本文详细介绍了矩阵分解的几种方法，包括上下三角分解、正交三角分解、满秩分解和奇异值分解。讲解了矩阵分解在求解线性方程组、计算特征值、数据压缩等方面的应用。此外，还探讨了矩阵的广义逆及其求解方法。
MathBase 工程数学基础（第十五讲-第十九讲）
MathBase 工程数学基础（第十五讲-第十九讲）
- Author：Dargon
- Note date：2020/10/19-2020/10/21
- 学习视频来源：
国防科技大学 MOOC
第十五讲，矩阵分解
回顾
方阵的两个重要分解
- 相似对角化 A = P d i a g [ λ 1 , λ 2 , ⋯ , λ n ] P − 1 A =Pdiag[\lambda_1, \lambda_2, \cdots, \lambda_n]P^{-1} A=Pdiag[λ1,λ2,⋯,λn]P−1
- jordan标准型 A = P d i a g [ J 1 ( λ 1 ) , J 2 ( λ 2 ) , ⋯ , J n ( λ n ) A =Pdiag[J_1(\lambda_1), J_2(\lambda_2), \cdots, J_n(\lambda_n) A=Pdiag[J1(λ1),J2(λ2),⋯,Jn(λn)
上下三角阵的性质
- 上下三角阵的和、差、乘积、逆让是上下三角阵
- 单位上下三角阵的乘积、逆 仍是单位上下三角阵
- Ax =b是，若A为上下三角矩阵时候，会更加容易求解
-
三角分解
-
定义： 若方阵A 可分解为 A =LR
注：L（left）为单位下三角阵，R（right）为上三角阵
称为三角分解 或者 Doolittle分解 -
方便求解：
若方阵A有三角分解 A =LR
令 RX =y
则Ax =b可分解为两个非齐次的线性方程组：- Ly =b (前推方程组)
- Rx =y (后退方程组)
L 是一个单位下三角矩阵
[ 1 L 21 1 ⋮ ⋱ ⋱ L n 1 ⋯ L n ( − 1 ) 1 ] [ y 1 y 2 ⋮ y n ] = [ b 1 b 2 ⋮ b n ] (15.1) \left [ \begin{matrix} 1 \\ L_{21} & 1 \\ \vdots & \ddots & \ddots \\ L_{n1} & \cdots & L_{n(-1)} & 1 \end{matrix} \right ] \left [ \begin{matrix} y_1 \\ y_2 \\ \vdots\\ y_n \end{matrix} \right ] = \left [ \begin{matrix} b_1 \\ b_2 \\ \vdots\\ b_n \end{matrix} \right ] \tag{15.1} ⎣⎢⎢⎢⎡1L21⋮Ln11⋱⋯⋱Ln(−1)1⎦⎥⎥⎥⎤⎣⎢⎢⎢⎡y1y2⋮yn⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡b1b2⋮bn⎦⎥⎥⎥⎤(15.1)
可以很快速的求出 y 1 = b 1 , y 2 = b 2 − L 2 , y 1 → ⋯ y n y_1 =b_1, y_2 =b_2 -L_2 ,y_1 \to \cdots y_n y1=b1,y2=b2−L2,y1→⋯yn
-
对于后退方程组的求解：
[ R 11 R 12 ⋯ R 1 n R 22 ⋯ R 2 n ⋱ ⋮ R n n ] [ x 1 x 2 ⋮ x n ] = [ y 1 y 2 ⋮ y n ] (15.2) \left [ \begin{matrix} R_{11} & R_{12} & \cdots & R_{1n} \\ & R_{22} & \cdots & R_{2n} \\ & & \ddots & \vdots \\ & & &R_{nn} \end{matrix} \right ] \left [ \begin{matrix} x_1 \\ x_2 \\ \vdots\\ x_n \end{matrix} \right ] = \left [ \begin{matrix} y_1 \\ y_2 \\ \vdots\\ y_n \end{matrix} \right ] \tag{15.2} ⎣⎢⎢⎢⎡R11R12R22⋯⋯⋱R1nR2n⋮Rnn⎦⎥⎥⎥⎤⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤=⎣⎢⎢⎢⎡y1y2
-
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
