4. 矩匹配与Krylov子空间方法

矩匹配是投影类模型降阶的核心思想。设原始电磁场系统经空间离散后得到状态空间模型：

E ẋ(t) = A x(t) + B u(t)
y(t)   = C x(t)

其中 E、A ∈ ℝ^N×N，B ∈ ℝ^N×m，C ∈ ℝ^p×N，N 通常由有限元或时域有限差分网格决定，可达 10⁵～10⁷。传递函数 H(s) = C(sE − A)⁻¹B 在 s₀ 处的 Taylor 展开系数称为矩：

H(s) = Σ<sub>k=0</sub><sup>∞</sup> m<sub>k</sub>(s<sub>0</sub>) (s − s<sub>0</sub>)<sup>k</sup>
m<sub>k</sub> = −C[(A − s<sub>0</sub>E)<sup>−1</sup>E]<sup>k</sup>(A − s<sub>0</sub>E)<sup>−1</sup>B

矩匹配的目标是构造一个低维投影子空间 V ∈ ℝ^N×q（q ≪ N），使降阶模型 H_q(s) = C_q(sE_q − A_q)⁻¹B_q 的前 q 阶矩与原系统一致，其中 E_q = V^TEV、A_q = V^TAV、B_q = V^TB、C_q = CV。Krylov 子空间方法正是自动生成这种 V 的高效手段。

Arnoldi 过程：从 Krylov 序列到正交基

给定矩阵对 (A, B) 和位移点 s₀，定义移位矩阵 M = (A − s₀E)⁻¹E，则 Krylov 子空间为：

K<sub>q</sub>(M, r<sub>0</sub>) = span{r<sub>0</sub>, M r<sub>0</sub>, M<sup>2</sup> r<sub>0</sub>, …, M<sup>q−1</sup> r<sub>0</sub>}
r<sub>0</sub> = (A − s<sub>0</sub>E)<sup>−1</sup>B

直接使用 Krylov 序列作为基向量会因数值相关性迅速恶化，Arnoldi 过程通过 Gram–Schmidt 正交化逐步构造标准正交基 V_q = [v₁, v₂, …, v_q]，同时得到上 Hessenberg 矩阵 H_q，满足：

M V<sub>q</sub> = V<sub>q</sub> H<sub>q</sub> + h<sub>q+1,q</sub> v<sub>q+1</sub> e<sub>q</sub><sup>T</sup>

在电磁场问题中，M 通常不显式构造，而是每步求解一次稀疏线性系统 (A − s₀E) w = E v_j。对于有限元装配得到的稀疏矩阵，可采用 LU 分解或迭代求解器。若 s₀ 为实数且 E 对称正定，一次 LU 分解可复用于所有 Arnoldi 步，这是电磁场降阶中常用的加速策略。

Lanczos 过程：对称情形的双正交简化

当系统满足 E = E^T、A = A^T（如无耗电磁谐振结构的广义对称系统），Arnoldi 过程退化为 Lanczos 过程。此时 H_q 变为三对角矩阵 T_q，递推关系简化为三项：

β<sub>j+1</sub> v<sub>j+1</sub> = M v<sub>j</sub> − α<sub>j</sub> v<sub>j</sub> − β<sub>j</sub> v<sub>j−1</sub>
α<sub>j</sub> = v<sub>j</sub><sup>T</sup> M v<sub>j</sub>,  β<sub>j+1</sub> = ‖M v<sub>j</sub> − α<sub>j</sub> v<sub>j</sub> − β<sub>j</sub> v<sub>j−1</sub>‖<sub>2</sub>

Lanczos 每步只需一次矩阵–向量乘和两次内积，存储量从 O(q²) 降至 O(q)，对大规模电磁场问题极具吸引力。但代价是：Lanczos 基向量不再严格正交，而是满足双正交关系 v_i^Tv_j = δ_ij 在精确算术下成立，浮点运算中会逐渐失去正交性，出现“幽灵特征值”和收敛停滞。

实现要点与数值稳定性

在电磁场降阶的实际实现中，Arnoldi 与 Lanczos 的稳定性问题主要体现在以下几个方面。

正交性退化。Lanczos 过程在有限精度下，基向量之间的正交性会随迭代步数增加而逐渐丧失。当 q 超过约 30～50 时，可能出现同一特征值被重复收敛的“幽灵”现象。工程上常采用选择性重正交化：当新向量与已有基向量的内积超过阈值（如 10⁻⁸）时，重新执行 Gram–Schmidt 步骤。完全重正交化虽然计算量增加约一倍，但对 q 较大的电磁场问题更为稳健。

位移点选择。单点矩匹配仅在展开点 s₀ 附近精度高。对于宽频带电磁响应，需采用多点矩匹配：在频带内选取若干位移点 s₁, s₂, …, s_k，分别构造 Krylov 子空间并合并。位移点通常按频带边缘和中心分布，也可根据自适应算法在迭代中动态调整。对于谐振结构，位移点应避开谐振峰，否则 (A − s₀E) 接近奇异，求解精度急剧下降。

块 Arnoldi 与多端口。当端口数 m > 1 时，标准 Arnoldi 只对单个起始向量有效。块 Arnoldi 以 B 的列向量同时作为起始块，构造块 Krylov 子空间，可同时匹配所有端口的矩。块大小为 m，每步需对 m 个向量正交化，计算量随 m 增长，但能保证多端口传递函数矩阵的整体精度。

自适应重启。当 q 增大到一定程度后，继续增加基向量对精度提升有限，反而积累舍入误差。隐式重启 Arnoldi（IRAM）通过 QR 迭代对 Hessenberg 矩阵进行滤波，保留对传递函数贡献大的特征分量，丢弃收敛慢的分量，从而在固定 q 下获得更高精度。电磁场降阶中，IRAM 常与位移求逆策略结合，形成“位移–求逆 Arnoldi”框架。

示例：微带滤波器降阶参数设置

以一个 5 阶微带带通滤波器为例，有限元离散后 N ≈ 12000，端口数 m = 2。目标频带 2.4～2.5 GHz。采用位移–求逆 Arnoldi，位移点选在 2.35 GHz、2.45 GHz、2.55 GHz 三个频点，每个位移点构造 q = 20 的 Krylov 子空间，合并后总投影维度约 60。降阶模型在频带内 S 参数最大误差约 0.3 dB，计算时间从原始模型的 180 s 降至 0.8 s。若改用 Lanczos 且不加重正交化，q = 40 时出现幽灵特征值，S₂₁ 在 2.48 GHz 附近出现虚假尖峰，加入选择性重正交化后消失。

综上，Arnoldi 与 Lanczos 是电磁场矩匹配降阶的两大支柱算法。Arnoldi 通用性强、正交性好，适合非对称和多端口系统；Lanczos 存储和计算效率高，适合对称系统但需警惕正交性退化。实际应用中，应根据系统对称性、端口数量、频带宽度和精度要求，合理选择算法、位移点、子空间维数和重正交化策略，才能在保证数值稳定性的同时获得高效的降阶模型。