ AE -F‖ =min,E,F∈ Rm× k} ,(1 .1 )则 SE是线性流形 .文 [1 ] ,[2 ]分别研究了 SE上实对称矩阵及实对称半正定阵的逆特征值问题 ,本文将进一步研究 SE上亚半正定阵的一类逆特征值问题 ,具体叙述如下 :问题 　给定 X,B∈R…     

输出反馈极点配置问题的一个算法

在线性多变量控制理论中,存在一个代数特征值反问题——输出反馈极点配置问题。问题叙述如下: 问题PAO.给定A∈R~(n×n),B∈R_m~(n×m),C∈R_p~(p×n)和?={λ_1,λ_2,…,λ_n},?在复共轭下封闭.求K∈R~(m×p),使得A+BKC具有事先给定的特征值λ_1,λ_2,…,λ_n。 [2]和[5]等证明了     

一类广义半正定线性方程组的直接解法

1 引言 在具有等式约束的二次规划或椭圆型边值问题离散化分析中经常会遇到解线性方程组 (1)其中A∈R~(m×m)为对称正定矩阵,B∈R~(n×m)为行满秩矩阵,f∈R~m,g∈R~n为右端向量. 为了讨论的方便,首先引进, 定义1 若G∈R~(N×N),且对任何非零向量x∈R~N都有x~TGx>0(≥0),则称矩阵G     

一类Hermitian鞍点矩阵的特征值估计

本文研究了一类大型稀疏Hermitian鞍点线性系统Az=(B E E* 0)(x y)=(f g)=b系数矩阵的特征值,其中B∈C~(p×p)是Hermitian正定阵矩阵,E∈C~(p×q)是列降秩.本文分别给出了该系数矩阵正特征值与负特征值界的一个估计式,同时通过数值算例验证本文所给出的特征值界的估计是合理且有效的.     

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     

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   

线性流形上实对称半正定阵的一类反问题

1　引　　言文中记Rn×m为所有n×m阶实阵集合,SRn×n为所有n阶实对称阵集合,Pn表示所有n阶实对称半正定阵集合,A≥0表示方阵A对称半正定.A+、R(A)、N(A)分别表示矩阵A的Moore-Penrose广义逆,列空间和零空间,‖·‖表示Froblnius范数.对于Z.Y∈Rn×k,令S={A∈Pn|AZ=Y,ZTY∈PK,R(YT)=R(YTZ)}(1.1)　　现考虑如下问题:问题　给定X.B∈Rn×m,找A∈S,使得AX=B(1.2)　　问题　给定A∈Rn×n,找A∈SE,使得‖A-A‖=infA∈SE‖A-A‖(1.3)其中SE是问题的解集合.问题与具有重要的应用背景,当Y=ZΛ,Λ=diag(λ1,λ2,…     

标准Jacobi矩阵的混合型特征反问题

0 引言 本文讨论如下标准形式的Jacobi矩阵 其中a_i>0(i=1,2,…,n),b_i>0(i=1,2,…,n-1)。 对于Jacobi矩阵(对称三对角矩阵)的特征反问题,已有的成果[1],基本上集中在由两组频谱或两个特征对(指特征值及相应的特征向量)构造Jacobi矩阵的元素这样两类问题上,习惯上称之为频谱型或特征向量型反问题。本文提出且求解了第三类型——混合型特征反问题。即由一组频谱数据和一个特征向量构造矩阵元素的问题: 问题Ⅰ 给定正数λ~(1),λ~(2),…,λ~(n)和实向量x=(x_1,x_2,…,x_n)~T,其中x_1=1。构造一个标准形式的Jacobi矩阵J,使其第k阶顺序主子阵恰以λ~(k)(k=1,2,…,n)为其特征值。且(λ~(n),x)为其特征对。 问题Ⅱ 给定正数0<λ_1~(n)<λ_1~(n-1)<…<λ_1~(1)和正向量x=(x_1,x_2,…,x_n),其中x_=,x_k>0(k=2,…,n),构造一个标准形式的Jacobi矩阵J,使其第K阶顺序主子阵恰以λ_1~(k)为其最小特征值,而(λ~(n),x)为J的特征对。 问题Ⅲ 给定n个实数0<λ_1)<λ_2<…<λ_n和m个实数λ~(1),λ~(2),…,λ~(m)及m维向量x=(x_1,…,x_m)~T。构造n阶标准形式的Jaeobi矩阵J,使其第K阶顺序主子阵恰以λ~(k)(k=1,2,…,m)为其特征值,而(λ~(m),x)为第m阶顺序主子阵的特征对,且λ_k(k=1,2,…,n)为J的特征值。这里系大于或等     

一类矩阵反问题及其数值解法

1.问题的提法 R~(n×m)表示所有n×m阶实矩阵的集合,R~(n×1)=R~n,R_r~(n×m)表示R~(n×m)中秩为r的子集.||·||取Frobenius范数.若?0≠x∈R~n,α≥0,有x~TAx≥αx~Tx(>αx~Tx),则记为A≥α(>α).若A≥0(>0)且A=A~T,则A为对称半正定(正定)阵. 令     

一个改进的超记忆梯度法的收敛性及其敛速估计

一、算法 问题:min{f(x)|x∈E~n},f(x)为实值函数; 记号:gj为f(x)在x_j处的梯度列向量,x_*为问题的最优解,H(x)、H_*分别表示f(x)在x和x_*处的Hessian矩阵,上标“,”表示矩阵的转置。 给定实数序列{β_j}、β_j≥0、β_j→0(j→∞),常数a>0,整数k_1相似文献