线性代数——相似矩阵和矩阵对角化

人工智能中的数学基础 专栏收录该内容
9 篇文章 0 订阅

相似矩阵

  • 设A,B都是n阶矩阵,若有可逆矩阵P,使
    P − 1 A P = B , P^{-1}AP=B, P1AP=B,则称B是A的相似矩阵,或说矩阵A与B相似,对A进行运算 P − 1 A P P^{-1}AP P1AP称为对A进行相似变换,可逆矩阵P称为把A变成B的相似变换矩阵。
  • 定理:若n阶矩阵A与B相似,则A与B的特征多项式相同,从而A与B的特征值亦相同。
    证明:|B-λE| = |P-1AP-P-1(λE)P| = |P-1(A-λE)P| = |P-1| |(A-λE)| |P| = |(A-λE)|
  • 推论:若n阶矩阵A与对角阵 Λ = [ λ 1 λ 2 ⋱ λ n ] \Lambda=\begin{bmatrix} \lambda _1 & & & \\ & \lambda _2 & & \\ & & \ddots & \\ & & & \lambda _n \end{bmatrix} Λ=λ1λ2λn相似,则λ1,λ2,…,λn即是A的n个特征值。
    证明:因为λ1,λ2,…,λn是Λ的n个特征值,由上述定理知λ1,λ2,…,λn也是A的n个特征值。
  • 设A为n阶矩阵,则必有可逆阵P,使P-1AP = B,其中B是上三角矩阵。

矩阵的对角化

  • 对n阶矩阵A,寻求相似变换矩阵P,使P-1AP = Λ为对角阵,这就称为把矩阵A对角化。
  • 假设已经找到可逆矩阵P,使P-1AP = Λ为对角阵,P应满足以下关系:
    把P用其列向量表示为P=(p1,p2,…,pn,),由P-1AP = Λ,得AP = PΛ,即 A ( p 1 , p 2 , ⋯   , p n ) = ( p 1 , p 2 , ⋯   , p n ) [ λ 1 λ 2 ⋱ λ n ] = ( λ 1 p 1 , λ 2 p 2 , ⋯   , λ n p n ) , A(p_1,p_2,\cdots,p_n)=(p_1,p_2,\cdots,p_n)\begin{bmatrix} \lambda _1 & & & \\ & \lambda _2 & & \\ & & \ddots & \\ & & & \lambda _n \end{bmatrix}=(\lambda _1p_1,\lambda _2p_2,\cdots,\lambda _np_n), A(p1,p2,,pn)=(p1,p2,,pn)λ1λ2λn=(λ1p1,λ2p2,,λnpn),于是有 A p i = λ i p i Ap_i=\lambda _ip_i Api=λipi可见λi是A的特征值,而P的列向量pi就是A的对应于特征值λi的特征向量。
  • 定理1:n阶矩阵A与对角阵相似(即A能对角化)的充分必要条件是A有n个线性无关的特征向量。
  • 推论:如果n阶矩阵A的n个特征值互不相等,则A与对角阵相似。
  • 求矩阵A的100次幂:求出A的特征值;求出正交矩阵P;由P-1AP = Λ得A = PΛP-1,故A100 = PΛ100P-1

对称矩阵的对角化

  • 定理1:对称阵的特征值为实数
  • 定理2:设λ1,λ2是对称阵A的两个特征值,p1,p2是对应的特征向量,若λ1≠λ2,则p1,p2正交。
    证明:λ1p1=Ap1,λ2p2=Ap2,λ1≠λ2。因A对称,故 λ 1 p 1 T = ( λ 1 p 1 ) T = ( A p 1 ) T = p 1 T A T = P 1 T A \lambda _1p_1^T=(\lambda _1p_1)^T=(Ap_1)^T=p_1^TA^T=P_1^TA λ1p1T=(λ1p1)T=(Ap1)T=p1TAT=P1TA,于是 λ 1 p 1 T p 2 = P 1 T A P 2 = p 1 T ( λ 2 p 2 ) = λ 2 p 1 T p 2 \lambda _1p_1^Tp_2=P_1^TAP_2=p_1^T(\lambda _2p_2)=\lambda _2p_1^Tp_2 λ1p1Tp2=P1TAP2=p1T(λ2p2)=λ2p1Tp2,但λ1≠λ2,故 p 1 T p 2 = 0 p_1^Tp_2=0 p1Tp2=0,即p1与p2正交。
  • 定理3:设A为n阶对称阵,则必有正交阵P,使P-1AP = PTAP = Λ,其中Λ是以A的n个特征值为对角元的对角阵。
    证明:因为任意矩阵都与上三角矩阵相似,设A = P-1BP,B为上三角矩阵,AT = PTBT(P-1)T,因为A为对称阵,即AT=A,所以PTBT(P-1)T = P-1BP,因为P为正交阵,即P-1 = PT,所以BT = B,即B为对称阵,因为B是上三角矩阵,所以B是对角阵。
  • 推论:设A为n阶对称阵,λ是A的特征方程的k重根,则矩阵A-λE的秩R(A-λE) = n-k,从而对应特征值λ恰有k个线性无关的特征向量。
    证明:对称阵A与对角阵Λ=diag(λ1,λ2,…,λn)相似,从而A-λE与Λ-λE=diag(λ1-λ,λ2-λ,…,λn-λ)相似。当λ是A的k重特征根时,λ1,λ2,…,λn这n个特征值中有k个等于λ,从而对角阵Λ-λE的对角元恰有k个等于0,于是R(Λ-λE) = R(A-λE) = n-k。

对称阵A对角化的步骤

  1. 求出A的全部互不相等的特征值λ1,λ2,…,λs,它们的重数依次为k1,k2,…,ks(k1+k2+…+ks=n)。
  2. 对每个ki重特征值λi,求方程(A-λiE)x=0的基础解系,得ki个线性无关的特征向量。再把它们正交化、单位化,得ki个两两正交的单位特征向量。因k1+k2+…+ks=n,故总共可得n个两两正交的单位特征向量。
  3. 把这n个两两正交的单位特征向量构成正交阵P,便有P-1AP = PTAP = Λ。注意Λ中对角元的排列次序应与P中列向量的排列次序相对应。

【例】设 A = [ 0 − 1 1 − 1 0 1 1 1 0 ] A=\begin{bmatrix} 0 & -1 & 1\\ -1 & 0 & 1\\ 1 & 1 & 0 \end{bmatrix} A=011101110,求一个正交阵P,使P-1AP = Λ为对角阵。
解:

  • ∣ A − λ E ∣ = ∣ − λ − 1 1 − 1 − λ 1 1 1 − λ ∣ = r 1 − r 2 ∣ 1 − λ λ − 1 0 − 1 − λ 1 1 1 − λ ∣ = c 2 + c 1 ∣ 1 − λ 0 0 − 1 − 1 − λ 1 1 2 − λ ∣ = ( 1 − λ ) ( λ 2 + λ − 2 ) = − ( λ − 1 ) 2 ( λ + 2 ) , \left | A-\lambda E \right |=\begin{vmatrix} -\lambda & -1 & 1\\ -1 & -\lambda & 1\\ 1 & 1 & -\lambda \end{vmatrix}\xlongequal{r_1-r_2}\begin{vmatrix} 1-\lambda & \lambda -1 & 0\\ -1 & -\lambda & 1\\ 1 & 1 & -\lambda \end{vmatrix}\xlongequal{c_2+c_1}\begin{vmatrix} 1-\lambda & 0 & 0\\ -1 & -1-\lambda & 1\\ 1 & 2 & -\lambda \end{vmatrix} \\=(1-\lambda)(\lambda ^2+\lambda-2)=-(\lambda -1)^2(\lambda +2), AλE=λ111λ111λr1r2 1λ11λ1λ101λc2+c1 1λ1101λ201λ=(1λ)(λ2+λ2)=(λ1)2(λ+2),求得A的特征值为λ1 = -2,λ2 = λ3 = 1.
  • 对应λ1 = -2,解方程(A + 2E)x = 0,由 A + 2 E = [ 2 − 1 1 − 1 2 1 1 1 2 ] ∼ r [ 1 0 1 0 1 1 0 0 0 ] , A+2E=\begin{bmatrix} 2 & -1 & 1\\ -1 & 2 & 1\\ 1 & 1 & 2 \end{bmatrix}\overset{r}\sim \begin{bmatrix} 1 & 0 & 1\\ 0 & 1 & 1\\ 0 & 0 & 0 \end{bmatrix}, A+2E=211121112r100010110,令x3=1,得基础解系 ξ 1 = [ − 1 − 1 1 ] \xi _1=\begin{bmatrix} -1\\ -1\\ 1 \end{bmatrix} ξ1=111,将ξ1单位化,得 p 1 = 1 3 [ − 1 − 1 1 ] p_1=\frac{1}{\sqrt{3}}\begin{bmatrix} -1\\ -1\\ 1 \end{bmatrix} p1=3 1111
  • 对应λ2 = λ3 = 1,解方程(A - E)x = 0,由 A − E = [ − 1 − 1 1 − 1 − 1 1 1 1 − 1 ] ∼ r [ 1 1 − 1 0 0 0 0 0 0 ] , A-E=\begin{bmatrix} -1 & -1 & 1\\ -1 & -1 & 1\\ 1 & 1 & -1 \end{bmatrix}\overset{r}\sim \begin{bmatrix} 1 & 1 & -1\\ 0 & 0 & 0\\ 0 & 0 & 0 \end{bmatrix}, AE=111111111r100100100,令x2=1,x3=0得基础解系 ξ 2 = [ − 1 1 0 ] \xi _2=\begin{bmatrix} -1\\ 1\\ 0 \end{bmatrix} ξ2=110
    令x2=0,x3=1得基础解系 ξ 3 = [ 1 0 1 ] \xi _3=\begin{bmatrix} 1\\ 0\\ 1 \end{bmatrix} ξ3=101
  • 将ξ2,ξ3正交化:
    η 2 = ξ 2 \eta _2=\xi _2 η2=ξ2
    η 3 = ξ 3 − [ η 2 , ξ 3 ] ∥ η 2 ∥ 2 η 2 = [ 1 0 1 ] + 1 2 [ − 1 1 0 ] = 1 2 [ 1 1 2 ] \eta _3=\xi _3-\frac{\left [ \eta _2,\xi _3 \right ]}{\left \| \eta _2 \right \|^2}\eta _2=\begin{bmatrix} 1\\ 0\\ 1 \end{bmatrix}+\frac{1}{2}\begin{bmatrix} -1\\ 1\\ 0 \end{bmatrix}=\frac{1}{2}\begin{bmatrix} 1\\ 1\\ 2 \end{bmatrix} η3=ξ3η22[η2,ξ3]η2=101+21110=21112
  • 将η2,η3单位化,得 p 2 = 1 2 [ − 1 1 0 ] , p 3 = 1 6 [ 1 1 2 ] p_2=\frac{1}{\sqrt{2}}\begin{bmatrix} -1\\ 1\\ 0 \end{bmatrix},p_3=\frac{1}{\sqrt{6}}\begin{bmatrix} 1\\ 1\\ 2 \end{bmatrix} p2=2 1110,p3=6 1112
  • 将p1,p2,p3构成正交矩阵 P = ( p 1 , p 2 , p 3 ) = [ − 1 3 − 1 2 1 6 − 1 3 1 2 1 6 1 3 0 2 6 ] P=(p_1,p_2,p_3)=\begin{bmatrix} -\frac{1}{\sqrt{3}} & -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}}\\ -\frac{1}{\sqrt{3}} & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}}\\ \frac{1}{\sqrt{3}} & 0 & \frac{2}{\sqrt{6}} \end{bmatrix} P=(p1,p2,p3)=3 13 13 12 12 106 16 16 2 P − 1 A P = P T A P = Λ = [ − 2 0 0 0 1 0 0 0 1 ] P^{-1}AP=P^{T}AP=\Lambda =\begin{bmatrix} -2 & 0 & 0\\ 0 & 1 & 0\\ 0 &0 & 1 \end{bmatrix} P1AP=PTAP=Λ=200010001
  • 3
    点赞
  • 0
    评论
  • 13
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

©️2021 CSDN 皮肤主题: 岁月 设计师:pinMode 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值