第二十一集 特征值和特征向量
围绕特征值和特征向量的议题下讨论得都是方阵。
将矩阵A 与向量x 相乘当做是对向量的一种操作或者函数,输入x 而输出Ax。
特征向量即在特定的向量x 方向上输出的Ax 平行于x,即为:
Ax=λx
其中x为矩阵A 的特征向量,而 λ 为A 的特征值。
例1:矩阵P是朝向某平面的投影矩阵。P将向量b 投影到它距离平面最近的一点p=Pb。
b和Pb不是一个方向的,所以b不是特征向量。
对于这个平面之内的x,均有P x=x,因此x 是特征向量而1 为特征值。垂直于该平面的向量x 经投影得到P x=0,这个x 也是矩阵的特征向量而0 为特征值。矩阵P 的所有特征向量(平面上的特征向量与垂直于该平面的特征向量)张成了整个空间。
例2:交换矩阵,是用来交换向量 (x1x2) 变为 (x2x1) 的,即 (x1x2)A = (x2x1) , x1x2 为列向量, A 为列向量线性组合的系数。交换后的
任意n*n 矩阵A 具有n 个特征值,并且它们的和等于矩阵对角线上的元素之和,这个数值为矩阵的迹。
做如下数学处理:
线性代数学习笔记6
最新推荐文章于 2023-11-02 19:42:35 发布
本文主要探讨线性代数中的特征值和特征向量概念,通过实例解释特征向量如何在特定方向上保持平行,并介绍如何找到特征值。文章还讨论了矩阵的迹与特征值的关系,以及对称矩阵的特征向量正交性质。此外,文章提到了矩阵对角化、矩阵幂以及在图像压缩和傅里叶级数中的应用。
摘要由CSDN通过智能技术生成