毕业论文

打赏
当前位置: 毕业论文 > 数学论文 >

矩阵QR分解方法及其应用及C++源程序(2)

时间:2018-08-27 09:57来源:毕业论文
3.6.3 实验结果分析 25 4 QR分解在求解线性方程组与线性最小二乘问题中的应用 25 4.1 求解线性方程组 25 4.1.1 Schmidt正交化解法 25 4.1.2 Givens变换解法 26 4.1.3


3.6.3  实验结果分析    25
4  QR分解在求解线性方程组与线性最小二乘问题中的应用    25
4.1  求解线性方程组    25
4.1.1  Schmidt正交化解法    25
4.1.2  Givens变换解法    26
4.1.3  Householder变换解法    27
4.2  解线性最小二乘问题    28
5  QR分解在其他领域的应用    32
5.1  QR分解当前应用综述    32
5.2  QR分解在水印嵌入的应用详解    32
结  论    35
致  谢    36
参 考 文 献    37
附录A   QR分解求特征值C++程序    38
1  绪论
1.1  研究背景及现状
作为数学中最重要的工具之一,矩阵大量运用在控制论、图像处理、机器人理论、生物学、物理学、经济理论等各个领域。凯莱作为矩阵理论的创立者,全面而详细地提出了矩阵的理论体系。之后经过弗罗伯纽斯等人的努力,矩阵的理论体系得到了进一步的丰富,继而形成了现代的成熟的矩阵理论。经过漫长的发展,矩阵理论已经形成了内容极其丰富的系统的理论和方法。上个世纪对无限矩阵理论的研究也取得了瞩目的成就[4]。
随着矩阵理论的成熟与发展,矩阵中的数据信息的处理与存放愈发成为一个突出问题。随之而来便产生了将矩阵进行分解的方法。分解得到的矩阵能够有效削减原始矩阵的文数,并且可以压缩和概括原始矩阵中存放的众多数据。在矩阵理论与近代计算数学中,矩阵分解的作用至关重要。矩阵分解的含义是指:把复杂的矩阵化成简单的或性质特殊的几个矩阵的积(和)。常见矩阵分解方法有三种:三角分解法 (Triangular Factorization)、QR 分解法 (QR Factorization)与奇异值分解法 (Singular Value Decompostion)。通过矩阵的分解可以达到简化计算的目的,另外在数值计算与最优化问题中都可用到。其中QR分解经常用来解线性最小二乘法问题,同时也是目前求一般矩阵全部特征值的最有效并广泛应用的方法,并且在实际应用中具有重要意义。

1.2  线性代数的一些基本概念
1.2.1  范数、线性赋范空间
    定义1.1    若V是一个线性空间。存在V到R的一个映射 ,即对 ,都对应一个实数(记为 )。使之具有性质:
(1)正定性:
(2)齐次性:
(3)三角不等式:
称 为V的范数。该空间称为赋范线性空间[1]。
另外, 上有三种常见的范数:   ,
                     ,为1-范数。
 ,为2-范数。
    ,为∞-范数。
1.2.2  Hessenberg矩阵
    定义1.2    设矩阵 ,如果对 ,均有 ,则A定义为上Hessenberg矩阵,即
 
如果 ,则称矩阵A为不可约上Hessenberg阵[4]。
1.2.3  正定矩阵
定义1.3  若n阶方阵A对任何向量 都有 ,那么A叫做正定矩阵[5]。

1.3  Householder变换
1.3.1  Householder变换定义
定义1.4    设 是一个单位向量,令 ,则称H是一个Householder矩阵。该变换为Householder变换[1]。

1.3.2  Householder变换性质
    若H是Householder矩阵,则其有如下性质[5]:
性质1:    H是对称矩阵,即 ;
性质2:     是正交矩阵,即
        ; 矩阵QR分解方法及其应用及C++源程序(2):http://www.751com.cn/shuxue/lunwen_21983.html
------分隔线----------------------------
推荐内容