子空间分析与跟踪（6） —— 快速子空间分解

Published: February 16, 2022 by Authur Lee

Categories:
Math 7

先知道
- Krylov 方法 $^{[2]}$
- 快速子空间分解的算法的基本出发点
Rayleigh-Ritz逼近
快速子空间分解算法
参考

先知道

Krylov 方法 $^{[2]}$

Krylov方法是一种“降维打击”手段。特点有二：牺牲了精度换取了速度；在没有办法求解大型系数矩阵时，给出了一种方法。

在处理线性方程组的求解问题（求解未知向量 $x$ ）

$Ax=b$

一般做法为直接求矩阵 $A$ 的逆 $A^{-1}$ 然后可得

$x=A^{-1}b$

但如果 $A$ 的维度很高，甚至是一个稀疏矩阵，我们就需要用一种方法来替换 $A^{-1}$

$A^{-1}b\approx\sum_{i=0}^{m-1}\beta_iA^ib$

其中 $\beta$ 都是未知标量， $m$ 是我们假设的一个值，最大不能超过矩阵的维度。

至于为什么可以用这种方法来替换 $A^{-1}$ 是因为 Cayley–Hamilton 定理，详情可以见维基百科中哈密尔顿–凯莱定理的例子部分。 $^{[3]}$

解 $\beta$ 的值需要我们将替换的东西带入式子 $Ax=b$ 得到

$0=b-Ax^{(m)}=b-A\sum_{i=0}^{m-1}\beta_iA^ib$

因为未知标量 $\beta$ 的个数 $m$ 不能超过矩阵的维度，故而上面的这个方程组中方程数大于未知数的个数。此种情况只能求近似解，而此方程组为线性，所以我们可以使用最小二乘法。

首先设一个（不想要的或者说想要尽可能小的东西）残量（error） $r^{(m)}=b-Ax^{(m)}$ ，将该求近似解的问题转化为一个最优化问题。

而最小二乘法的核心就是：

$\begin{matrix} \frac{\partial r}{\partial\beta_i}=0,&i=0,1,...,m-1 \end{matrix}$

其中 $r=\sum_{i=1}^{n}(r_{i}^{(m)})^2$

快速子空间分解的算法的基本出发点

样本协方差矩阵 $\hat{R}$ 的主特征向量的张成与 $\hat{R}$ 的Rayleigh-Ritz（RR）向量的张成是 $R$ 的信号子空间的渐进等价估计。由于RR向量可以利用Lanczos算法有效求出，故可以实现信号子空间的快速分解。

Rayleigh-Ritz逼近

Hermitian矩阵的特征值分解

Hermitian矩阵 $A$ 的特征值分解如下

$A=\sum_{k=1}^{M}\lambda_ku_ku_k^H$

其中， $(\lambda_k,u_k)$ 为 $A$ 的第 $k$ 个特征值和特征向量，并假定 $\lambda_1>…>\lambda_d>\lambda_{d+1}=…=\lambda_{M}=\sigma$ 。这就说明， ${\lambda_k,u_k}$ 为信号特征值和信号特征向量。

对于矩阵特征对（特征值、特征向量）的理解我们可以看一下马同学的知乎专栏：如何理解矩阵特征值和特征向量？。

Rayleigh-Ritz值，Rayleigh-Ritz向量

几何的角度来看，向量之差与子空间正交，而正交可以使得影响最小。

Krylov子空间

Rayleigh-Ritz逼近

推导过程：对于式子 $Q^HAQu_i=\alpha_iu_i$ 两边同时左乘矩阵 $Q$ 即可。

逼近的评估方法

看差值的收敛速度

快速子空间分解算法

Lanczos基

$Q$ 为子空间的某一正交基，也称为 Lanczos基，

$Q=[q_1,q_2,...,q_m]$

快速子空间分解算法的主要思想

Lanczos基可以通过将Hermitian矩阵三对角化，将 $A$ 的RR对（RR值和RR向量）与三角矩阵的特征对（特征值和特征向量）紧密联系在一起。

$Q^H_m\hat{A}Q_m=T_m=\begin{bmatrix} \alpha_1&\beta_1&&&\\ \beta_1&\alpha_2&\beta_2&&\\ &...&...&...&\\ &&...&\alpha_{m-1}&\beta_{m-1}\\ &&&\beta_{m-1}&\alpha_{m}\\ \end{bmatrix}$

其中， $T_m$ 称为 $m\times m$ 实三对角矩阵。