我的直觉说不。假设假设您的原始矩阵的特征值之一$C$是$\lambda_k = 1.0$，而使用您的方法添加人工特征值$\lambda_{n+1} = 10^{17}$. 使用你的方法，你会找到一个特征值$10^{17}+1.0$对于矩阵$C'$在浮点算术中，它被四舍五入到$10^{17}$. 然后你会减去$10^{17}$对于您找到的所有特征值$C'$得到那个$\lambda_1 = 0$, 相差甚远。

这是一个极端的情况，但即使对于与$\lambda_{p+1}$，你的数值精度会很差。在浮点运算中，计算$(a+b)-b$什么时候$b$远大于$a$会损失很多位数的准确性，给你一个不稳定的算法。

然而，这只是我的第一个猜测，我没有正式的证据给你。该算法可能存在数值稳定的变体（例如 Gram-Schmidt 与 Householder 正交化），或者我完全错了。

将（解耦的）额外维度添加到向量空间可能无法帮助区分原始中的聚类特征值$n$方面。您所做的任何子空间迭代都将保持第一个分区$n$维度和最后一个（额外的）一维子空间。虽然理论告诉您可以在较大（原始）子空间和较小子空间的基础之间快速获得“分离”，但您从完美分离开始，因此没有任何收获。

移动频谱可以（并且经常这样做）有助于分离聚集的特征值，但它必须比仅仅将任意大的实数添加到所有特征值更巧妙地完成。这里的效果是将这些特征值更紧密地聚集在一起。