Eigen Decomposition 特征分解
1. Significance 意义
- 如果想要描述一个变换,就描述这个变换主要的变化方向
- 提取这个矩阵最重要的特征
2. Eigenvalues and Eigenvectors 特征值和特征向量
A x = λ x Ax=λx Ax=λx
其中 A A A是一个 n × n n×n n×n的实对称矩阵, x x x是一个 n n n维向量,则我们说 λ λ λ是矩阵 A A A的一个特征值,而 x x x是矩阵 A A A的特征值 λ λ λ所对应的特征向量。
3. Matrix Eigendecomposition Expression 矩阵特征分解形式
如果这 n n n个特征向量线性无关,那么矩阵 A A A就可以用下式的特征分解表示:
A = W Σ W − 1 A=WΣW^{−1} A=WΣW−1
其中 W W W是这 n n n个特征向量所张成的 n × n n×n n×n维特征矩阵,而 Σ Σ Σ为这 n n n个特征值为主对角线的 n × n n×n n×n维特征值矩阵。
一般我们会把 W W W的这 n n n个特征向量正交化,让它们满足 ∥ w i ∥ 2 = 1 \|w_i\|^2=1 ∥wi∥2=1,即 w i T w i = 1 w^T_iw_i=1 wiTwi=1。此时 W W W的 n n n个特征向量为标准正交基,满足 W T W = I W^TW=I WTW=I,即 W T = W − 1 W^T=W^{−1} WT=W−1,就说W为正交矩阵。