求解大规模矩阵内部特征值问题的精化与修正的精化调和块Arnoldi算法(英文)

调和块Arnoldi方法可以用于求解大规模矩阵的内部特征对,给定一个位移点τ可以用该方法求接近τ的内部特征值及其相应的特征向量.然而,理论分析表明,所求得调和Ritz向量可能收敛非常缓慢,甚至不收敛.为避免这种情况,给出了精化调和块Arnoldi及修正的精化调和块Arnoldi方法.此外,还给出了修正的精化调和Ritz向量和精化调和Ritz向量之间的关系.数值实验结果表明了新算法的有效性.     

一种调和Ritz向量的精化算法及应用

利用调和Arnoldi算法的一种等价形式,用较少的运算量将大规模矩阵特征值问题转化成一个小型的标准特征值问题来求解调和Ritz对。针对调和Arnoldi算法中调和Ritz值收敛而相应的调和Ritz向量往往不收敛的情况,保持调和Ritz值不变,结合精化Arnoldi算法的思想给出了一种在位移Krylov子空间上对调和Ritz向量进行精化求解的精化变形算法,以寻求使残量范数达到极小的近似特征向量。理论分析和数值实验表明这种精化变形算法的可行性、有效性以及更快的收敛速度,利用此算法可以更快求解满足精度要求的大规模矩阵的特征值和特征向量。同时,将这种算法应用于图像K-L变换的协方差矩阵的特征值和特征向量的求解,克服了K-L变换中由于图像矩阵过大而求解过程困难的问题,选取前若干个较大的特征值所对应的特征向量构成变换矩阵进行K-L变换来压缩图像,能直接应用于实时的图像压缩,较对图像分块在每个小块上进行K-L变换的方法更有效。     

实对称矩阵特征值问题的迭代块Jacobi-Davidson方法

通过组合块Jacobi方法和块Davidson方法，提出了一个新方法－块Jacobi-Davidson方法。它不仅是Jacobi-Davidson方法的推广而且改进了收敛性，适用于计算大型稀疏对称矩阵若干个最大或最小特征值及相应特征向量。最后给出了一些数值试验的结果，结果显示块Jacobi-Davidson方法是有效的。     

预处理子空间迭代法

研究了计算大型稀疏对称矩阵的若干个最大或最小特征值的问题．首先引入求解大型对称特征值问题的预处理技术，给出了改善后的算法及相应的算法收敛分析．而求解特征值问题的子空间迭代法，当矩阵的特征值的分布范围较大时，其收敛速度会受到限制．为了加速子空间迭代法的收敛速度，对每次迭代所得的残余矩阵直接进行预处理以改善矩阵特征值的分布而加速收敛．讨论了预处理技术对子空间迭代法的应用，从而给出了预处理子空间迭代法．最后给出了数值例子，结果表明预处理子空间迭代法比子空间迭代法优越，不仅收敛速度快，并且减少了计算量和计算时间．     

Jacobi方法及其推广

通过研究求严格对角占优对称矩阵最大单特征值的Jacobi方法，对其进行推广，得到了可同时求严格对角占优对称矩阵的几个最大重特征值或密集特征值的块Jacobi方法，并且说明了块Davidson方法可看作加速的块Jacobi方法，并举了数值例子对这2种方法进行了比较和分析。     

精化调和Ritz向量张成子空间上的调和Ritz值

研究了精化调和Rayleigh—Ritz过程中的近似特征值选取的问题．一般地。精化调和Ritz对在求解子空间中具有残量最小的最优性。因此在它们张成的子空间中应含有想求的特征向量的更丰富的信息，从而在此子空间上计算的调和Ritz值应该更准确．本正是从这一指导思想出发，研究如何求矩阵A在精化调和Ritz向量所张成的子空间上的调和Rit值θi．对Krylov子空间，建立了θi和调和Ritz值间的一个先验估计式，同时给出了用θi作为近似特征值的精化调和Arnoldi算法。最后的数值结果表明新的算法的有效性．     

求解对称矩阵特征问题的精化Arnoldi方法

研究在有限精度下,如何用精化Arnoldi方法求对称矩阵的一组正交程度可达到机器精度的近似特征向量组.首先给出精化Ritz向量的一个新的表达式,该表达式表明理论上对不同的近似特征值,一般地无法保证精化Arnoldi方法所确定的精化Ritz向量组是正交的.进一步,采用再正交化方法便可得到一组正交化程度可达到机器精度的标准正交近似特征向量组,最后的数值结果验证结论的准确性,同时再正交化后得到新的近似对的残量几乎是不变的.     

用Chebyshev多项式加速的预处理子空间迭代法

研究了计算大型稀疏对称矩阵的若干个最大或最小特征值的问题，首先引入了求解大型对称特征值问题的预处理子空间迭代法和Chebyshev迭代法，并对其作了理论分析．为了加速预处理子空间迭代法的收敛性，笔者采用组合Chebyshev迭代法和预处理子空间迭代法，提出了计算大型对称稀疏矩阵的几个最大或最小特征值的Chebyshev预处理子空间迭代法．数值结果表明，该方法比预处理子空间方法优越．     

增广Krylov子空间上的精化Lanczos方法

精化Lanczos方法用于计算大规模对称矩阵特征对,与传统的Lanczos方法不同,主要是利用精化向量的优越性,用精化向量替代Ritz向量,介绍了用精化Lanczos重启方法和精化Lanczos压缩重启求近似特征对,理论上分析它们与传统方法的差别及优劣性。     

关于Arnoldi精化算法的收敛性

对于解大型非对称阵Ａ特征问题的Ａｒｎｏｌｄｉ方法，为克服Ｒｉｔｚ值收敛于特征值时而Ｒｉｔｚ向量不一定收敛于特征向量这一弊病，Ｊｉａ提出了用精化向量了代Ｒｉｔｚ向量的精化算法，并且对于具有相异特征值的Ａ证明了：只要Ｒｉｔｚ值收敛于特征值，精化向量就收敛于特征向量，本文取消对Ａ的限制，证明了即使Ａ可能亏损的一般情形上述结论也成立。     

中心对称矩阵的可逆性

研究了中心对称矩阵的定义、结构及分块矩阵表示方法,利用分块矩阵的方法分别表示出偶数阶和奇数阶中心对称矩阵,以此为基础讨论偶数阶和奇数阶中心对称矩阵可逆的充分必要条件。找到对角相似分块矩阵,利用相似矩阵的性质得到偶数阶中心对称矩阵可逆性的充分必要条件。分别考虑了a=0和a≠0两种情况,得到了奇数阶中心对称矩阵可逆性的充分必要条件。研究了中心对称矩阵的逆矩阵求法公式,获得了一些新的结论,并结合一个具体例子说明了将阶数较高的中心对称矩阵的可逆性问题转化为阶数较低的矩阵的可逆性问题的方法,使大矩阵的运算化成小矩阵的运算,达到简化计算的目的,由所得结果可知中心对称矩阵的逆矩阵仍然是中心对称矩阵。     

解反对称矩阵特征问题的精化广义Lanczos方法

利用广义Lanczos算法,提出了一种计算反对称矩阵特征问题的广义Lanczos方法,并根据精化策略给出了求解大规模反对称矩阵部分特征对的精化广义Lanczos算法,数值实验表明精化变形需要的迭代次数更少.     

压缩的Grassmann-Rayleigh商迭代

Grassmann-Rayleigh商迭代是Rayleigh商迭代的推广形式,它能计算一个p-维不变子空间,当子空间中部分Ritz值比其它Ritz值收敛更快时,算法奇异.针对算法奇异的问题,提出了一种压缩的Grassmann-Rayleigh商迭代,新算法在保持算法立方次的收敛速度的同时克服了算法奇异的问题并节省了计算...     

基于矩阵分解和混沌置乱的数字水印算法

为了提高运算效率,同时保证算法的不可见性和鲁棒性,提出了一种基于矩阵Schur分解的盲水印算法．首先利用混沌原理对水印信息置乱加密,然后将分块载体图像进行离散余弦变换（DCT）,利用矩阵分解理论得到对称矩阵,将对称矩阵作Schur分解,通过量化调制完成水印的嵌入．结果表明,该算法运算量小,并且具有良好的不可见性和鲁棒性．