肖小花
(西安理工大学 理学院, 陕西 西安 710054)
20世纪50年代以来,求解大规模矩阵特征值问题主要采用的方法为投影类方法.目前,投影类方法中出现了很多比较有代表性的算法,其中Arnoldi-type算法[1]被公认为是投影类方法中最成功的方法之一.传统Arnoldi方法[2]虽然对求解大规模矩阵的端部特征对有着很好的效果,但是对矩阵的内部特征值问题常常失效.后来paige等人提出的调和Arnoldi方法已经成为求解大规模矩阵特征对,尤其是内部部分特征对的最重要的方法之一.

本文根据投影子空间中所含的特征信息越丰富,该子空间上Ritz对的近似程度越好的指导思想,结合调和Ritz值收敛而调和Ritz向量却难以收敛的情况,充分利用Arnoldi过程产生的第m+1个基向量提供的有用信息,在m+1维的Krylov子空间中来求解近似向量,使Ritz对的残量范数达到极小.并对这种方法进行了理论分析,给出了数值实验.理论分析显示这种方法的可行性;数值实验显示这种方法的有效性.最后将本文的算法应用于K-L变换的变换矩阵求解中,K-L变换的核心过程是计算特征值和特征向量.由于待处理矩阵维数高的情况,一般的方法很难求出其特征值及特征向量,甚至无法求出.而K-L变换[5]的一些优化处理过程复杂,很难满足实时性的要求,使得用K-L变换进行图像压缩难以广泛应用.而本文的算法正好就是一种较快求解大规模矩阵特征值及特征向量的方法,实验表明将其用于K-L变换来进行图像压缩……