数学之美:cholesky矩阵分解
Cholesky分解法又叫平方根法,是求解对称正定线性方程组最常用的方法之一。对于一般矩阵,为了消除LU分
解的局限性和误差的过分积累,采用了选主元的方法,但对于对称正定矩阵而言,选主元是不必要的。
定理:若对称正定,则存在一个对角元为正数的下三角矩阵
,使得
成立。
Cholesky分解的条件(这里针对复数矩阵)
一、Hermitian matrix(埃尔米特矩阵):矩阵中的元素共轭对称(复数域的定义,类比于实数对称矩阵)。
Hermitian意味着对于任意向量x和y,(x*)Ay共轭相等
二、Positive-definite:正定(矩阵域,类比于正实数的一种定义)。正定矩阵A意味着,对于任何向量x,(x^T)Ax总是大于零(复数域是(x*)Ax>0)
Cholesky分解的形式
可记作A = L L*。其中L是下三角矩阵。L*是L的共轭转置矩阵。
可以证明,只要A满足以上两个条件,L是唯一确定的,而且L的对角元素肯定是正数。反过来也对,即存在L把A分解的话,A满足以上两个条件。
如果A是半正定的(semi-definite),也可以分解,不过这时候L就不唯一了。
特别的,如果A是实数对称矩阵,那么L的元素肯定也是实数。
另外,满足以上两个条件意味着A矩阵的特征值都为正实数,因为Ax = lamda * x,
(x*)Ax = lamda * (x*)x > 0, lamda > 0
假设现在要求解线性方程组,其中
为对称正定矩阵,那么
可通过下面步骤求解
(1)求的Cholesky分解,得到
(2)求解,得到
(3)求解,得到
现在的关键问题是对进行Cholesky分解。假设
通过比较两边的关系,首先由
,再由
这样便得到了矩阵的第一列元素,假定已经算出了
的前
列元素,通过
可以得到
进一步再由
最终得到
这样便通过的前
列求出了第
列,一直递推下去即可求出
,这种方法称为平方根法。
代码:
#include <iostream>
#include <string.h>
#include <stdio.h>
#include <vector>
#include <math.h> using namespace std;
const int N = 1005;
typedef double Type; Type A[N][N], L[N][N]; /** 分解A得到A = L * L^T */
void Cholesky(Type A[][N], Type L[][N], int n)
{ for(int k = 0; k < n; k++) { Type sum = 0; for(int i = 0; i < k; i++) sum += L[k][i] * L[k][i]; sum = A[k][k] - sum; L[k][k] = sqrt(sum > 0 ? sum : 0); for(int i = k + 1; i < n; i++) { sum = 0; for(int j = 0; j < k; j++) sum += L[i][j] * L[k][j]; L[i][k] = (A[i][k] - sum) / L[k][k]; } for(int j = 0; j < k; j++) L[j][k] = 0; }
} /** 回带过程 */
vector<Type> Solve(Type L[][N], vector<Type> X, int n)
{ /** LY = B => Y */ for(int k = 0; k < n; k++) { for(int i = 0; i < k; i++) X[k] -= X[i] * L[k][i]; X[k] /= L[k][k]; } /** L^TX = Y => X */ for(int k = n - 1; k >= 0; k--) { for(int i = k + 1; i < n; i++) X[k] -= X[i] * L[i][k]; X[k] /= L[k][k]; } return X;
} void Print(Type L[][N], const vector<Type> B, int n)
{ for(int i = 0; i < n; i++) { for(int j = 0; j < n; j++) cout<<L[i][j]<<" "; cout<<endl; } cout<<endl; vector<Type> X = Solve(L, B, n); vector<Type>::iterator it; for(it = X.begin(); it != X.end(); it++) cout<<*it<<" "; cout<<endl;
} int main()
{ int n; cin>>n; memset(L, 0, sizeof(L)); for(int i = 0; i < n; i++) { for(int j = 0; j < n; j++) cin>>A[i][j]; } vector<Type> B; for(int i = 0; i < n; i++) { Type y; cin>>y; B.push_back(y); } Cholesky(A, L, n); Print(L, B, n); return 0;
} /**data**
4
4 -2 4 2
-2 10 -2 -7
4 -2 8 4
2 -7 4 7
8 2 16 6
*/
用上述的方法需要进行开方,这有可能损失精度和增加运算量,为了避免开方,Cholesky分解有个改进的版本分解。
参考资料:http://class.htu.cn/nla/cha1/sect3.htm
转自:http://blog.csdn.net/acdreamers/article/details/44656847
http://blog.csdn.net/zhouliyang1990/article/details/21952485
数学之美:cholesky矩阵分解相关推荐
- TensorFlow通过Cholesky矩阵分解实现线性回归
这里将用TensorFlow实现矩阵分解,对于一般的线性回归算法,求解Ax=b,则x=(A'A)^(-1)A'b,然而该方法在大部分情况下是低效率的,特别是当矩阵非常大时效率更低.另一种方式则是通过矩 ...
- 三阶矩阵的lu分解详细步骤_数学 - 线性代数导论 - #4 矩阵分解之LU分解的意义、步骤和成立条件...
线性代数导论 - #4 矩阵分解之LU分解的意义.步骤和成立条件 目前我们用于解线性方程组的方法依然是Gauss消元法.在Gauss消元法中,我们将右侧向量b与A写在一起作为一个增广矩阵进行同步的操作 ...
- [Math]常见矩阵分解及复杂度 Cholesky QR LU
本篇尝试介绍几个常见的矩阵分解及其数值方法,探究其算法复杂度及不稳定性来源,能够让我们更好的理解工具,使用工具.常见的矩阵分解可以在维基中找到 文章目录 Cholesky 定义 数值方法 数值方法的数 ...
- Cholesky和LU矩阵分解
1.Cholesky分解 在线性代数中,矩阵分解是将矩阵分解为矩阵的乘积.有许多不同的矩阵分解.其中之一就是Cholesky分解. Cholesky分解是将Hermitian正定矩阵分解为下三角矩阵及 ...
- 视觉SLAM中的数学——解方程AX=b与矩阵分解:奇异值分解(SVD分解) 特征值分解 QR分解 三角分解 LLT分解
前言 本博客主要介绍在SLAM问题中常常出现的一些线性代数相关的知识,重点是如何采用矩阵分解的方法,求解线性方程组AX=B.主要参考了<计算机视觉--算法与应用>附录A以及Eigen库的方 ...
- 【高等工程数学】南理工研究生课程 突击笔记5 矩阵分解与广义逆矩阵
矩阵分解与广义逆矩阵 文章目录 矩阵分解与广义逆矩阵 写在前面 一.矩阵分解 三角分解(Doolittle分解) 二.满秩分解 Hermite标准型 广义逆矩阵A+ 解 总结 写在前面 第三章主要内容 ...
- 矩阵分解——8.2 乔里斯基(Cholesky)分解
8.2 乔里斯基(Cholesky)分解
- 推荐算法矩阵分解实战——keras算法练习
当今这个信息爆炸的社会,每个人都会面对无数的商品,无数的选择.而推荐算法的目的帮助大家解决选择困难症的问题,在大千世界中推荐专属于你的商品. 推荐系统算法简介 这里简单介绍下推荐系统中最为主要的协同过 ...
- Eigen密集矩阵求解 1 - 线性代数及矩阵分解
简介 这里介绍线性系统的解析,如何进行各种分解计算,如LU,QR,SVD,特征值分解等. 简单线性求解 在一个线性系统,常如下表示,其中A,b分别是一个矩阵,需要求x: Ax=bAx \:= \: b ...
最新文章
- (转载)HTML--- input type=hidden
- spring 整合 mybatis 中数据源的几种配置方式
- 【渝粤题库】陕西师范大学200751 《操作系统》作业
- spring学习(35):c名称空间注入
- MyEclipse 10的使用技巧
- Ubuntu16.04 + ROS下串口通讯
- Openlayer:学习笔记之交互
- 深入浅出MFC 6大关键技术之仿真 mfc程序初始化过程
- 汉字时钟屏保软件/汉字时钟电脑屏幕保护下载/汉字时钟屏保/windows屏保
- PS3模拟器RPCS3无法识别PS3手柄 且无振动的解决办法
- 医院信息系统等级保护
- cout与printf区别
- 楼市步入慢行道 购房窗口期显现?
- Python爬虫的案例分析(梨视频下载)
- 人脸识别系统——Face recognition 人脸识别
- nalu格式annex-B和avcc
- 虚拟机中安装linux系统步骤
- mit计算机科学中心,MIT苏珊•霍克菲尔德校长在清华大学-麻省理工学院-香港中文大学“理论计算机科学研究中心”揭牌典礼上的致辞...
- 构建一个你自己的类微信系统 -- 可扩展通信系统实践
- SVG 入门指南(初学者入门必备)
热门文章
- XC6SLX100-3FGG484C规格、XC7A15T-2CPG236I产品概述及应用
- 批量卸载软件脚本python_Python练习小工具——批量删除同名电子书保留指定格式...
- java计算机毕业设计无人驾驶汽车管理系统源程序+mysql+系统+lw文档+远程调试
- 第一次java后台面试总结:华资软件实习生面试---2019/4/19
- 微盟2018校园招聘面试题学习
- c语言鄂州暑假培训班,鄂州C语言培训,鄂州C++工资水平,鄂州C++培训哪家比较好...
- STM32学习笔记(超详细整理144个问题)
- 【转】关于浏览器的内核以及几个小问题
- 推荐系统:协同过滤collaborative filtering
- 电商-商品分类设计思路