矩阵的逆特征值问题
矩阵特征值、特征向量的研究【开题报告】
毕业论文开题报告 数学与应用数学 矩阵特征值、特征向量的研究 一、选题的背景、意义 （1）选题的背景、意义 “矩阵(Matrix)”术语是由西尔维斯特创用并由凯莱首先明确其概念的。19世纪50年代，西尔维斯特引入“矩阵”一词来表示“一项由几行H列元素组成的矩形阵列”或“各种行列式组”，凯莱作为矩阵理论的创立者，首先为简化记法引进矩阵，然后系统地阐述了矩阵的理论体系。随后，弗罗伯纽斯等人发展完善了矩阵的理论体系形成了矩阵的现代理论。然而，矩阵思想的萌芽由来已久，早在公元前l世纪中国的《九章算术》就已经用到类似于矩阵的名词。但那时矩阵仅是用来作为一种矩形阵列解决实际问题，并没有建立起独立完善的矩阵理论。18世纪末到19世纪中叶，这种排列形式在线性方程组和行列式计算中应用日益广泛，行列式等理论的发展提供了矩阵发展的条件，矩阵概念由此产生，矩阵理论得到系统的发展。20世纪初，无限矩阵理论得到进一步发展[]1。 线性代数（Linear Algebra）是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中[]2。 由于费马和笛卡儿的工作，线性代数基本上出现于十七世纪。直到十八世纪末，线性代数的领域还只限于平面与空间。十九世纪上半叶才完成了到n维向量
空间的过渡矩阵论始于凯莱，在十九世纪下半叶，因若当的工作而达到了它的顶点。1888年，皮亚诺以公理的方式定义了有限维或无限维向量空间。托普利茨将线性代数的主要定理推广到任意体上的最一般的向量空间中．线性映射的概念在大多数情况下能够摆脱矩阵计算而引导到固有的推理，即是说不依赖于基的选择。不用交换体而用未必交换之体或环作为算子之定义域，这就引向模的概念，这一概念很显著地推广了向量空间的理论和重新整理了十九世纪所研究过的情况。 “代数”这一个词在我国出现较晚，在清代时才传入中国，当时被人们译成“阿尔热巴拉”，直到1859年，清代著名的数学家、翻译家李善兰才将它翻译成为“代数学”，一直沿用至今[]3[]4。 线性代数是讨论矩阵理论、与矩阵结合的有限维向量空间及其线性变换理论的一门学科。 （2）国内外研究现状和发展趋势 主要理论成熟于十九世纪，而第一块基石（二、三元线性方程组的解法）则早在两千年前出现（见于我国古代数学名著《九章算术》）[]5。 ①线性代数在数学、力学、物理学和技术学科中有各种重要应用，因而它在各种代数分支中占居首要地位； ②在计算机广泛应用的今天，计算机图形学、计算机辅助设计、密码学、虚拟现实等技术无不以线性代数为其理论和算法基础的一部分； ③该学科所体现的几何观念与代数方法之间的联系，从具体概念抽象出来的公理化方法以及严谨的逻辑推证、巧妙的归纳综合等，对于强化人们的数学训练，增益科学智能是非常有用的； ④随着科学的发展，我们不仅要研究单个变量之间的关系，还要进一步研究多个变量之间的关系，各种实际问题在大多数情况下可以线性化，而由于计算机的发展，线性化了的问题又可以计算出来，线性代数正是解决这些问题的有力工具。 线性代数起源于对二维和三维直角坐标系的研究。在这里，一个向量是一个有方向的线段，由长度和方向同时表示。这样向量可以用来表示物理量，比如
12 特征值估计、广义特征值与极大极小原理
第十二讲 矩阵特征值估计 特征值计算较困难，希望找到简便的特征值界限或分布范围的估计方法。 一、 特征值界的估计 定理1. 设n n A R ?∈，λ为A 的任意特征值，则有 () Im M λ≤其中，ij ji 1i ,j n a a M m a x 2 ≤≤-= 证明：设x 为A 的属于特征值λ的单位特征向量，即A x x =λ， H x x 1=， 则 H x A x λ= → ( ) () H H H H H x A x x A x x A x λ== = () ()()H H H T 2jIm x A A x x A A x λ-λ=λ=-=- 将x 写成[] T 12n x ,,,=ξξξ ()()n n H T i ij ji j i 1 j 1 x A A x a a ==-=ξ-ξ∑∑ () ()()n n i ij ji j i 1j 1 n n i ij ji j i 1 j 1 2I m a a a a ====λ= ξ-ξ≤ ξ-ξ∑∑ ∑∑ n ' i j ij ji i ,j 1 a a == ξξ-∑ （'∑表示不含i ＝j ） n ' i j i ,j 1 2M =≤ξξ∑ () 2 n 2 2 ' i j i ,j 1 I m M =? ?λ≤ξξ ? ? ? ∑
() n 2 2 ' i j i ,j 1M n n 1=≤-ξξ∑ () n 2 2 2 ' i j i ,j 1M n n 1==-ξξ∑ n n n n n 2 2 2 2 4 2 4 ' i j i j i i i i ,j 1 i ,j 1 i 1 i 1 i 1 =====ξξ= ξξ- ξ≤ ξ- ξ∑ ∑ ∑ ∑ ∑ ( )n 2 2 i i i 11== ξ-ξ∑ 不妨写为： ( ) ( ) ( )n 2 222 2 2 1 1 2 2 i i i 3 111==ξ-ξ +ξ -ξ + ξ -ξ∑ ( )( )( )2 2 2 2 2 2 n 11 22 2 2 i i i 3 1112 2 =????ξ +-ξξ +-ξ ? ? ≤++ ξ-ξ ? ? ? ???? ? ∑ 12 ≤ 取等号的条件为2 2 1 2 12 ξ=ξ= ，但 2 x 1 =，所以其它2 i ξ= ∴ () Im M λ≤定理2. 设n n A R ?∈，λ为A 的任意特征值，则有 n λ≤ρ ()R e n λ≤τ () I m n s λ≤ 其中，ij 1i,j n m a x a ≤≤ρ =，ij ji 1i,j n m a x a a ≤≤τ =+，ij ji 1i,j n s m a x a a ≤≤=- 二、 盖尔圆法 定义：设() n n ij n n A a C ??= ∈,由方程 n ii i ij j 1 i j z a R a =≠-≤= ∑ 所确定的圆称 为A 的第i 个盖尔圆，i R 称为盖尔圆的半径。
求矩阵特征值算法及程序
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 (1)输入矩阵A、初始向量( 0)，误差eps； (2) k 1； (3)计算V(k)A(k 1)； (4)m k max(V(k)) ,m k1max( V ( k 1))； (5) (k)V(k)/m k； (6)如果m k m k 1eps,则显示特征值1和对应的特征向量x(1) ),终止； (7)k k 1, 转(3) 注：如上算法中的符号max(V )表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input[" 系数矩阵A="]; u=Input[" 初始迭代向量u(0)="]; n=Length[u]; eps=Input[" 误差精度eps ="]; nmax=Input[" 迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k