Householder变换进行QR分解及其代码实现(C++) | 您所在的位置:网站首页 › householder什么意思 › Householder变换进行QR分解及其代码实现(C++) |
文章目录
简介前置理论Householder进行QR分解代码实现
简介
初等变换工具如三角分解(LU分解)可以用于求解线性方程组,但确实存在一些限制。例如,对于病态(ill-conditioned)的线性方程组,LU分解可能会导致数值不稳定的结果。此外,对于不可逆矩阵,LU分解也不适用。 为了克服这些问题,引入了QR分解,其中矩阵分解为正交矩阵Q和上三角矩阵R。QR分解对于任何可逆矩阵都是适用的,并且可以提供数值稳定的解决方案。QR分解的实现可以借助施密特正交规范化、吉文斯变换和豪斯霍尔德变换等技术来完成。 在QR分解中,正交矩阵Q的列是正交的,这意味着它们满足Q的转置乘以Q等于单位矩阵。这种性质有助于减少数值误差的传播,并提供了数值稳定性。同时,上三角矩阵R包含了原始矩阵的重要信息,可以用于求解线性方程组等任务。 Householder变换是一种线性变换,它将一个向量投影到一个新的方向上,通常是在一个超平面上。它可以用来零化一个向量中除第一个元素外的所有元素,这使得我们可以将其用于QR分解中的反射操作。通过连续地应用一系列Householder变换,我们可以将原始矩阵A转化为上三角矩阵R。在这个过程中,我们也构建了正交矩阵Q,它将被用于最终的QR分解。 Householder变换的关键思想是找到一个反射面(或反射超平面),它可以将向量映射到零向量或某个特定方向上。这个变换的设计允许我们零化某些元素,从而实现了R的上三角形态。Householder变换在数值计算和线性代数中有广泛的应用,特别是在QR分解和特征值计算等领域。 前置理论先看一个定理: 对任意二范数为1的向量 ω ∈ R n \omega \in {R^n} ω∈Rn,其反射矩阵为: H = I − 2 ω ω T H = I - 2\omega {\omega ^T} H=I−2ωωT,其中I为单位阵。反射阵H满足: H T = H H^{\rm{T}} = H HT=H H ∗ H = I H*H = I H∗H=I 简证: H T = ( I − 2 ω ω T ) T = I − 2 [ ( ω T ) T ω T ] = I − 2 ω ω T {H^T} = {\left( {I - 2\omega {\omega ^T}} \right)^T} = I - 2\left[ {{{\left( {{\omega ^T}} \right)}^T}{\omega ^T}} \right] = I - 2\omega {\omega ^T} HT=(I−2ωωT)T=I−2[(ωT)TωT]=I−2ωωT H ∗ H = ( I − 2 ω ω T ) ∗ ( I − 2 ω ω T ) = I − 2 ω ω T − 2 ω ω T + 4 ω ( ω T ω ) ω T = I − 4 ω ω T + 4 ω ω T = I H * H = \left( {I - 2\omega {\omega ^T}} \right) * \left( {I - 2\omega {\omega ^T}} \right) = I - 2\omega {\omega ^T} - 2\omega {\omega ^T} + 4\omega \left( {{\omega ^T}\omega } \right){\omega ^T} = I - 4\omega {\omega ^T} + 4\omega {\omega ^T} = I H∗H=(I−2ωωT)∗(I−2ωωT)=I−2ωωT−2ωωT+4ω(ωTω)ωT=I−4ωωT+4ωωT=I 反射变换可以理解为两向量关于一个法平面对称的过程。设超平面S(过原点,以w为法向量)即: S = { x ∣ ω T x = 0 , ∀ x ∈ R n } S = \{ x{|}{\omega ^T}x = 0,{\forall _x} \in {R^n}\} S={x∣ωTx=0,∀x∈Rn} 也就是:
∀
z
,
z
′
∈
R
n
\forall z,z' \in {R^n}
∀z,z′∈Rn 若两向量二范数相等,则存在一个反射变换矩阵H 使
z
′
=
H
z
z' = Hz
z′=Hz z’ 与z关于超平面S对称,如下图所示。 首先,我们期望将任意实阵A分解为QR 即A = Q*R,其中Q为对称正交阵,R为上三角阵。 假设待分解的矩阵A如下: 算法实现过程:(第K次变换矩阵H求解如下) v K → = A K ( A K 为子阵,长度为 ( n − k + 1 ) ) v K → = v K → − ∥ v k → ∥ ⋅ e k → v k → = v k → ∥ v ∥ H k = I − 2 v k ∗ v k T \overrightarrow {{\ v _K}} = {A_K}\left( {{A_K}为子阵,长度为(n - k + 1)} \right)\\\overrightarrow {{\ v _K}} = \overrightarrow {{\ v _K}} - \left\| {\overrightarrow {{\ v _k}} } \right\| \cdot \overrightarrow {{e_k}}\\\overrightarrow {{\ v _k}} = \frac{{\overrightarrow {{\ v _k}} }}{{\left\| \ v \right\|}}\\\ {H_k} = I - 2{\ v _k} * {\ v _k}^T vK =AK(AK为子阵,长度为(n−k+1)) vK = vK − vk ⋅ek vk =∥ v∥ vk Hk=I−2 vk∗ vkT 使用Eigen库实现 #include #include #include #include void householderQR(Eigen::MatrixXd &A, Eigen::MatrixXd &Q, Eigen::MatrixXd &R) { int m = A.rows(); int n = A.cols(); Q = Eigen::MatrixXd::Identity(m, m); R = A; for (int k = 0; k Eigen::MatrixXd A(3, 3); // 创建一个3x3的示例矩阵 // 填充矩阵A A |
CopyRight 2018-2019 实验室设备网 版权所有 |