Сингулярное разложение в линейной задаче метода наименьших квадратов

Дипломная работа - Математика и статистика

Другие дипломы по предмету Математика и статистика

Скачать Бесплатно!
Для того чтобы скачать эту работу.
1. Пожалуйста введите слова с картинки:

2. И нажмите на эту кнопку.
закрыть



ного описания числа обусловленности нам понадобится понятие нормы в пространстве векторов и матриц.

Нормой вектора x в пространстве векторов называется функционал, обозначаемый , удовлетворяющий следующим условиям:

  1. положительной определенности

  2. положительной однородности

    ;

  3. неравенству треугольника

    .

  4. Нормой квадратной матрицы А в пространстве матриц, согласованной с нормой вектора

    называется функционал , удовлетворяющий условиям 1 3 для нормы вектора:

  5. ;

  6. мультипликативное неравенство

  7. Наиболее употребимы следующие нормы для векторов:
  8. норма суммы модулей

  9. евклидова норма

  10. норма максимума модуля

  11. Нормы матриц:
  12. Здесь

    являются сингулярными числами матрицы А; это положительные значения квадратных корней из собственных значений матрицы АТА (которая при невырожденной матрице А положительно определена, в противном случае положительно полуопределена (неотрицательно определена) и поэтому имеет только вещественные собственные значения 0). Для вещественных симметричных матриц сингулярные числа равны абсолютным величинам собственных значений: .

    Умножение вектора х на матрицу А приводит к новому вектору Ах, норма которого может очень сильно отличаться от нормы вектора х. Область изменений может быть задана двумя числами

    Максимум и минимум берутся по всем ненулевым векторам. Заметим, что если А вырождена, то m=0. Отношение M/m называется числом обусловленности матрицы А,

(7)

Рассмотрим норму обратной матрицы .

Для матрицы А существует сингулярное разложение , тогда , отсюда . Аналогично для обратной матрицы и . Отсюда следует, что собственные числа матрицы 1/ есть величины, обратные собственным числам матрицы . При этом очевидно, что . Из последнего выражения вместе с (7) следует . Таким образом обусловленность матрицы равна произведению нормы матрицы на норму обратной матрицы.

Рассмотрим систему уравнений Ax=b, и другую систему, полученную изменением правой части: A(x+x)=b+b . Будем считать b ошибкой в b, а x соответствующей ошибкой в x, хотя нам нет необходимости считать ошибки малыми. Поскольку A(x)=b, то определения M и m немедленно приводят к неравенствам Следовательно , при m0,

Величина есть относительное изменение правой части, а величина относительная ошибка, вызванная этим изменением. Аналогичные выкладки можно провести не только с элементами вектора правой части но и с элементами самой матрицы А и найти зависимость между относительным изменением элементов матрицы и относительной ошибкой вызванной этим изменением. Отсюда следует, что число обусловленности выполняет роль множителя в увеличении относительной ошибки.

Приведем некоторые свойства числа обусловленности. Ясно, что Mm и поэтому cond(А)1. Если Р матрица перестановок, то компоненты вектора Px лишь порядком отличаются от компонент вектора х. Отсюда следует, что и cond(P)=1 . В частности cond(I)=1. Если А умножается на скаляр с, то cond(cА)= cond(А). Если D диагональная матрица, то

глава 2. Реализация сингулярного разложения

2.1. Алгоритмы

QRалгоритм начинается с разложения матрицы по Грамму-Шмидту , затем меняются местами сомножители: Эта матрица подобна первоначальной, Этот процесс продолжается, причем собственные значения не изменяются:

Эта формула описывает QRалгоритм без сдвигов. Обычно время которое тратится на такой процесс пропорционально кубу размерности матрицы n3. Необходимо процесс ускорить, для чего используется предварительное приведение матрицы А к форме Хессенберга а также используется алгоритм со сдвигом. Форма Хессенберга представляет из себя верхнюю треугольную матрицу (верхняя форма Хессенберга) у которой сохранена одна диагональ ниже главной, а элементы ниже этой диагонали равны нулю. Если матрица симметрична, то легко видеть, что матрица Хессенберга превращается в трехдиагональную матрицу. При использовании матрицы Хессенберга время процесса пропорционально n2, а при использовании трехдиагональной матрицы n.

Можно использовать другие соотношения

где Qs унитарная, а Ls нижняя треугольная матрица. Такой алгоритм носит название QLалгоритма.

В общем случае, когда все собственные значения матрицы различны, последовательность матриц As имеет пределом нижнюю треугольную матрицу , диагональные элементы которой представляют собой собственные значения матрицы А, расположенные в порядке возрастания их модулей. Если матрица А имеет кратные собственные значения, то предельная матрица не является треугольной, а содержит диагональные блоки порядка p, соответствующие собственному числу кратности p.

В общем случае, наддиагональный элемент матрицы As на s-ом шаге асимптотически равен , где kij постоянная величина. Сходимость QLалгоритма вообще говоря недостаточна. Сходимость можно улучшить, если на каждом шаге вместо матрицы As использовать матрицу As-ksI (QLалгоритм со сдвигом). Последовательность вычислений в этом случае описывается следующими соотношениями:

которые определяют матрицу . При этом асимптотическое поведение элемента определено соотношением , а не , как прежде. Если

s