Upload
vutruc
View
220
Download
0
Embed Size (px)
Citation preview
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9 Ausgleichsrechnung
◮ Lineare Ausgleichsprobleme (=überbestimmteGleichungssysteme)
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9 Ausgleichsrechnung
◮ Lineare Ausgleichsprobleme (=überbestimmteGleichungssysteme)
◮ Pseudoinverse einer Matrix
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9 Ausgleichsrechnung
◮ Lineare Ausgleichsprobleme (=überbestimmteGleichungssysteme)
◮ Pseudoinverse einer Matrix
◮ Nichtlineare Ausgleichsprobleme
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.1 Problemstelllung
Führe Experimente durch unter Versuchsbedingungenz ∈ Rm.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.1 Problemstelllung
Führe Experimente durch unter Versuchsbedingungenz ∈ Rm.
Es sollen Größen x ∈ Rn bestimmt werden, für die ein Gesetz
y = f (z , x), f : Rm ×Rn → R,
gelten soll.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.1 Problemstelllung
Führe Experimente durch unter Versuchsbedingungenz ∈ Rm.
Es sollen Größen x ∈ Rn bestimmt werden, für die ein Gesetz
y = f (z , x), f : Rm ×Rn → R,
gelten soll.
Führe m ≥ n Versuche durch,
yk = f (zk , x) =: fk(x), k = 1, . . . ,m.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.1 Problemstelllung
Führe Experimente durch unter Versuchsbedingungenz ∈ Rm.
Es sollen Größen x ∈ Rn bestimmt werden, für die ein Gesetz
y = f (z , x), f : Rm ×Rn → R,
gelten soll.
Führe m ≥ n Versuche durch,
yk = f (zk , x) =: fk(x), k = 1, . . . ,m.
Aufgrund von Messfehlern gilt aber nur yk ≈ fk(x),. so dassi.A. m > n Versuche durchgeführt werden.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.1 Problemstelllung
Führe Experimente durch unter Versuchsbedingungenz ∈ Rm.
Es sollen Größen x ∈ Rn bestimmt werden, für die ein Gesetz
y = f (z , x), f : Rm ×Rn → R,
gelten soll.
Führe m ≥ n Versuche durch,
yk = f (zk , x) =: fk(x), k = 1, . . . ,m.
Aufgrund von Messfehlern gilt aber nur yk ≈ fk(x),. so dassi.A. m > n Versuche durchgeführt werden.
Bestimme nun x aus den yk .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Ein chemischer Prozess wird modelliert durch
y ′′ + a1y′ + a0y = 0, y (k)(0) = y
(k)0
mit k = 0, 1 bekannt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Ein chemischer Prozess wird modelliert durch
y ′′ + a1y′ + a0y = 0, y (k)(0) = y
(k)0
mit k = 0, 1 bekannt.
Mit dem Ansatz y(z) = eωz folgt dann
ω2 + a1ω + a0 = 0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Ein chemischer Prozess wird modelliert durch
y ′′ + a1y′ + a0y = 0, y (k)(0) = y
(k)0
mit k = 0, 1 bekannt.
Mit dem Ansatz y(z) = eωz folgt dann
ω2 + a1ω + a0 = 0.
Aus dem nichtoszillatorischen Verhalten der Lösung weißman, dass diese Gleichung zwei reelle Nullstellen α, β besitzt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Ein chemischer Prozess wird modelliert durch
y ′′ + a1y′ + a0y = 0, y (k)(0) = y
(k)0
mit k = 0, 1 bekannt.
Mit dem Ansatz y(z) = eωz folgt dann
ω2 + a1ω + a0 = 0.
Aus dem nichtoszillatorischen Verhalten der Lösung weißman, dass diese Gleichung zwei reelle Nullstellen α, β besitzt.
Die allgemeine Lösung der Differentialgleichung ist dann
y(z) = c1eαz + c2e
βz .
Gesucht sind die Reaktionszeiten α und β.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Aus y(0) = y0 erhalten wir
c1 + c2 = y0
und aus y ′(0) = y ′0
αc1 + βc2 = y ′0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Aus y(0) = y0 erhalten wir
c1 + c2 = y0
und aus y ′(0) = y ′0
αc1 + βc2 = y ′0.
Das kann nicht ausgenutzt werden, weil die Unbekanntenα, β darin vorkommen.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Aus y(0) = y0 erhalten wir
c1 + c2 = y0
und aus y ′(0) = y ′0
αc1 + βc2 = y ′0.
Das kann nicht ausgenutzt werden, weil die Unbekanntenα, β darin vorkommen.
Daher ist
y(z) = c1eαz + (y0 − c1)e
βz = f (z , c1, α, β),
wobei c1, α, β gesucht sind.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
c1, α, β werden gesucht mit
y(z) = c1eαz + (y0 − c1)e
βz = f (z , c1, α, β).
Führe also für Zeiten z1, . . . , zm, m ≥ 3, Messungen durch,
yk = f (zk , c1, α, β).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
c1, α, β werden gesucht mit
y(z) = c1eαz + (y0 − c1)e
βz = f (z , c1, α, β).
Führe also für Zeiten z1, . . . , zm, m ≥ 3, Messungen durch,
yk = f (zk , c1, α, β).
Dies ist ein schwieriges und häufiges Problem, nämlich dieExponentialapproximation.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Allgemeine Ausgleichsprobleme
Kehren wir zum allgemeinen Problem zurück, ein x ∈ Rn zufinden mit
yk ≈ fk(x), k = 1, . . . ,m.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Allgemeine Ausgleichsprobleme
Kehren wir zum allgemeinen Problem zurück, ein x ∈ Rn zufinden mit
yk ≈ fk(x), k = 1, . . . ,m.
Die mathematisch einfachste Möglichkeit besteht nun darin,ein Minimum der Funktion
F (x) =m∑
k=1
|yk − fk(x)|2
über x ∈ Rn zu finden (=Methode der kleinsten Quadrate).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Allgemeine Ausgleichsprobleme
Kehren wir zum allgemeinen Problem zurück, ein x ∈ Rn zufinden mit
yk ≈ fk(x), k = 1, . . . ,m.
Die mathematisch einfachste Möglichkeit besteht nun darin,ein Minimum der Funktion
F (x) =m∑
k=1
|yk − fk(x)|2
über x ∈ Rn zu finden (=Methode der kleinsten Quadrate).
Schwieriger ist es, die Funktion
F (x) = maxk=1,...,m
|yk − fk(x)|
zu minimieren (=diskretes Tschebyscheff-Problem).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Lineare Ausgleichsprobleme
Ein wichtiger Spezialfall ist ein lineares f (x) = Ax mit einer(m × n)-Matrix A.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Lineare Ausgleichsprobleme
Ein wichtiger Spezialfall ist ein lineares f (x) = Ax mit einer(m × n)-Matrix A.
Minimiere das Funktional
F (x) = |Ax − y |2, y ∈ Rm.
Dies ist das lineares Ausgleichsproblem.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Lineare Ausgleichsprobleme
Ein wichtiger Spezialfall ist ein lineares f (x) = Ax mit einer(m × n)-Matrix A.
Minimiere das Funktional
F (x) = |Ax − y |2, y ∈ Rm.
Dies ist das lineares Ausgleichsproblem.
Die notwenige Bedingung für eine Lösung x dieses Problemsist
grad x |y − Ax |2 = 2ATAx − 2AT y = 0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Lineare Ausgleichsprobleme
Ein wichtiger Spezialfall ist ein lineares f (x) = Ax mit einer(m × n)-Matrix A.
Minimiere das Funktional
F (x) = |Ax − y |2, y ∈ Rm.
Dies ist das lineares Ausgleichsproblem.
Die notwenige Bedingung für eine Lösung x dieses Problemsist
grad x |y − Ax |2 = 2ATAx − 2AT y = 0.
Das System ATAx = AT y heißt Normalgleichungen zu|Ax − y |2 → Min.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
Am einfachsten berechnet man die Ableitung von F (x) inRichtung z ,
d
dtF (x + tz) =
m∑
i=1
d
dt(y − A(x + tz))i (y − A(x + tz))i
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
Am einfachsten berechnet man die Ableitung von F (x) inRichtung z ,
d
dtF (x + tz) =
m∑
i=1
d
dt(y − A(x + tz))i (y − A(x + tz))i
= 2m∑
i=1
(y − A(x + tz))i (−Az)i
= −2(y − A(x + tz),Az)
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
Am einfachsten berechnet man die Ableitung von F (x) inRichtung z ,
d
dtF (x + tz) =
m∑
i=1
d
dt(y − A(x + tz))i (y − A(x + tz))i
= 2m∑
i=1
(y − A(x + tz))i (−Az)i
= −2(y − A(x + tz),Az)
d
dtF (x + tz)
∣
∣
t=0= −2(y − Ax ,Az).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
d
dtF (x + tz)
∣
∣
t=0= −2(y − Ax ,Az).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
d
dtF (x + tz)
∣
∣
t=0= −2(y − Ax ,Az).
Da im Minimum alle Richtungsableitungen verschwinden,folgt
−2(y − Ax ,Az) = 0 ∀z ⇒ (AT (y − Ax), z) = 0 ∀z
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Wie bestimmt man gradx|y − Ax |2?
d
dtF (x + tz)
∣
∣
t=0= −2(y − Ax ,Az).
Da im Minimum alle Richtungsableitungen verschwinden,folgt
−2(y − Ax ,Az) = 0 ∀z ⇒ (AT (y − Ax), z) = 0 ∀z
⇒ ATAx = AT y .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.2 Das lineare Ausgleichsproblem
Satz Sei A ∈ Rm×n. Die Probleme
|Ax − y |2 → Min in x ∈ Rn, ATAx = AT y ,
sind äquivalent:
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.2 Das lineare Ausgleichsproblem
Satz Sei A ∈ Rm×n. Die Probleme
|Ax − y |2 → Min in x ∈ Rn, ATAx = AT y ,
sind äquivalent:
Jede Lösung des einen Problems ist auch eine Lösung desanderen Problems.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.2 Das lineare Ausgleichsproblem
Satz Sei A ∈ Rm×n. Die Probleme
|Ax − y |2 → Min in x ∈ Rn, ATAx = AT y ,
sind äquivalent:
Jede Lösung des einen Problems ist auch eine Lösung desanderen Problems.
Für je zwei Lösungen x1, x2 gilt Ax1 = Ax2 und für dasResiduuum r = y − Ax einer jeden Lösung x haben wirAT r = 0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Wir haben bereits gezeigt, dass jedes Minimum x ∈ Rn vonF (x) = |y − Ax |2 die Beziehung
ATAx = AT y ⇒ AT r = 0 für r = y − Ax
erfüllt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Wir haben bereits gezeigt, dass jedes Minimum x ∈ Rn vonF (x) = |y − Ax |2 die Beziehung
ATAx = AT y ⇒ AT r = 0 für r = y − Ax
erfüllt.
Daher
(y − Ax ,Az) = 0 ∀z ∈ Rn ⇒ y − Ax ⊥ Bild (A).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Wir haben bereits gezeigt, dass jedes Minimum x ∈ Rn vonF (x) = |y − Ax |2 die Beziehung
ATAx = AT y ⇒ AT r = 0 für r = y − Ax
erfüllt.
Daher
(y − Ax ,Az) = 0 ∀z ∈ Rn ⇒ y − Ax ⊥ Bild (A).
Also ist Ax die orthogonale Projektion von y auf Bild (A)und damit eindeutig bestimmt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Für eine Lösung x0 der Normalgleichungen gilt mit derZerlegung
y = s + r , s ∈ L = Bild (A), r ∈ L⊥,
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Für eine Lösung x0 der Normalgleichungen gilt mit derZerlegung
y = s + r , s ∈ L = Bild (A), r ∈ L⊥,
dass
0 = (AT (Ax0 − y), z) = (Ax0 − y ,Az) ⇒ Ax0 − y ⊥ L
⇒ Ax0 = s wegen Ax0 ∈ L.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Für x ∈ Rn setze
z = Ax − Ax0, r = y − Ax0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Für x ∈ Rn setze
z = Ax − Ax0, r = y − Ax0.
Mit z ∈ L und r ⊥ L folgt (r , z) = 0 und daher
|y − Ax |2 = |r − z |2 = |r |2 + |z |2 ≥ |r |2 = |y − Ax0|2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Für x ∈ Rn setze
z = Ax − Ax0, r = y − Ax0.
Mit z ∈ L und r ⊥ L folgt (r , z) = 0 und daher
|y − Ax |2 = |r − z |2 = |r |2 + |z |2 ≥ |r |2 = |y − Ax0|2.
Damit ist x0 ein Minimum von F .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Anwendung des Cholesky-Verfahrens
Wenn m ≥ n und rang A = n, so ist ATA symmetrischpositiv definit und die Gleichung
ATAx = AT y
kann mit dem Cholesky-Verfahren gelöst werden.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Anwendung des Cholesky-Verfahrens
Wenn m ≥ n und rang A = n, so ist ATA symmetrischpositiv definit und die Gleichung
ATAx = AT y
kann mit dem Cholesky-Verfahren gelöst werden.
Da ATA aber oft schlecht konditioniert ist, verwendet manbesser das im nächsten Abschnitt dargestellte Verfahren.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.3 Orthogonalisierungsverfahren
Wir wollen
|y − Ax |2 → Min mit A ∈ Rm×n, m ≥ n,
bestimmen.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.3 Orthogonalisierungsverfahren
Wir wollen
|y − Ax |2 → Min mit A ∈ Rm×n, m ≥ n,
bestimmen.
Dazu eliminieren wir die erste Spalte von A mit einer(m × m)-Householder-Matrix P1 und erhalten mit A(0) = A
A(1) = P1A(0) =
∗ ∗ · · · ∗0 ∗ · · · ∗...
......
0 ∗ · · · ∗
.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
Der Householder-Algorithmus verläuft daher genauso wie beiquadratischen Matrizen. Nach n Schritten gilt mit einerunitären Matrix P ∈ Rm×m
A(n) = PA =
[
R
0
]
,
wobei R ∈ Rn×n eine rechte obere Dreiecksmatrix ist.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
Der Householder-Algorithmus verläuft daher genauso wie beiquadratischen Matrizen. Nach n Schritten gilt mit einerunitären Matrix P ∈ Rm×m
A(n) = PA =
[
R
0
]
,
wobei R ∈ Rn×n eine rechte obere Dreiecksmatrix ist.
Da rangA = n, besitzt R nichtverschwindende Elemente aufder Hauptdiagonalen.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
Der Householder-Algorithmus verläuft daher genauso wie beiquadratischen Matrizen. Nach n Schritten gilt mit einerunitären Matrix P ∈ Rm×m
A(n) = PA =
[
R
0
]
,
wobei R ∈ Rn×n eine rechte obere Dreiecksmatrix ist.
Da rangA = n, besitzt R nichtverschwindende Elemente aufder Hauptdiagonalen.
Für die rechte Seite gilt analog
h = Py =
(
h1
h2
)
, h1 ∈ Rn, h2 ∈ Rm−n.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
h = Py =
(
h1
h2
)
, h1 ∈ Rn, h2 ∈ Rm−n.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
h = Py =
(
h1
h2
)
, h1 ∈ Rn, h2 ∈ Rm−n.
Da P unitär folgt |Pz | = |z | und daher
|y − Ax |2 = |P(y − Ax)|2 =
∣
∣
∣
∣
∣
(
h1 − Rx
h2
)∣
∣
∣
∣
∣
2
= |h1 − Rx |2 + |h2|2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Householder-Verfahren
h = Py =
(
h1
h2
)
, h1 ∈ Rn, h2 ∈ Rm−n.
Da P unitär folgt |Pz | = |z | und daher
|y − Ax |2 = |P(y − Ax)|2 =
∣
∣
∣
∣
∣
(
h1 − Rx
h2
)∣
∣
∣
∣
∣
2
= |h1 − Rx |2 + |h2|2.
Die Lösung von Rx = h1 ist damit auch die eindeutigeLösung des Minimierungsproblems F (x) → Min.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.4 Die Pseudoinverse einer Matrix
Zu A ∈ Rm×n wollen wir eine Pseudoinverse A+ ∈ Rn×m
definieren, deren Eigenschaften wir an Hand des linearenGleichungssystems Ax = b für b ∈ Rm festlegen wollen.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.4 Die Pseudoinverse einer Matrix
Zu A ∈ Rm×n wollen wir eine Pseudoinverse A+ ∈ Rn×m
definieren, deren Eigenschaften wir an Hand des linearenGleichungssystems Ax = b für b ∈ Rm festlegen wollen.
Da wir keinerlei Voraussetzungen an A stellen, kann dasGleichungssystem unlösbar oder mehrdeutig lösbar sein.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.4 Die Pseudoinverse einer Matrix
Zu A ∈ Rm×n wollen wir eine Pseudoinverse A+ ∈ Rn×m
definieren, deren Eigenschaften wir an Hand des linearenGleichungssystems Ax = b für b ∈ Rm festlegen wollen.
Da wir keinerlei Voraussetzungen an A stellen, kann dasGleichungssystem unlösbar oder mehrdeutig lösbar sein.
Die „Lösung“ x = A+b wird nach folgenden Kriterienfestgelegt:
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.4 Die Pseudoinverse einer Matrix
Zu A ∈ Rm×n wollen wir eine Pseudoinverse A+ ∈ Rn×m
definieren, deren Eigenschaften wir an Hand des linearenGleichungssystems Ax = b für b ∈ Rm festlegen wollen.
Da wir keinerlei Voraussetzungen an A stellen, kann dasGleichungssystem unlösbar oder mehrdeutig lösbar sein.
Die „Lösung“ x = A+b wird nach folgenden Kriterienfestgelegt:
Zuerst wird y aus dem Bild von A bestimmt, das den Fehler|y − b| minimiert.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.4 Die Pseudoinverse einer Matrix
Zu A ∈ Rm×n wollen wir eine Pseudoinverse A+ ∈ Rn×m
definieren, deren Eigenschaften wir an Hand des linearenGleichungssystems Ax = b für b ∈ Rm festlegen wollen.
Da wir keinerlei Voraussetzungen an A stellen, kann dasGleichungssystem unlösbar oder mehrdeutig lösbar sein.
Die „Lösung“ x = A+b wird nach folgenden Kriterienfestgelegt:
Zuerst wird y aus dem Bild von A bestimmt, das den Fehler|y − b| minimiert.
Anschließend wird unter allen x mit Ax = y dasjenigeausgewählt, dessen Norm |x | minimal wird.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
Sei V ein endlich dimensionaler linearer Raum über C mitSkalarprodukt (·, ·).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
Sei V ein endlich dimensionaler linearer Raum über C mitSkalarprodukt (·, ·).
Sei L ⊂ V ein Unterraum. Dann gilt für jedes x ∈ V dieeindeutige Zerlegung
x = x0 + x⊥ mit x0 ∈ L und x⊥ ∈ L⊥.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
Sei V ein endlich dimensionaler linearer Raum über C mitSkalarprodukt (·, ·).
Sei L ⊂ V ein Unterraum. Dann gilt für jedes x ∈ V dieeindeutige Zerlegung
x = x0 + x⊥ mit x0 ∈ L und x⊥ ∈ L⊥.
P : V → L, Lx = x0 heißt orthogonale Projektion auf L undhat die Eigenschaft
‖x − Px‖ = minz∈L
‖x − z‖.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
Sei V ein endlich dimensionaler linearer Raum über C mitSkalarprodukt (·, ·).
Sei L ⊂ V ein Unterraum. Dann gilt für jedes x ∈ V dieeindeutige Zerlegung
x = x0 + x⊥ mit x0 ∈ L und x⊥ ∈ L⊥.
P : V → L, Lx = x0 heißt orthogonale Projektion auf L undhat die Eigenschaft
‖x − Px‖ = minz∈L
‖x − z‖.
Also ist Px das Element bester Approximation in L zu x .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
‖x − Px‖ = minz∈L
‖x − z‖.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
‖x − Px‖ = minz∈L
‖x − z‖.
Dies gilt wegen
‖x − Px‖2 = ‖x − x0‖2 = ‖x⊥‖
2
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
‖x − Px‖ = minz∈L
‖x − z‖.
Dies gilt wegen
‖x − Px‖2 = ‖x − x0‖2 = ‖x⊥‖
2
und, für z ∈ L,
‖x − z‖2 = ‖x0 + x⊥ − z‖2 = ‖x0 − z‖2 + ‖x⊥‖2 ≥ ‖x⊥‖
2
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
‖x − Px‖ = minz∈L
‖x − z‖.
Dies gilt wegen
‖x − Px‖2 = ‖x − x0‖2 = ‖x⊥‖
2
und, für z ∈ L,
‖x − z‖2 = ‖x0 + x⊥ − z‖2 = ‖x0 − z‖2 + ‖x⊥‖2 ≥ ‖x⊥‖
2
Weiter gilt P2 = P (da Projektion) und PH = P wegen
(Px , y) = (x0, y0 + y⊥) = (x0, y0)
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Projektionen
‖x − Px‖ = minz∈L
‖x − z‖.
Dies gilt wegen
‖x − Px‖2 = ‖x − x0‖2 = ‖x⊥‖
2
und, für z ∈ L,
‖x − z‖2 = ‖x0 + x⊥ − z‖2 = ‖x0 − z‖2 + ‖x⊥‖2 ≥ ‖x⊥‖
2
Weiter gilt P2 = P (da Projektion) und PH = P wegen
(Px , y) = (x0, y0 + y⊥) = (x0, y0) = (x ,Py) = (PHx , y).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Sei y ∈ Bild (A).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Sei y ∈ Bild (A).
Aufgabe Bestimme unter allen Lösungen von Ax = y
diejenige mit minimaler Norm.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Sei y ∈ Bild (A).
Aufgabe Bestimme unter allen Lösungen von Ax = y
diejenige mit minimaler Norm.
Es gilt Ax1 = y für ein x1 ∈ Cn und die Lösungsmenge istx1 + Kern (A).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Sei y ∈ Bild (A).
Aufgabe Bestimme unter allen Lösungen von Ax = y
diejenige mit minimaler Norm.
Es gilt Ax1 = y für ein x1 ∈ Cn und die Lösungsmenge istx1 + Kern (A).
Mit
x1 = x1,0 + x1,⊥, x1,0 ∈ Kern (A), x1,⊥ ∈ Kern (A)⊥
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Sei y ∈ Bild (A).
Aufgabe Bestimme unter allen Lösungen von Ax = y
diejenige mit minimaler Norm.
Es gilt Ax1 = y für ein x1 ∈ Cn und die Lösungsmenge istx1 + Kern (A).
Mit
x1 = x1,0 + x1,⊥, x1,0 ∈ Kern (A), x1,⊥ ∈ Kern (A)⊥
gilt für alle x ∈ Kern (A)
|x1 + x |2 = |x1,⊥ + x1,0 + x |2 = |x1,⊥|2 + |x1,0 + x |2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Für alle x ∈ Kern (A) gilt
|x1 + x |2 = |x1,⊥ + x1,0 + x |2 = |x1,⊥|2 + |x1,0 + x |2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Für alle x ∈ Kern (A) gilt
|x1 + x |2 = |x1,⊥ + x1,0 + x |2 = |x1,⊥|2 + |x1,0 + x |2.
Also hat
x1,⊥ = Px1, P = Projektion auf Kern (A)⊥
minimale Norm.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Für alle x ∈ Kern (A) gilt
|x1 + x |2 = |x1,⊥ + x1,0 + x |2 = |x1,⊥|2 + |x1,0 + x |2.
Also hat
x1,⊥ = Px1, P = Projektion auf Kern (A)⊥
minimale Norm.
Px1 ist als minimale Lösung in x1 + Kern (A) eindeutigbestimmt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Für alle x ∈ Kern (A) gilt
|x1 + x |2 = |x1,⊥ + x1,0 + x |2 = |x1,⊥|2 + |x1,0 + x |2.
Also hat
x1,⊥ = Px1, P = Projektion auf Kern (A)⊥
minimale Norm.
Px1 ist als minimale Lösung in x1 + Kern (A) eindeutigbestimmt.
Demnach gibt es eine lineare Abbildung f : Bild (A) → C
n
mitAf (y) = y , f (y) ∈ Kern (A)⊥.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
SeiP ∈ Cm×m : Cm → Bild (A)
die orthogonale Projektion auf Bild (A).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
SeiP ∈ Cm×m : Cm → Bild (A)
die orthogonale Projektion auf Bild (A).
Dann istf ◦ P : Cm → C
n.
der gesuchte „Pseudo-Lösungsoperator“.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
SeiP ∈ Cm×m : Cm → Bild (A)
die orthogonale Projektion auf Bild (A).
Dann istf ◦ P : Cm → C
n.
der gesuchte „Pseudo-Lösungsoperator“.
Die Darstellung von f ◦ P durch eine (n ×m)-Matrix ist danndie gesuchte Pseudo-Inverse A+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
SeiP ∈ Cm×m : Cm → Bild (A)
die orthogonale Projektion auf Bild (A).
Dann istf ◦ P : Cm → C
n.
der gesuchte „Pseudo-Lösungsoperator“.
Die Darstellung von f ◦ P durch eine (n ×m)-Matrix ist danndie gesuchte Pseudo-Inverse A+.
Denn es wird das nächstgelegene y ∈ Bild (A) zu y bestimmtund anschließend die betragsmäßig kleinste Lösung vonAx = y .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Satz Die Pseudoinverse A+ hat die folgenden Eigenschaften:
(a) A+A = P , AA+ = P ,
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Satz Die Pseudoinverse A+ hat die folgenden Eigenschaften:
(a) A+A = P , AA+ = P ,
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Satz Die Pseudoinverse A+ hat die folgenden Eigenschaften:
(a) A+A = P , AA+ = P ,
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
(c) Wenn Z ∈ Cn×m die Eigenschaften (b) (i)-(iv) besitzt(an Stelle von A+), so ist Z = A+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Pseudoinverse
Satz Die Pseudoinverse A+ hat die folgenden Eigenschaften:
(a) A+A = P , AA+ = P ,
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
(c) Wenn Z ∈ Cn×m die Eigenschaften (b) (i)-(iv) besitzt(an Stelle von A+), so ist Z = A+.
(d) A++ = A, (A+)H = (AH)+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(a) A+A = P , AA+ = P .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(a) A+A = P , AA+ = P .
Es giltA+Ax = f (P(Ax)) = f (Ax) = Px
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(a) A+A = P , AA+ = P .
Es giltA+Ax = f (P(Ax)) = f (Ax) = Px
sowieAA+y = A(f (Py)) = Py .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
Wegen A+A = P , AA+ = P und P = PH , P = PH
folgen (i)und (ii).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
Wegen A+A = P , AA+ = P und P = PH , P = PH
folgen (i)und (ii).
(iii) erhält man aus
(AA+)Ax = PAx = Ax
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(b) (i) A+A = (A+A)H , (ii) AA+ = (AA+)H ,
(iii) AA+A = A, (iv) A+AA+ = A+.
Wegen A+A = P , AA+ = P und P = PH , P = PH
folgen (i)und (ii).
(iii) erhält man aus
(AA+)Ax = PAx = Ax
und (iv) aus
A+(AA+)y = A+Py = A+y .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(c) Wenn Z ∈ Cn×m die Eigenschaften (b) (i)-(iv) besitzt(an Stelle von A+), so ist Z = A+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(c) Wenn Z ∈ Cn×m die Eigenschaften (b) (i)-(iv) besitzt(an Stelle von A+), so ist Z = A+.
Es gilt
Z(iii) für Z
= ZAZ(iii) für A
= ZAA+Az
(iv) für A= Z (AA+A)A+(AA+A)Z = (ZA)(A+A)A+(AA+)(AZ )
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(c) Wenn Z ∈ Cn×m die Eigenschaften (b) (i)-(iv) besitzt(an Stelle von A+), so ist Z = A+.
Es gilt
Z(iii) für Z
= ZAZ(iii) für A
= ZAA+Az
(iv) für A= Z (AA+A)A+(AA+A)Z = (ZA)(A+A)A+(AA+)(AZ )
(i),(ii) für A,Z= (AHZH)(AH(A+)H)A+((A+)HAH)(ZHAH)
=(AHZHAH)(A+)HA+(A+)H(AHZHAH)
(iii) für Z= AH(A+)HA+(A+)HAH (i)
= A+AA+AA+ (iv)= A+AA+ = A.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(d) A++ = A, (A+)H = (AH)+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
(d) A++ = A, (A+)H = (AH)+.
Setze in (c) A+ statt A. Die Matrix Z = A erfüllt dann(i)-(iv). Genauso argumentiert man bei (A+)H = (AH)+.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Korollar
Das Ausgleichsproblem
|Ax − y | → Min
wird durch x = A+y gelöst.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Korollar
Das Ausgleichsproblem
|Ax − y | → Min
wird durch x = A+y gelöst.
Unter allen Lösungen besitzt A+y die kleinste Norm.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Es giltmin |Ax − y |2 = min
y∈Bild (A)|y − y |2,
also y = Py .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Es giltmin |Ax − y |2 = min
y∈Bild (A)|y − y |2,
also y = Py .
Wenn Ax = y , x ⊥ Kern (A), so folgt für beliebigesx ∈ Kern (A)
A(x + x) = y , |x + x |2 = |x |2 + |x |2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Es giltmin |Ax − y |2 = min
y∈Bild (A)|y − y |2,
also y = Py .
Wenn Ax = y , x ⊥ Kern (A), so folgt für beliebigesx ∈ Kern (A)
A(x + x) = y , |x + x |2 = |x |2 + |x |2.
Also besitzt x unter allen Lösungen von Ax = y die kleinsteNorm.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Singulärwertzerlegung
A+ kann mit der Singulärwertzerlegung bestimmt werden. Sei
A = UΣV H
mit U ∈ Cm×m, V ∈ Cn×n unitär und Σ ∈ Cm×n mit
Σ =
[
D 0
0 0
]
, D = diag (σ1, . . . , σr ), σr > 0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Singulärwertzerlegung
A+ kann mit der Singulärwertzerlegung bestimmt werden. Sei
A = UΣV H
mit U ∈ Cm×m, V ∈ Cn×n unitär und Σ ∈ Cm×n mit
Σ =
[
D 0
0 0
]
, D = diag (σ1, . . . , σr ), σr > 0.
Setze
Σ+ =
[
D−1 0
0 0
]
∈ Cn×m, A+ = VΣ+UH ∈ Cn×m.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Singulärwertzerlegung
Dann gilt
A+A = VΣ+UHUΣV H = V
[
Ir 0
0 0
]
V H ,
also (A+A)H = A+A.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Singulärwertzerlegung
Dann gilt
A+A = VΣ+UHUΣV H = V
[
Ir 0
0 0
]
V H ,
also (A+A)H = A+A.
Analog zeigt man AA+ = (AA+)H sowie
AA+A = UΣV HV
[
Ir 0
0 0
]
V H = A.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Singulärwertzerlegung
Dann gilt
A+A = VΣ+UHUΣV H = V
[
Ir 0
0 0
]
V H ,
also (A+A)H = A+A.
Analog zeigt man AA+ = (AA+)H sowie
AA+A = UΣV HV
[
Ir 0
0 0
]
V H = A.
Damit sind die Bedingungen (b) (i)-(iv) des vorletzten Satzesalle erfüllt.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.5 Das nichtlineare Ausgleichsproblem
Sei m ≥ n und f : Rn → R
m stetig differenzierbar. Zuy ∈ Rn soll ein x ∈ Rn bestimmt werden mit
F (x) = |y − f (x)|2 → Min.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.5 Das nichtlineare Ausgleichsproblem
Sei m ≥ n und f : Rn → R
m stetig differenzierbar. Zuy ∈ Rn soll ein x ∈ Rn bestimmt werden mit
F (x) = |y − f (x)|2 → Min.
Wir leiten ein Verfahren für dieses Problem durchLinearisierung her. Sei x eine Näherung. Aus derDifferenzierbarkeit von f folgt
f (x) = f (x) + fx(x)(x − x) + o(|x − x |).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
9.5 Das nichtlineare Ausgleichsproblem
Sei m ≥ n und f : Rn → R
m stetig differenzierbar. Zuy ∈ Rn soll ein x ∈ Rn bestimmt werden mit
F (x) = |y − f (x)|2 → Min.
Wir leiten ein Verfahren für dieses Problem durchLinearisierung her. Sei x eine Näherung. Aus derDifferenzierbarkeit von f folgt
f (x) = f (x) + fx(x)(x − x) + o(|x − x |).
Wir bestimmen daher die Lösung von
minz∈Rn
|y − f (x)− fx(x)(z − x)|2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Abstiegsrichtung
minz∈Rn
|y − f (x)− fx(x)(z − x)|2.
Dies ist ein lineares Ausgleichsproblem.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Abstiegsrichtung
minz∈Rn
|y − f (x)− fx(x)(z − x)|2.
Dies ist ein lineares Ausgleichsproblem.
Beachte: Im Newton-Verfahren zur Bestimmung desMinimums von F (x) würde man eine Nullstelle von Fx(x)approximieren und bräuchte dazu die Hesse-Matrix Fxx .
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Abstiegsrichtung
minz∈Rn
|y − f (x)− fx(x)(z − x)|2.
Dies ist ein lineares Ausgleichsproblem.
Beachte: Im Newton-Verfahren zur Bestimmung desMinimums von F (x) würde man eine Nullstelle von Fx(x)approximieren und bräuchte dazu die Hesse-Matrix Fxx .
Ähnlich wie beim Newton-Verfahren können wir zeigen, dassdie Suchrichtung eine Abstiegsrichtung für das zuminimierende Funktional ist:
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Abstiegsrichtung
Lemma Sei rang fx(x) = n, z = x sei die eindeutigbestimmte Lösung des obigen linearen Ausgleichsproblemsund s = x − x die zugehörige Richtung.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Abstiegsrichtung
Lemma Sei rang fx(x) = n, z = x sei die eindeutigbestimmte Lösung des obigen linearen Ausgleichsproblemsund s = x − x die zugehörige Richtung.
Wenn s 6= 0, so gibt es ein λ0 > 0, so dass
φ(τ) = |y − f (x + τs)|2
in [0, λ0] streng monoton fallend ist.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Fast genauso wie im analogen Satz für das gewöhnlicheNewton-Verfahren erhalten wir
φ′(0) =d
dτ(y − f (x + τs)T (y − f (x + τs)
∣
∣
τ=0
= −(fx(x)s)T (y − f (x))− (y − f (x)T (fx(x)s)
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
Fast genauso wie im analogen Satz für das gewöhnlicheNewton-Verfahren erhalten wir
φ′(0) =d
dτ(y − f (x + τs)T (y − f (x + τs)
∣
∣
τ=0
= −(fx(x)s)T (y − f (x))− (y − f (x)T (fx(x)s)
= −2(fx(x)s)T (y − f (x))
= −2(fx(x)s)T r(x), r(x) = y − f (x).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
φ′(0) = −2(fx(x)s)T r(x), r(x) = y − f (x).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
φ′(0) = −2(fx(x)s)T r(x), r(x) = y − f (x).
Das lineare Ausgleichsproblem besitzt die Lösung s = x − x
mitfx(x)
T fx(x)s = fx(x)T r(x),
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beweis
φ′(0) = −2(fx(x)s)T r(x), r(x) = y − f (x).
Das lineare Ausgleichsproblem besitzt die Lösung s = x − x
mitfx(x)
T fx(x)s = fx(x)T r(x),
also
φ′(0) = −2sT fx(x)T r(x) = −2sT fx(x)fx(x)s
= −2|fx(x)s|2 < 0 falls rang fx(x) = n und s 6= 0.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Gauß-Newton Algorithmus
Wir erhalten damit den Gauß-Newton Algorithmus:
0) Sei x (0) ∈ Rn ein Startvektor. Sei x (i) bereits definiert.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Gauß-Newton Algorithmus
Wir erhalten damit den Gauß-Newton Algorithmus:
0) Sei x (0) ∈ Rn ein Startvektor. Sei x (i) bereits definiert.
1) Bestimme s(i) durch
mins∈Rn
|r(x (i))− fx(x(i))s|2, r(x (i)) = y − f (x (i)).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Gauß-Newton Algorithmus
Wir erhalten damit den Gauß-Newton Algorithmus:
0) Sei x (0) ∈ Rn ein Startvektor. Sei x (i) bereits definiert.
1) Bestimme s(i) durch
mins∈Rn
|r(x (i))− fx(x(i))s|2, r(x (i)) = y − f (x (i)).
2) Seiφ(τ) = |y − f (x (i) + τs(i))|2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Gauß-Newton Algorithmus
Wir erhalten damit den Gauß-Newton Algorithmus:
0) Sei x (0) ∈ Rn ein Startvektor. Sei x (i) bereits definiert.
1) Bestimme s(i) durch
mins∈Rn
|r(x (i))− fx(x(i))s|2, r(x (i)) = y − f (x (i)).
2) Seiφ(τ) = |y − f (x (i) + τs(i))|2.
Bestimme die kleinste Zahl k ∈ N0 mit φ(2−k) < φ(0)oder alternativ φ(τ) → Min für τ > 0 durch einLine-Search-Verfahren.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Gauß-Newton Algorithmus
Wir erhalten damit den Gauß-Newton Algorithmus:
0) Sei x (0) ∈ Rn ein Startvektor. Sei x (i) bereits definiert.
1) Bestimme s(i) durch
mins∈Rn
|r(x (i))− fx(x(i))s|2, r(x (i)) = y − f (x (i)).
2) Seiφ(τ) = |y − f (x (i) + τs(i))|2.
Bestimme die kleinste Zahl k ∈ N0 mit φ(2−k) < φ(0)oder alternativ φ(τ) → Min für τ > 0 durch einLine-Search-Verfahren. Setze x (i+1) = x (i) + 2−ks(i)
oder alternativ = x (i) + τs(i).
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Für Probleme der Art
yi =n∑
j=1
eαjxi , i = 1, . . . ,m
sind die Funktionalmatrizen meist sehr schlecht konditioniert.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
Für Probleme der Art
yi =n∑
j=1
eαjxi , i = 1, . . . ,m
sind die Funktionalmatrizen meist sehr schlecht konditioniert.
Für m = n = 2 erhalten wir beispielsweise
fα(α) =
[
x1eα1x1 x1e
α2x1
x2eα1x2 x2e
α2x2
]
.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
fα(α) =
[
x1eα1x1 x1e
α2x1
x2eα1x2 x2e
α2x2
]
.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
fα(α) =
[
x1eα1x1 x1e
α2x1
x2eα1x2 x2e
α2x2
]
.
Es ist
det fα(α) = x1x2
(
eα1x1+α2x2 − eα1x2+α2x1)
≈ 0 falls α1 ≈ α2 oder x1 ≈ x2.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das
Beispiel
fα(α) =
[
x1eα1x1 x1e
α2x1
x2eα1x2 x2e
α2x2
]
.
Es ist
det fα(α) = x1x2
(
eα1x1+α2x2 − eα1x2+α2x1)
≈ 0 falls α1 ≈ α2 oder x1 ≈ x2.
Die Normalgleichungen dürfen daher nicht mit einemVerfahren für f T
α fα gelöst werden.
Numerik von
Eigenwertproble-
men
DasLanczos-Verfahren
Bestimmung derEigenwerte einerhermiteschenTridiagonalmatrix
Reduktion aufHessenberg-Gestalt
Bestimmung derEigenwerte einerHessenberg-Matrix
Potenzmethoden
Grundlagen
Direkte Lösung
linearer Glei-
chungssysteme
Metrische und
normierte Räume
Nichtlineare Glei-
chungssysteme
Interpolation
Numerische
Integration
Theorie der Ei-
genwertprobleme
Das