这一讲我们来讲一下复矩阵。线性代数中,复矩阵是避免不了的话题,因为一个简单实矩阵都有可能有复数特征值。
复矩阵
我们着重看一下复矩阵和实矩阵在运算上的区别。
- 距离
首先,一个复数向量的的距离求法发生了变化
x ⊤ x → x H x \bm{x}^\top\bm{x}~~\rightarrow~~ \bm{x}^H\bm{x} x⊤x → xHx
其中, x H \bm{x}^H xH 指的是共轭转置。
相应的,内积也发生了变化
-
内积
x ⊤ y → x H y \bm{x}^\top\bm{y}~~\rightarrow ~~ \bm{x}^H\bm{y} x⊤y → xHy -
对称矩阵 symmetric matrix → \rightarrow → 厄米矩阵 Hermitian matrix
之前讲到对阵矩阵时说过,对称矩阵很好的性质在复数矩阵的情况下应该变为
A ⊤ = A → A H = A \bm{A}^\top=\bm{A}~~\rightarrow ~~ \bm{A}^H=\bm{A} A⊤=A → AH=A
- 正交矩阵 orthogonal matrix → \rightarrow → 酉矩阵 Unitary matrix
Q ⊤ Q = I → Q H = Q \bm{Q}^\top\bm{Q}=I~~\rightarrow ~~ \bm{Q}^H=\bm{Q} Q⊤Q=I → QH=Q
傅里叶矩阵
下面我们讲一下目前为止最重要的复数矩阵: 傅里叶矩阵 Fourier Matrix. 它实际上是傅里叶变换的矩阵形式。
定义
我们来看看什么是傅里叶矩阵
F n = [ 1 1 1 ⋯ 1 1 W 1 W 2