C#,码海拾贝(17)——对称正定矩阵的乔里斯基分解(Cholesky decomposition)与行列式的求值之C#源代码

C#,码海拾贝(17)——对称正定矩阵的乔里斯基分解(Cholesky decomposition)与行列式的求值之C#源代码_第1张图片

 

31月53日这一天,法国数学家安德烈-路易·乔列斯基在第一次世界大战即将结束时的一场战斗中阵亡,享年<>岁,当时他在法国陆军担任工程军官。他曾担任制图师和大地测量学家,对数学科学的其他贡献之一是Cholesky分解(发现以帮助他的专业),该分解说正定对称矩阵可以分解为较低三角矩阵及其转置的乘积。此属性的其他应用包括求解线性方程组、最小二乘问题、蒙特卡罗模拟和卡尔曼滤波器。

在克里特岛、阿尔及利亚、突尼斯等地服役后,他于 1918 年在法国北部因在战场上受伤而去世,他的一位同伴在他死后发表了所谓的乔列斯基方法,但无法享受这种受欢迎程度,因为直到 1948 年才发表关于该方法稳定性的文章。像其他数学家一样,他以一种暴力的方式结束了,这无疑使这样一位杰出的学者对科学做出了更多的贡献,这位杰出的学者被归类为“敏锐的智慧和数学工作的伟大设施,具有探究精神和原创思想”。

1 正定矩阵 Positive Definite Matrix

在线性代数里,正定矩阵 (positive definite matrix) 有时会简称为正定阵。在线性代数中,正定矩阵的性质类似复数中的正实数。与正定矩阵相对应的线性算子是对称正定双线性形式(复域中则对应埃尔米特正定双线性形式)。

1、在线性代数中,正定矩阵的性质类似复数中的正实数。正数是数学术语,比0大的数叫正数,0本身不算正数。在实数上可以定义这样一个函数,它对正数取值为 1,负数取值为 1,0 取值为 0。这个函数通常被称为符号函数。

2、B为n阶矩阵,E为单位矩阵,a为正实数,在a充分大时,aE+B为正定矩阵。对于任意矩阵A,有EA=AE=A,这就是其单位的地方,相当于实数乘法里面的1,1*a=a*1=a. 单位矩阵对称、可逆、正交。

3、若A是正定矩阵,则A的逆矩阵也是正定矩阵。假设我们需要求A的逆矩阵,我们可以对矩阵A持续进行初等行变换的操作,直到将A转化成为单位矩阵E。与这些初等行变换操作同步进行的是对一个同阶单位矩阵E的初等行变换操作。也就是说,从第一步开始,都将对A的每一步初等行变换操作同时作用于E。
(以上原文来自于 https://baijiahao.baidu.com/s?id=1717554671908639919)

协方差衡量两个随机变量在一个总体中共同变化的程度。当总体包含更高维度或更多随机变量时,用矩阵来描述不同维度之间的关系。协方差矩阵是一种更容易理解的方式,它将整个维度中的关系定义为每两个随机变量之间的关系。

2 乔里斯基分解 Cholesky decomposition method


乔里斯基分解是将一个正定矩阵分解为下三角矩阵与其转置的乘积。在实践中,人们用它来生成相关的随机变量,方法是将协方差矩阵分解成标准正态分布,然后将下三角相乘。此外,矩阵分解在很多方面都是有帮助的,因为使用隐藏因子来描述矩阵的特征,可以发现一些普遍的属性,而我们并不经常可以明确地进行矩阵计算。

乔莱斯基分解法(Cholesky decomposition method)亦称平方根法.解对称正定线性方程组的常用方法之一设线性方程组A二一b的系数矩阵A是n阶对称正定矩阵.乔莱斯基分解法是先求A的分解A=LLT,其中1为对角元均为正数的下三角矩阵,其元素乙,可由下面的公式递推计算:然后再依次解两个三角形方程组LTy=b和1.x =y,从而求得原方程组的解.

using System;

namespace Zhou.CSharp.Algorithm
{
    /// 
    /// 矩阵类
    /// 作者:周长发
    /// 改进:深度混淆
    /// https://blog.csdn.net/beijinghorn
    /// 
    public partial class Matrix
    {
        /// 
        /// 对称正定矩阵的乔里斯基分解与行列式的求值
        /// 
        /// 源矩阵
        /// 返回行列式的值
        /// 求解是否成功
        public static bool ComputeDetCholesky(Matrix src, ref double realDetValue)
        {
            int i, j, k, u, z;
            double d;

            // 不满足求解要求
            if (src[0] <= 0.0)
            {
                return false;
            }
            // 乔里斯基分解

            src[0] = Math.Sqrt(src[0]);
            d = src[0];

            for (i = 1; i <= src.Columns - 1; i++)
            {
                u = i * src.Columns;
                src[u] = src[u] / src[0];
            }

            for (j = 1; j <= src.Columns - 1; j++)
            {
                z = j * src.Columns + j;
                for (k = 0; k <= j - 1; k++)
                {
                    u = j * src.Columns + k;
                    src[z] = src[z] - src[u] * src[u];
                }

                if (src[z] <= 0.0)
                {
                    return false;
                }
                src[z] = Math.Sqrt(src[z]);
                d = d * src[z];

                for (i = j + 1; i <= src.Columns - 1; i++)
                {
                    u = i * src.Columns + j;
                    for (k = 0; k <= j - 1; k++)
                    {
                        src[u] = src[u] - src[i * src.Columns + k] * src[j * src.Columns + k];
                    }
                    src[u] = src[u] / src[z];
                }
            }

            // 行列式求值
            realDetValue = d * d;

            // 下三角矩阵
            for (i = 0; i <= src.Columns - 2; i++)
            {
                for (j = i + 1; j <= src.Columns - 1; j++)
                {
                    src[i * src.Columns + j] = 0.0;
                }
            }
            return true;
        }
    }
}

POWER BY 315SOFT.COM & TRUFFER.CN

C#,码海拾贝(17)——对称正定矩阵的乔里斯基分解(Cholesky decomposition)与行列式的求值之C#源代码_第2张图片

3 矩阵分解的几种形式


3.1 对角化分解


定义:一个n*n矩阵A如果可以写为X-1AX=D,其中x是可逆矩阵,D为对角矩阵,那么我们说A可以对角化。
定理:如果一个矩阵可以对角化分解,那么A的n个特征向量就一定线性独立,反过来也成立。
性质:An=XDnX-1 这是一个非常重要的性质,它和随机过程,马尔科夫过程有紧密的联系。
我们熟知的PageRank算法中就应用了矩阵的对角化分解。

3.2 奇异值分解


大家知道奇异值分解师应用最广的一个数学模型,在特征提取,图片压缩,主成因分析等都用到了奇异值分解。
定义: 如果一个m*n矩阵A能够分解为A=UBVT的形式,其中U矩阵式m*m格式的标准化正交矩阵,V是n*n的标准化的正交矩阵,B是m*n的对角矩阵。
奇异值一个重要的应用就是矩阵的近似表达。上面定义中的矩阵B的对角值就是我们说的奇异值a1>=a2>=a3>=...>=an,如果A的rank为r,那么a1>=a2>=a3>=...>=ar>0,  ar+1=ar+2=...=an=0;
将上面n-r部分的奇异值去掉,A=U1B1V1T那么矩阵A就能够得到简化.如果将上面的ar设置为0得到矩阵A',那么||A'-A||F=ar这个值比较小,所以可以用A'近似表达A,这就是图片压缩的原理。

3.3 乔里斯基(Cholesky)分解


介绍乔里斯基分解之前先介绍正定矩阵,正定矩阵在二次优化中有重要作用,通过正定矩阵我们可以求二次多项式的最大,最小或者鞍点。
定义:如果对于所有的x,xTAx>0那么A是正定矩阵,对应的二次多项式有最小值;
如果对于所有的x, xTAx>=0那么A是半正定矩阵,对应二次多项式有最小值;
如果对于所有的x,xTAx<0那么A是负定矩阵,对应二次多项式有最大值;
如果对于所有的x,xTAx<=0那么A是半负定矩阵,对应二次多项式有最大值;
如果xTAx的符号不确定,那么不能判断二次多项式的极值情况。

Cholesky分解,如果A是一个对角的正定矩阵,那么A=LDLT,其中L是一个下三角矩阵,对角线的值都为1。

你可能感兴趣的:(C#入门教程,Beginner‘s,Recipes,C#数值计算,Numerical,Recipes,算法,c#,矩阵,线性代数,数值计算)