关于smallest eigenvector的理解

         最近在看Normalized Cut算法相关的论文时，遇到一个概念：smallest eigenvector(最小特征向量)。百度google均没有看到直接的定义，在看了很多间接对其的说明之后，个人认为如下，不正之处，还望指正。

         首先我们知道，对于一个矩阵A，如果有非零向量x，使得Ax = ax，那么a则为矩阵A的一个特征值，而x为其对应的特征向量。学过线性代数的都知道，特征值跟特征向量之间不是一一对应的。一方面，矩阵可能存在重根(这个时候一个特征值可能对应多个特征向量)；另一方面，我们可以在等式左右两边乘以任意非零实数，等式仍然成立，因而去衡量特征向量的大小是无意义的。当然通常情况下，我们说一个特征值对应的特征向量是不考虑前面的系数的。设矩阵A是n×n维的，则特征值个数为n(重根重复计算)，而且特征值的模是可以比较大小的，我们可以将其进行排序，如a1<=a2<=……<=an，那么a1对应的特征向量即为最小特征向量。类似地，a2对应的特征向量为第二小特征向量。