在前面的算法描述过程中，我们假定d山互不相等且不能为零。 事实上，若d:=d+1或u:=0,则d:即为D+auuT的特征值，这种现象我们 称为收缩(deflation). 在实际计算时，当d:-d+1或小于一个给定的阈值时，我们就近似认为d 为D+auuT的特征值，即出现收缩现象。 在实际计算中，收缩现象会经常发生，而且非常频繁，所以我们可以而且应该利 用这种优点加快分而治之算法的速度。 由于主要的计算量集中在计算Q,即算法最后一步的矩阵乘积.如果，=0，则 d为特征值，其对应的特征向量为e,即Q的第i列为e,故计算Q的第i列时 不需要做任何的计算 当d=d+1时，也存在一个类似的简化 http://math.ecnu.edu.cn/-jypan 27/77在前面的算法描述过程中, 我们假定 di 互不相等且 ui 不能为零. 事实上, 若 di = di+1 或 ui = 0, 则 di 即为 D + αuu ⊺ 的特征值, 这种现象我们 称为收缩 (deflation) . 在实际计算时, 当 di − di+1 或 |ui | 小于一个给定的阈值时, 我们就近似认为 di 为 D + αuu ⊺ 的特征值, 即出现收缩现象. 在实际计算中, 收缩现象会经常发生, 而且非常频繁, 所以我们可以而且应该利 用这种优点加快分而治之算法的速度. 由于主要的计算量集中在计算 Q, 即算法最后一步的矩阵乘积. 如果 ui = 0, 则 di 为特征值, 其对应的特征向量为 ei , 即 Qˆ 的第 i 列为 ei , 故计算 Q 的第 i 列时 不需要做任何的计算. 当 di = di+1 时, 也存在一个类似的简化. http://math.ecnu.edu.cn/~jypan 27/77