子空间迭代法课件概要

子空间迭代法概述子空间迭代法是一类强大的数值方法，专门用于求解大型矩阵的特征值和特征向量问题这些方法通过在较小的子空间中进行迭代计算，能够高效地找到原始问题的近似解在现代科学计算和工程应用中，子空间迭代法已成为处理大规模特征值问题的首选方法之一，特别是当矩阵具有特殊结构（如稀疏性）时，其优势更为明显本课程将系统介绍子空间迭代法的基本原理、理论分析、实现技巧以及在各领域的应用，帮助学习者掌握这一重要的数值计算工具课程目标理论基础算法实现掌握子空间迭代法的数学原理熟悉子空间迭代法的各种实现，理解其理论基础和收敛性分方式和优化技巧，能够针对不析学习特征值问题的基本概同的问题特点选择合适的算法念和子空间投影的核心思想，变体和参数设置学习如何在为深入研究打下坚实基础主流编程语言中高效实现这些算法应用能力培养在实际工程和科学问题中应用子空间迭代法的能力，了解其在不同领域的应用案例提高解决大规模特征值问题的实践能力，为科研和工程应用奠定基础子空间迭代法的基本思想降维投影将原始高维问题投影到一个精心构造的低维子空间中，使得计算复杂度大幅降低这个子空间通常选择为能够良好近似目标特征向量的空间迭代优化通过迭代过程不断改进子空间的选择，使其逐渐包含更多与目标特征向量相关的信息每次迭代都能提高近似解的精度提取近似解在优化后的子空间中求解降维后的特征值问题，得到原问题的近似解这一过程通常通过方法实现，能够提Rayleigh-Ritz供极高的计算效率子空间迭代法的历史背景早期发展1950-19701子空间迭代方法的雏形可追溯到世纪年代，当时计算机科学刚2050刚起步和分别在年和年提出了用于Lanczos Arnoldi19501951大型稀疏矩阵特征值计算的迭代方法，奠定了子空间方法的基础理论完善1970-19902随着计算机能力的提升，、等学者对子空间方法进行Golub Sorensen了系统研究，提出了隐式重启技术和更多数值稳定的算法变体，使方法更加实用这一时期，理论分析也更加深入现代应用至今19903大规模计算需求推动子空间方法广泛应用于各个领域库ARPACK的发布标志着这些方法的成熟，而后续的并行化和加速使其在处GPU理超大规模问题时表现出色子空间迭代法的应用领域结构工程量子计算在结构分析中求解振动模态和临界载荷，求解薛定谔方程中的特征值问题，计算量帮助工程师设计更安全、更高效的建筑和子系统的能级和波函数在计算化学和物12机械结构子空间方法能够处理大型有限理中，子空间方法是处理多体量子系统不元模型，是结构动力学分析的核心工具可或缺的数值工具机器学习图数据分析用于降维处理、主成分分析和图像识别等分析社交网络和图结构，计算Web43任务在大数据分析中，子空间方法能够等重要指标在复杂网络分析PageRank提取数据中的主要特征和模式，是诸多算中，子空间方法可以高效处理数十亿节点法的基础的超大规模图数据线性代数基础回顾向量空间线性变换与矩阵12向量空间是满足加法和标量乘线性变换是保持向量加法和标法封闭性的集合在ℝ中，量乘法的函数，可以用矩阵表ⁿ向量可以通过坐标表示，而向示对于变换和矩阵，满T A量空间的维数决定了线性无关足矩阵的行列式、Tv=Av向量的最大数量向量空间的秩和逆矩阵是描述线性变换性基是一组线性无关的向量，可质的重要概念以表示空间中的任意向量内积与正交性3内积定义了向量间的夹角和长度，使几何直观延伸到高维标准内积〈〉，两向量正交当且仅当〈〉正交基是一组相互正u,v=uᵀv u,v=0交的单位向量，便于向量的表示和计算特征值和特征向量基本定义几何意义特征方程对于×矩阵，如果存在非零向量特征向量表示线性变换下保持方向不特征值可通过求解特征方程n n A vdetA-和标量，使得，则称为的变的向量方向，而特征值则表示这些获得阶矩阵有个特征值（λAv=λvλAλI=0n n特征值，称为对应于的特征向量方向上的缩放因子理解这一几何意计入重复度），特征多项式的次数等vλ特征值和特征向量表征了线性变换的义有助于直观把握矩阵变换的本质特于矩阵的阶数特征方程是研究矩阵基本性质，如缩放和旋转方向性特征值的基本工具矩阵的谱分解对角化条件谱分解表示只有当阶矩阵有个线性无可对角化的矩阵可表示为n AnA关的特征向量时，才能进行谱⁻，其中的列是A=PΛP¹P A分解实对称矩阵和正规矩阵的特征向量，是以特征值为Λ总是可对角化的，而一般矩阵对角元素的对角矩阵这种分可能不满足这一条件对角化解使得矩阵幂运算变得简单是简化矩阵计算的重要工具⁻A^k=PΛ^kP¹实对称矩阵的特性实对称矩阵的特征值全为实数，且特征向量可选为相互正交的单位向量此时谱分解可写为，其中为正交矩阵这种特A=QΛQ^T Q性使得对称矩阵在计算中具有优良性质商Rayleigh数学定义变分特性近似计算对于矩阵和非零向商的变分特当向量接近某特征向A Rayleighx量，商定性表明，它在对应于量时，商提x RayleighRayleigh义为最大（或最小）特征供了对应特征值的良值的特征向量处取得好近似这使它成为ρx=x^TAx/x^Tx这个比值在为特征极值这种特性是许迭代算法中估计特征x向量时恰好等于对应多特征值算法的理论值的有效工具，特别特征值，是估计特征基础，包括幂法和子是在子空间迭代法的值的重要工具空间迭代法过程Rayleigh-Ritz中子空间的定义直和子空间两个子空间仅有零向量交集1不变子空间2线性变换将子空间映射到自身商子空间3等价类形成的空间线性子空间4保持加法和标量乘法封闭性在线性代数中，子空间是向量空间的子集，满足向量加法和标量乘法的封闭性线性子空间是最基本的子空间类型，构成了其他类型子空间的基础不变子空间对特定线性变换保持不变，在矩阵分析中具有重要意义直和子空间允许将复杂空间分解为更简单的组成部分，便于分析和计算子空间迭代法正是利用这些子空间概念，通过在精心选择的低维子空间中进行计算，大幅提高求解特征值问题的效率子空间Krylov定义与生成给定矩阵和向量，阶子空间定义为A vm Krylov这是由向量经过矩阵重K_mA,v=span{v,Av,A²v,...,A^m-1v}v A复作用生成的一系列向量所张成的空间，具有特殊的递推结构重要性质子空间具有嵌套性质⊂⊂⊂当足够大时Krylov K_1K_

2...K_m m，包含的主要特征向量信息，特别是对应于主导特征值的特征K_m A向量这一性质是子空间迭代方法有效性的理论基础在算法中的应用子空间是许多迭代方法的核心，如、和Krylov ArnoldiLanczos算法这些方法通过构建子空间的正交基，将原GMRES Krylov始大型问题转化为小规模问题，从而高效求解特征值或线性方程组子空间迭代法的基本步骤子空间扩展初始化应用矩阵变换扩展子空间，增加特征2选择初始子空间，通常为随机或问题向量信息1相关的向量组正交化对扩展后的向量组进行正交化，保3证数值稳定性收敛判断5投影与特征值提取检查解的精度，决定是否继续迭代或终止4在子空间中求解特征值问题，获取原问题近似解子空间迭代法通过这一循环过程不断提高近似解的精度每次迭代都能更好地捕捉矩阵的特征信息，使得解逐渐接近真实特征值和特征向量算法的效率来源于将高维问题转化为低维问题的策略，大大降低了计算复杂度初始子空间的选择123随机选择物理信息引导前次计算结果最简单且应用广泛的方法是随机生成初始向量利用问题物理背景选择有意义的初始向量，如利用相似问题的已知解作为初始猜测，适用于虽然简单，但对于大多数问题效果良好，且结构分析中使用预估的振动模态这种方法能参数微扰情况这种热启动策略在参数扫描实现容易随机初始向量几乎总能保证与目标加速收敛，但需要专业知识支持计算中特别有效特征向量不正交初始子空间的选择对算法收敛速度有显著影响良好的初始猜测可以减少迭代次数，提高计算效率然而，在缺乏先验信息时，随机初始化通常是最安全、最通用的选择，能够避免特殊情况下的收敛失败子空间投影正交投影原理1将向量投影到子空间中，保留最大信息量投影矩阵构造2利用子空间正交基构建投影算子条件Galerkin3残差正交于整个子空间子空间投影是将高维问题降到低维子空间的关键步骤对于矩阵特征值问题，投影后在子空间中求解，其中是子空Ax=λx V^TAVy=λy V间的正交基矩阵这种投影保证了近似解在当前子空间中是最优的投影的几何意义是找到原始空间中向量在子空间中的最佳近似条件确保残差向量与整个子空间正交，这是投影近似最优性的Galerkin数学表达正交投影不仅简化了计算，还保证了数值稳定性，是子空间方法成功的关键因素过程Rayleigh-Ritz构建投影矩阵计算，其中为子空间的正交基，为原始矩阵为原矩H=V^TAV VA H阵在子空间上的投影，维数远小于，便于计算A A求解小规模问题求解降维后的特征值问题，可使用算法等直接方法快速获得Hy=θy QR所有特征值和特征向量转换回原空间将子空间中的特征向量转换回原空间这些被称为向量，y x=Vy Ritz对应的特征值称为值，是原问题的近似解θRitz过程是子空间迭代法的核心步骤，它将原始大型特征值问题转化为小Rayleigh-Ritz规模问题，大幅降低计算复杂度这一过程保证了在给定子空间内获得的近似解是最优的，即值是对应向量的商Ritz RitzRayleigh特征值的收敛性分析迭代次数相对误差理论上界子空间迭代法求解特征值的收敛速度取决于特征值分布对于矩阵，如果目标是求个主导特征值，收敛速度由比值决定，该比值越小，收敛越快A k|λ_k+1/λ_k|理论分析表明，值收敛到真实特征值的速度通常是线性的，但在某些情况下可以达到超线性收敛子空间的维数越大，收敛通常越快，但计算成本也相应增加找到合适的子空间维数是实Ritz际应用中的重要考量特征向量的收敛性分析误差度量收敛速度因素理论保证特征向量的收敛通常用∠̃测量特征向量的收敛速度受特征值分离度对于子空间迭代法，当子空间维数大sin x,x，其中是真实特征向量，̃是近似特影响当目标特征值与其他特征值距于目标特征值数量时，可证明近似特x x征向量这个度量表示两个向量间的离越远时，对应特征向量收敛越快征向量的误差上界与特征值的相对间角度正弦值，完全一致时为零另一对于接近的特征值（称为簇），其对隔和迭代次数相关这种理论保证支种度量是残差范数‖̃̃̃‖，它反映应特征向量的收敛较慢，需要特殊处持了子空间方法在实际应用中的可靠Ax-λx了近似特征对的精确度理性子空间迭代法的数学模型泛函分析视角变分原理视角12从泛函分析角度看，子空间迭从变分原理看，子空间方法可代法可视为在希尔伯特空间中理解为商的受限极值Rayleigh寻找算子特征函数的过程这问题对称矩阵的最大特征值种视角对于理解无限维问题（等价于最大化二次型如偏微分方程的谱分析）尤为，而子空间方x^TAx/x^Tx重要子空间方法通过有限维法在每步迭代中在有限维子空近似逐步逼近无限维解间内求解此优化问题矩阵近似视角3从矩阵理论看，子空间方法构造了原矩阵的低秩近似通过选择合A适的子空间，这种近似能够保留的主要特征，特别是与主导特征值A相关的结构，从而高效求解特征值问题子空间迭代法的矩阵表示基础迭代形式投影矩阵残差矩阵设为当前迭代的正交基矩阵，则下子空间迭代中，投影矩阵残差矩阵衡量了当X_k R_k=AX_k-X_kH_k一迭代为，其中是原矩阵在当前子前近似解的精度的范数接近零表X_{k+1}=orthAX_k H_k=X_k^TAX_k AR_k表示正交化过程这一简单形式体空间上的表示的特征分解提供了示包含的向量接近的真实特征向orth H_k X_k A现了子空间迭代法的基本思想通过矩的值和向量，这些是的特量残差矩阵在收敛判断和算法分析中A RitzRitz A阵乘法和正交化扩展子空间信息征值和特征向量的近似起关键作用正交化过程正交化的必要性子空间迭代过程中，向量组容易变得线性相关或接近相关，导致数值不稳定正交化过程保持向量组的线性独立性，防止信息冗余，同时提高数值稳定性和计算精度常用正交化方法常用的正交化技术包括经典法、改进的Gram-Schmidt Gram-法、变换和旋转等每种方法在计算Schmidt Householder Givens效率和数值稳定性上有不同特点，适用于不同场景正交化对收敛的影响正交化不仅影响计算稳定性，还可能改变子空间的收敛行为好的正交化策略能保持子空间中的主要信息，加速特征向量的收敛；而不当的正交化可能丢失关键信息，减慢收敛速度正交化Gram-Schmidt基本原理1正交化通过从每个向量中减去其在前面已正交化向Gram-Schmidt量上的投影，逐步构建正交向量组对于向量组₁₂，正{v,v,...,v}ₙ交化后得到{q₁,q₂,...,q}，其中每个qᵢ都与前面所有qⱼji正交ₙ计算过程2设第一个正交向量₁₁₁对于，计算在前面所q=v/‖v‖i=2,3,...,n vᵢ有正交向量上的投影之和pᵢ=∑ⱼ₌₁¹qⱼᵀvᵢqⱼ，然后令qᵢⁱ⁻这一过程生成单位正交向量组=vᵢ-pᵢ/‖vᵢ-pᵢ‖算法特点3经典方法在数学上简单清晰，但在有限精度计算中Gram-Schmidt容易积累舍入误差，导致正交性损失特别是当原向量组接近线性相关时，这种数值不稳定性更为严重，限制了其在高精度计算中的应用改进的正交化Gram-Schmidt改进原理计算过程数值稳定性分析改进的方法（对于向量组₁₂，首先设与经典方法相比，在数值上更稳Gram-Schmidt{v,v,...,v}MGSₙ）₁₁₁然后对于定，产生的正交向量组误差较小理‖‖Modified Gram-Schmidt,MGS q=v/v i=2,3,...,n通过调整计算顺序，显著提高了数值，初始化⁽⁾，并依次进行论和实验都表明，在处理病态向ᵢ⁰ᵢv=v MGS稳定性基本思想是在每次投影后立次更新ⱼᵢⱼᵀᵢ量组时表现出色在子空间迭代法中j=1,2,...,i-1r=q v即更新当前向量，而不是一次计算所⁽ʲ⁻⁾，ᵢ⁽ʲ⁾ᵢ⁽ʲ⁻⁾ⱼᵢⱼ，是常用的正交化技术，能够有¹v=v¹-r qMGS有投影的和最后令⁽⁾效平衡计算效率和数值稳定性ᵢᵢ‖ᵢq=v¹/vⁱ⁻⁽⁾‖¹ⁱ⁻变换Householder基本原理变换是利用反射矩阵进行正交化的方法对于非零向量，Householder v反射矩阵定义为，其中这一变换将Householder H=I-2uu^T u=v/‖v‖反射到与它长度相等但方向相反的向量上v分解应用QR在正交化过程中，变换用于构造分解通过串联多Householder QR个变换，可以将矩阵转化为上三角形式Householder A，其中，满足，H_n...H_2H_1A=R Q=H_1H_

2...H_n^T A=QR Q为正交矩阵计算优势变换具有出色的数值稳定性，误差增长仅与矩阵维Householder数成比例同时，它的计算复杂度为，与On²Gram-Schmidt方法相当，但数值性能更优在大规模计算中，变Householder换是实现正交化的首选方法之一旋转Givens基本原理构造方法1平面旋转变换二维旋转矩阵扩展2并行计算稀疏优势4适合分布式架构3只修改少量元素旋转是一种特殊的正交变换，用于有选择地消除矩阵中的特定元素对于维空间中的旋转，矩阵除了第行、第行Givens nGivens Gi,j,θi j、第列和第列外都与单位矩阵相同，而这四个位置形成一个×的旋转矩阵，通过角度参数化i j22θ与变换相比，旋转的主要优势在于其局部性它每次只修改矩阵的两行，特别适合处理稀疏矩阵或需要保持稀疏结构HouseholderGivens的问题此外，多个互不相关的旋转可以并行执行，这在高性能计算环境中是一个显著优势Givens分解在子空间迭代中的应用QR正交基构造数值稳定性保证隐式重启技术分解将矩阵分解基于变隐式重启的QR AHouseholder Arnoldi为，其中为换或旋转的方法中，A=QR QGivens IRAMQR正交矩阵，为上三分解具有优良的数分解是核心组成部分R QR角矩阵在子空间迭值稳定性，能够有效通过迭代和隐式QR代中，每步迭代需要减少舍入误差的积累多项式过滤，IRAM将新生成的向量组正这对于子空间迭代能高效地保留目标特交化，分解正是实中防止子空间退化征向量信息，同时剔QR现这一目标的主要工至关重要，特别是在除不需要的信息，实具，确保子空间基的处理病态矩阵时现子空间的有效精简正交性子空间迭代法的计算复杂度矩阵乘法正交化特征值计算子空间迭代法的计算复杂度主要由三部分组成矩阵向量乘法、正交化过程和小规模特征值计算对于大型稀疏矩阵，矩阵向量乘法通常是主要计算负担，其复杂度与矩阵非零元素数量成正--比正交化过程的复杂度与子空间维数和问题规模相关，通常为，其中为子空间维数，为问题维数小规模特征值问题（通常通过算法求解）的复杂度为，在远小于时贡献Omn²m nQR Om³m n较小总体而言，子空间方法的高效性源于其避免了直接对大矩阵进行操作的策略子空间迭代法的收敛速度线性超线性基本收敛率进阶收敛行为子空间迭代法的收敛速度主要取决于特征值的分在特定条件下，子空间方法可以表现出超线性收布情况对于求解个最大特征值，收敛速度与敛特性随着迭代进行，子空间逐渐包含更多目k比值相关，该值越小收敛越快标特征向量的信息，收敛速度会显著提升这种|λ_k+1/λ_k|这表明特征值间的相对间隔是影响收敛的关键因加速现象在实际应用中经常观察到素最优理论速度上限在最理想情况下，子空间迭代法的收敛速度可接近切比雪夫多项式的最优逼近速率然而，这种情况要求特殊的多项式滤波或预处理技术，不是所有实现都能达到子空间迭代法的收敛速度也与子空间维数密切相关增大子空间维数通常能加速收敛，但同时增加每步迭代的计算成本在实际应用中，需要平衡这两方面因素，选择合适的子空间维数影响收敛速度的因素子空间维数特征值分布更大的子空间通常加速收敛2谱分布决定基本收敛率1初始向量选择良好的初始猜测减少迭代次数35重启策略矩阵结构适当重启可避免收敛停滞4特殊结构可显著影响收敛子空间迭代法的收敛速度受多种因素综合影响特征值分布是最基本的因素，特别是目标特征值与其余特征值的分离程度对于接近的特征值（称为特征值聚簇），收敛通常较慢，可能需要特殊处理技术正交化方法的选择也影响收敛性能数值稳定的正交化（如改进的或变换）能保持子空间的正交性，防止Gram-Schmidt Householder信息丢失对于大规模问题，预处理技术可以改变特征值分布，显著加速收敛过程加速技术多项式Chebyshev基本原理多项式加速基于这些多项式在指定区间上的极值特性通过构造适当Chebyshev的多项式滤波器，可以放大目标特征值区间，同时抑制不需要的特征Chebyshev值，从而显著加速子空间迭代法的收敛多项式构造对于矩阵，如果目标是求解特征值区间内的特征值，构造多项式A[α,β]pt使其在此区间内取值较大，而在区间外较小最优的选择是经过适当缩放和平移的多项式Chebyshev T xₙ实现方式在实际计算中，不直接计算，而是利用多项式的递推关系pA Chebyshev₀，₁，这种递推T x=1T x=x Tx=2xT x-Txₙ₊₁ₙₙ₋₁计算非常高效，避免了显式矩阵多项式运算加速技术特别适用于特征值分布已知的情况，可以将收敛速度从线性提升Chebyshev至近似超线性然而，这种方法需要预先估计特征值分布范围，实际应用中可能需要结合自适应策略来确定最优参数加速技术加速Aitken基本思想数学公式在子空间方法中的应用加速法（也称为过程）是一种外推技术对于收敛序列，加速产生新序列在子空间迭代法中，加速可应用于特征值AitkenΔ²{x}Aitken Aitkenₙ，可以从线性收敛序列中提取更快收敛的序列它，其中序列或残差序列，但需要注意维护序列的单调性和{y}y=x-x-x²/x-ₙₙₙₙ₊₁ₙₙ₊₂基于这样的观察线性收敛序列的连续三项可用于这一变换通常能将线性收敛提升稳定性实际应用中，通常将此技术与其他加速方2x+xₙ₊₁ₙ预测极限值，从而加速收敛过程为二次收敛，显著减少达到指定精度所需的迭代次法（如多项式或预处理）结合使用Chebyshev数加速的主要优势在于实现简单且计算开销小，它不需要关于特征值分布的先验信息然而，其有效性依赖于收敛行为的稳定性，对于振荡收敛的情况可能效Aitken果有限在复杂特征值问题中，它常作为更复杂加速策略的补充技术使用子空间迭代法的数值稳定性正交性丧失重正交化策略病态问题处理子空间迭代的主要数值稳定性挑战是为防止正交性丧失，常采用周期性重对于病态特征值问题（特征值非常接维持基向量的正交性在有限精度计正交化策略在算法中，这近或重复），数值稳定性更为关键Lanczos算中，反复的矩阵向量乘法和正交化尤为重要，因为其简化的三项递推关此时，采用更稳定的正交化方法（如-过程会累积舍入误差，导致基向量逐系特别容易受到数值误差影响完全变换）、增加计算精度Householder渐失去正交性，影响计算精度重正交化或部分重正交化是常用的解或特殊的谱变换技术，可以有效提高决方案算法稳定性重启策略重启的必要性显式重启12子空间迭代过程中，随着迭代次显式重启是最直接的方法达到数增加，计算和存储成本不断上预设迭代次数后，选择最有希望升同时，部分子空间信息可能的向量作为新的初始子空间Ritz对求解目标特征值贡献有限重这种方法实现简单，但可能丢启策略通过定期压缩子空间，失部分有用信息，且选择保留向保留最有价值的信息，平衡计算量的策略需要仔细设计效率和收敛速度隐式重启3隐式重启通过多项式滤波隐式地调整子空间，保留目标特征向量信息这种方法在（隐式重启的方法）中得到充分应用，结合了IRAM Arnoldi过程的高效性和算法的可靠性，是现代子空间迭代法的重要技Arnoldi QR术块子空间迭代法基本原理并行计算优势收敛行为块子空间迭代法同时处理一组向量，而块方法的一个显著优势是易于并行化块方法通常能更好地处理接近或重复的不是单个向量每步迭代对整个向量块矩阵向量块乘法可在多个处理器上并特征值通过同时迭代多个向量，子空-进行操作，形成更大的子空间这种方行执行，大幅提高计算效率在现代多间包含更丰富的信息，可以有效分离接法特别适合求解多个特征值，或处理特核和分布式计算环境中，这一特性尤为近的特征值，提高收敛稳定性和速度征值聚簇问题重要谱变换技术变换基本原理1改变特征值分布加速收敛变换类型选择2根据目标特征值位置确定变换计算实现策略3避免显式求逆提高效率谱变换技术通过变换原始矩阵为某个函数，改变特征值分布，使目标特征值更容易计算最常用的变换包括移位变换和反变A fAA-σI换⁻，其中是接近目标特征值的移位参数变换后，原矩阵的特征向量保持不变，而特征值按相应规则转换A-σI¹σ谱变换特别适用于求解矩阵内部的特征值，或处理特征值聚簇问题例如，通过反变换，接近的特征值将变为幅值很大的特征值，从而容σ易通过子空间迭代法捕获在实际计算中，避免显式计算矩阵逆，而是通过求解线性方程组隐式实现变换，提高效率和稳定性反迭代法精确特征向量高精度特征向量计算1线性系统求解2反复解方程改进近似移位选择3接近目标特征值的参数谱变换应用4利用矩阵逆的特性反迭代法是一种求解特征向量的强大技术，特别适用于已知特征值近似值的情况其核心思想是利用移位反变换⁻的放大效应，使接近的特征值对应A-σI¹σ的特征向量在迭代中迅速凸显算法流程为选择接近目标特征值λ的移位参数σ，从初始向量x⁽⁰⁾出发，每步迭代求解线性方程组A-σIx⁽ᵏ⁺¹⁾=x⁽ᵏ⁾，并归一化结果通常只需少量迭代即可获得高精度特征向量反迭代法的收敛速度与|λ-σ|/|λᵢ-σ|相关，其中λᵢ是其他特征值当σ非常接近λ时，收敛极快。