প্রতিটি আসল ম্যাট্রিক্স र्थোগোনাল ট্রান্সফর্ম ব্যবহার করে রিয়েল শুর ফর্ম হ্রাস করা যায় । এখানে ম্যাট্রিক্স মূল ত্রিভুজের 1 বাই 1 বা 2 বাই 2 ব্লক সহ কোয়াস্ট্রি-ত্রিভুজাকার ফর্ম। প্রতিটি 1 1 একটি বাস্তব eigenvalue ব্লক অনুরূপ এবং এর অনুবন্ধী জটিল eigenvalues একজোড়া প্রতিটি 2 2 দ্বারা ব্লক অনুরূপ ।
Eigenvalue রেকর্ডকারী সমস্যা একটি লম্ব আদল রূপান্তর খোঁজার নিয়ে গঠিত যেমন যে এর eigenvalues এর ব্যবহারকারীর নির্বাচন উপরের বাম প্রান্তে তির্যক বরাবর মনে হচ্ছে, ।
ল্যাপকে প্রাসঙ্গিক রুটিন ডাবল নির্ভুলকরণ রুটিনকে ডিটিআরএসইএন বলে। ড্যানিয়েল ক্রেসনার বিডিটিআরএসএন নামে একটি ব্লক করা সংস্করণ লিখেছেন। স্কেল্যাপ্যাক রুটিন PDTRSEN।
আমি অ্যাপ্লিকেশন এবং অ্যালগরিদমগুলি খুঁজছি যেখানে ইগেনুয়ালু পুনর্নির্মাণ সমস্যা সমাধানে অগ্রগতিগুলির আসল সুবিধা হবে।
আমরা সহজেই দ্বিগুণ ত্রিভুজাকার আকারে পরীক্ষার ম্যাট্রিকগুলি তৈরি করতে পারি তবে ব্যবহারকারীর ইগেনভ্যালুগুলির নির্বাচনের বাস্তবসম্মত বিতরণের আকারটি নির্ধারণ করতে আমাদের সমস্যা হচ্ছে।
আমার দৃষ্টিকোণ থেকে, রিটজ এক্সিলারেশন সহ সাবস্পেস পুনরাবৃত্তিটি পুনরায় অর্ডারিং অ্যালগরিদমের উন্নতি পরীক্ষা করার জন্য একটি আদর্শ অ্যালগরিদম। এটির জন্য (স্পার্স) ম্যাট্রিক্স ভেক্টর গুণ, একটি লম্বা কিউআর অ্যালগরিদম এবং পুনর্বিন্যাসিত অ্যালগরিদম প্রয়োজন।
যাইহোক, আমার পক্ষে বাস্তব জীবনের সমস্যাগুলি খুঁজে পাওয়া শক্ত যেখানে এটি স্পষ্ট যে ইগেনপেইসের একটি নির্দিষ্ট সেট শারীরিকভাবে আকর্ষণীয়।
আমরা একটি ভাগ করা মেমরি মেশিন ব্যবহার করে 40,000 মাত্রার ঘন ম্যাট্রিক্সের জন্য ইগেনভ্যালু পুনর্নির্মাণ করতে পারি। যখন ব্যবহারকারী সমস্ত ইগন্যাল্যুজের প্রায় 50% নির্বাচন করেন তখন সেরা পারফরম্যান্স অর্জন করা হয়।