Metody dekompozycji macierzy stosowane w automatyce
Transkrypt
Metody dekompozycji macierzy stosowane w automatyce
Wprowadzenie LU Eigen Cholesky QR Metody dekompozycji macierzy stosowane w automatyce Grzegorz Mzyk Politechnika Wroc÷ awska, Wydzia÷Elektroniki 23 lutego 2015 SVD Literatura Wprowadzenie LU Eigen Cholesky QR Plan wyk÷ adu 1 Wprowadzenie 2 Rozk÷ ad LU 3 Rozk÷ ad spektralny 4 Rozk÷ ad Cholesky’ego 5 Rozk÷ ad QR 6 Rozk÷ ad wg wartości szczególnych (SVD) 7 Literatura SVD Literatura Wprowadzenie LU Eigen Cholesky Wprowadzenie Ax = b YN = ΦN θ + ZN YN = Φ N θ QR SVD Literatura Wprowadzenie LU Eigen Cholesky QR Rozk÷ ad LU A = LU Ax = b ! = b Ux = y Ly LUx = b SVD Literatura Wprowadzenie LU Eigen Cholesky QR SVD Rozk÷ ad spektralny Twierdzenie Ka· zda¾ dodatnio okre´slona¾ i symetryczna¾ macierz A mo· zna przedstawi´c w postaci A = PP T gdzie P jest macierza¾ nieosobliwa¾ (nazywana¾ pierwiastkiem macierzy A). Dowód Oznaczmy wi – wektory w÷ asne macierzy A, λi – warto´sci w÷ asne macierzy A, w÷ asno´s´c Awi = λi wi = 1, 2, ..., s i = 1, 2, ..., s i Literatura Wprowadzenie LU Eigen Cholesky QR SVD Literatura Dowód (c.d.) oznaczajac ¾ 2 λ1 6 0 W = [w1 , w2 , ..., ws ] oraz Λ = diag (λi ) = 6 4 .. 0 0 λ2 0 .. poniewa· z macierz A jest symetryczna, to λi – rzeczywiste wi – parami ortogonalne poniewa· z macierz A jest dodatnio okre´slona (A > 0), to λi > 0 dla ka· zdego i = 1, 2, ..., s .. 0 .. 0 3 0 .. 7 7 0 5 λs Wprowadzenie LU Eigen Cholesky QR SVD Literatura Dowód (c.d.) wniosek W – macierz ortogonalna T W W = I =) W 1 = WT a zatem = WΛ A = W ΛW AW 1 = W ΛW T (tzw. rozk÷ ad spektralny macierzy) oznaczajac ¾ 2 p 6 0 Λ = Λ1/2 Λ1/2 , gdzie Λ1/2 = 6 4 .. 0 λ1 0p 0 .. λ2 .. 0 .. 0 0 .. 0p 3 λs 7 7 5 Wprowadzenie LU Eigen Cholesky QR SVD Dowód (c.d.) otrzymujemy W ΛW T = W Λ1/2 W Λ1/2 T stad ¾ A = PP T , gdzie P = W Λ1/2 (c.k.d.) Literatura Wprowadzenie LU Eigen Cholesky QR SVD Rozk÷ ad Cholesky’ego inny rozk÷ ad dodatnio określonej, symetrycznej macierzy kwadratowej A A = LDLT gdzie D = diag(di ), di > 0 L – macierz trójkatna ¾ dolna, stad ¾ A = LD 1/2 D 1/2 LT p gdzie D 1/2 = diag( di ) przyjmujac ¾ oznaczenie L = LD 1/2 otrzymujemy A = LL T Literatura Wprowadzenie LU Eigen Cholesky QR SVD Literatura Schemat metody obliczeniowej Ax = b ! T LL x = b Etap 1. T oznaczajac ¾ α = L x rozwiazujemy ¾ równanie ”zewnetrzne” ¾ Lα = b Etap 2. dla wartości α z etapu 1 rozwiazujemy ¾ równanie ”wewnetrzne” ¾ T L x=α Zalety metody 1) prostota operacji przy rozwiazywaniu ¾ równań Etap 1 – met. podstawiania ”od góry”, Etap 2 – met. podstawiania ”od do÷ u” p 2) dobre uwarunkowanie zadania, gdyz· det L = det A, zatem dla 0 < det A < 1 T det L = det L > det A Wprowadzenie LU Eigen Cholesky QR SVD Rozk÷ ad QR A = QR (m n) Q – macierz ortogonalna (m m), R – macierz trójkatna ¾ górna (m Ax = b ! QRx = b ! n) Rx = Q T b Literatura Wprowadzenie LU Eigen Cholesky QR SVD Literatura Metoda odbić Householdera De…nicja Macierza¾ odbicia Householdera nazywamy macierz postaci P=I 2ww T gdzie kw k = 1, tj. w T w = 1. Interpretacja Pw = (I 2ww T )w = w 2ww T w = w W÷ asności: (i) P = P T (symetria) (ii) P T P = PP T = I (ortogonalność) 2w = w Wprowadzenie LU Eigen Cholesky QR SVD Literatura (iii) dla kaz·dego wektora x istnieje macierz Pj , taka z·e Pj x = 2 3 0 6 0 7 7 kx k ej , gdzie ej jest j-tym wersorem ej = 6 4 1 5 0 (iiii) dla ciagu ¾ macierzy Householdera P1 , P2 , ..., Ps przekszta÷ cenie z÷ oz·enia Ψ = Ps Ps 1 ... P2 P1 jest macierza¾ ortogonalna, ¾ tj. ΨT Ψ = I Wprowadzenie LU Eigen Cholesky QR SVD Lemat Dla ka· zdej macierzy A istnieje taki ciag ¾ macierzy Householdera e1 , P e2 , ..., P es g, · fP ze przekszta÷ cenie z÷ o· zone ma w÷ asno´s´c es P es Ψ=P ΨA = e e 1 , ...P2 P1 R 0 gdzie R jest macierza¾ trójkatn ¾ a¾ górna.¾ Twierdzenie Oszacowanie NK wektora x jest równowa· zne rozwiazaniu ¾ uk÷ adu równa´n Rx = η R gdzie η R jest wektorem zawierajacym ¾ pierwsze elementy wektora ΨYN . Literatura Wprowadzenie LU Eigen Cholesky QR SVD Literatura Dowód Q (x ) = kAx Q (x ) = (Ax b k2e ! min x T b ) (Ax b) = = [ΨAx Ψb ] [ΨAx Ψb ] = R ηR T R ] [ x = [ x ηz 0 0 T = Rx η R ηz T Rx η R ηz = = (Rx η R )T (Rx η R ) + η Tz η z = = kRx η R k2e + kη z k2e ! min a zatem Q (x ) ! min ) Rx = η R x ηR ηz ]= Wprowadzenie LU Eigen Cholesky QR SVD Literatura Rozk÷ ad wg wartości szczególnych (SVD) De…nicja Warto´sciami szczególnymi macierzy A nazywamy pierwiastki kwadratowe warto´sci w÷ asnych macierzy AT A. Twierdzenie Dowolna¾ macierz A o rozmiarach m n mo· zna wyrazi´c w postaci A = PDQ gdzie P i Q sa¾ macierzami unitarnymi stopnia m m i n D jest macierza¾ przekatniow ¾ a¾ o rozmiarach m n. n, za´s Wnioski z dowodu [Kincaid, Cheney, str. 277]: 1) tylko r = rank (A) pierwszych elementów diagonali macierzy D jest niezerowych 2) zmieniajac ¾ kolejność tych elementów moz·na uzyskać r ! róz·nych rozk÷ adów SVD dla tej samej macierzy A Wprowadzenie LU Eigen Cholesky QR SVD Literatura Przyk÷ ad 2 2 3 49 6 0 AT A = 6 4 0 0 7 0 0 0 4 A= 0 3 0 0 5 0 0 0 0 2 3 3 2 0 9 0 0 2 1 1 0 0 7 0 0 0 6 0 P = 4 0 1 0 5, D = 4 0 3 0 0 5, Q = 6 4 0 0 0 0 0 0 0 1 0 2 3 2 3 3 0 0 7 7 0 5 0 0 0 0 0 2 0 1 0 0 0 0 1 0 3 0 0 0 6 1 P = 4 1 0 0 5, D = 4 0 7 0 0 5, Q = 6 4 0 0 0 1 0 0 0 0 0 0 0 1 0 1 0 0 0 3 0 0 7 7 0 5 1 0 0 0 1 3 0 0 7 7 1 5 0 Wprowadzenie LU Eigen Cholesky QR SVD De…nicja Pseudoowdrotno´scia¾ macierzy diagonalnej D rozmiaru m takiej · ze σi , dla i = j 6 rank (A) D [i, j ] := 0, w przeciwnym razie nazywamy macierz D + rozmiaru n D + [i, j ] := m postaci dla i = j 6 rank (A) 0, w przeciwnym razie 1 σi , Literatura n, czyli Wprowadzenie LU Eigen Cholesky QR SVD Literatura Przyk÷ ad 2 3 2 0 0 0 4 D= 0 4 0 0 5 0 0 0 0 DD + 2 ! 3 1 0 0 4 = 0 1 0 5 0 0 0 D+ 2 0.5 6 0 =6 4 0 0 2 1 6 0 D +D = 6 4 0 0 0 0.25 0 0 0 1 0 0 0 0 0 0 3 0 0 7 7 0 5 0 3 0 0 7 7 0 5 0 Wprowadzenie LU Eigen Cholesky QR SVD De…nicja Pseudoodwrotno´scia¾ dowolnej macierzy A = PDQ nazywamy macierz A+ = Q T D + P T mamy uk÷ ad równań – moz·e być sprzeczny, moz·e mieć wiele rozwiazań ¾ Ax = b oznaczmy ρ = min kAx x b k2 Literatura Wprowadzenie LU Eigen Cholesky QR SVD De…nicja Rozwiazaniem ¾ minimalnym uk÷ adu równa´n Ax = b nazywamy najkrótszy (w sensie euklidesowym) wektor minimalizujacy ¾ ¾ do zbioru kAx b k2 , czyli nale·zacy fx : kAx b k2 = ρ g Moz·liwe przypadki Sprzeczny? nie, ρ = 0 nie, ρ = 0 tak, ρ > 0 tak, ρ > 0 Liczba rozwiazań ¾ 1 ∞ 0 (jedno rozw. NK) 0 (∞ wiele rozw. NK) Rozw. minimalne = jedyne rozw. najkrótsze rozw. jedyne rozw. NK najkrótsze rozw. NK Literatura Wprowadzenie LU Eigen Cholesky QR SVD Twierdzenie Rozwiazanie ¾ minimalne uk÷ adu równa´n Ax = b ma posta´c x = A+ b Zastosowanie XN θ = YN – w ogólności sprzeczny XN = PDQ b θ = XN+ YN = Q T D + P T YN Literatura Wprowadzenie LU Eigen Cholesky QR SVD Literatura D. Kincaid, W. Cheney, Analiza Numeryczna, WNT, Warszawa, 2006. A. Kie÷ basiński, H. Schwetlick, Numeryczna Algebra Liniowa: Wprowadzenie do Oblicze´n Zautomatyzowanych, WNT, Warszawa, 1992. T. Kaczorek, Wektory i Macierze w Automatyce i Elektrotechnice, WNT, Warszawa, 1998. Literatura