Quadratic forms of Hermitian matrix resolvents involve the solutions of shifted linear systems. Efficient solutions use the shift-invariance property of Krylov subspaces. The Hermitian Lanczos method reduces a given vector and matrix to a Jacobi matrix (a real symmetric tridiagonal matrix with positive super and sub-diagonal entries) and approximates the quadratic form with the Jacobi matrix. This study develops a shifted Lanczos method that deals directly with the Hermitian matrix resolvent to extend the scope of problems that the Lanczos method can solve. We derive a matrix representation of a linear operator that approximates the resolvent by solving a Vorobyev moment problem associated with the shifted Lanczos method. We show that an entry of the Jacobi matrix resolvent can approximate the quadratic form. We show the moment-matching property of the shifted Lanczos method and give a sufficient condition such that the method does not break down. Numerical experiments on matrices drawn from real-world applications compare the proposed method with previous methods and show that the proposed method outperforms a well-established method in solving some problems.


翻译:Hermitian Lanczos 方法将给定矢量和矩阵缩减为 Jacobi 矩阵(一个真实的对称三边对角矩阵,带有正超和亚对角条目),并将四方形式与 Jacobi 矩阵相近。本研究开发了一种被移动的Lanczos 方法,直接与 Hermitian 矩阵决心扩大Lanczos 方法所能够解决的问题范围直接打交道的Lanczos 方法。我们从一个线性操作员获得一个矩阵代表,通过解决与被移动的Lanczos 方法相关的Vorobyev时点问题来接近固态。我们表明,Jacobi 矩阵解析点的输入可以接近方形。我们展示了被移动的Lanczos 方法的瞬间匹配属性,并给出一个足够的条件,使该方法不会崩溃。从实际应用中提取的矩阵的数值实验将某些方法与以前的方法进行比较,并显示拟议的方法在解决问题中确定出一种方法。

0
下载
关闭预览

相关内容

Jacobi矩阵,也称为Jacobi算子,是作用于由无限三对角矩阵给出的序列的对称线性算子。 它通常用于指定有限的正Borel测度上的正交多项式系统。 该运算符以Carl Gustav Jacob Jacobi的名字命名。该名称源于Jacobi的一个定理,最早可追溯至1848年,该定理指出,主理想域上的每个对称矩阵都与三对角矩阵一致。
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
专知会员服务
61+阅读 · 2020年3月4日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
Arxiv
4+阅读 · 2019年1月14日
Deep Randomized Ensembles for Metric Learning
Arxiv
5+阅读 · 2018年9月4日
Next Item Recommendation with Self-Attention
Arxiv
5+阅读 · 2018年8月25日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
Top
微信扫码咨询专知VIP会员