作者水平有限,欢迎大家提出文中错误
复数矩阵及其应用
复线性空间
重新提一下,线性空间的定义
设 V V V是一个非空集合,其元素 x , y , z x,y,z x,y,z被称为向量; K K K是一个数域,有元素 k , l , m k,l,m k,l,m, V V V被称为一个向量空间或线性空间,当:
- 在
V
V
V中定义加法运算,当
x
,
y
∈
V
x,y\in V
x,y∈V,有唯一的和
x
+
y
∈
V
x+y\in V
x+y∈V,且加法满足
a) 结合律 x + ( y + z ) = ( z + y ) + z x+(y+z)=(z+y)+z x+(y+z)=(z+y)+z
b) 交换律 x + y = y + x x+y=y+x x+y=y+x
c) 存在零元 0 0 0,使 x + 0 = x x+0=x x+0=x
d) 每个元素都存在负元素,即 ∀ x ∈ V , ∃ y ∈ V , x + y = 0 \forall x \in V,\exists y \in V,x+y=0 ∀x∈V,∃y∈V,x+y=0,称y为x的负元素,记作 − x -x −x - 在
V
V
V中定义数乘运算,当
x
∈
V
,
k
∈
K
x\in V,k\in K
x∈V,k∈K,有唯一的乘积
k
v
∈
V
kv\in V
kv∈V,且数乘运算满足:
e) 数因子分配律 k ( x + y ) = k x + k y k(x+y)=kx+ky k(x+y)=kx+ky
f) 分配律 ( k + l ) x = k x + l x (k+l)x=kx+lx (k+l)x=kx+lx
g) 结合律 k ( l x ) = ( k l ) x k(lx)=(kl)x k(lx)=(kl)x
h) 1 x = x 1x=x 1x=x
注意线性空间 V V V是基于数域 K K K的,一般的默认数域是实数域 R \mathbb R R,本部分将讨论数域为复数域 C \mathbb C C的线性空间的中的矩阵运算及性质。
从实数域到复数域
向量模长
实向量
v
v
v的模长是
∥
v
∥
=
v
T
v
\left\|v\right\|=v^Tv
∥v∥=vTv
对于复向量
z
z
z
z
T
z
=
∑
i
=
1
n
z
i
⋅
z
i
z^Tz=\sum\limits_{i=1}^n z_i\cdot z_i
zTz=i=1∑nzi⋅zi
关键问题在于
z
i
⋅
z
i
=
R
e
2
{
z
i
}
−
I
m
2
{
z
i
}
z_i\cdot z_i=Re^2\{z_i\}-Im^2\{z_i\}
zi⋅zi=Re2{zi}−Im2{zi}
而
z
i
⋅
z
i
ˉ
=
R
e
2
{
z
i
}
+
I
m
2
{
z
i
}
z_i\cdot \bar{z_i}=Re^2\{z_i\}+Im^2\{z_i\}
zi⋅ziˉ=Re2{zi}+Im2{zi}才是正确的求和项
所以对于复向量,其模长为
∥
z
∥
=
z
ˉ
T
z
\left\|z\right\|=\bar z^Tz
∥z∥=zˉTz
其中算子
⋅
ˉ
T
\bar \cdot^T
⋅ˉT又被记作
⋅
H
\cdot^H
⋅H,叫做
H
e
r
m
i
t
i
a
n
Hermitian
Hermitian算子
∥
z
∥
=
z
H
z
\left\|z\right\|=z^Hz
∥z∥=zHz
内积
相应的,复向量 x , y x,y x,y,内积为 x H y x^Hy xHy
H e r m i t i a n Hermitian Hermitian矩阵
对于实矩阵而言,要想使得特征值都是实数,且存在相互正交的特征向量,需要 A = A T A=A^T A=AT,即实对称矩阵
而对于复矩阵,同样的要求需要 A H = A A^H=A AH=A,为 H e r m i t i a n Hermitian Hermitian矩阵
可见 H e r m i t i a n Hermitian Hermitian矩阵的对角元都是实数
酉矩阵
实标准正交矩阵有性质
q
i
T
q
j
=
{
0
,
i
f
i
≠
j
1
,
i
f
i
=
j
q_i^Tq_j= \left\{ \begin{aligned} 0,\ if\ i\not=j\\ 1,\ if\ i=j \end{aligned} \right.
qiTqj={0, if i=j1, if i=j
Q
T
Q
=
I
Q^TQ=I
QTQ=I
在复空间,与标准正交阵相对应的矩阵称为酉矩阵
U
=
[
u
1
u
2
⋯
u
n
]
U=[u_1\ u_2\ \cdots \ u_n]
U=[u1 u2 ⋯ un]
U
f
o
r
u
n
i
t
a
r
y
U\ for\ unitary
U for unitary
u
i
H
u
j
=
{
0
,
i
f
i
≠
j
1
,
i
f
i
=
j
u_i^Hu_j= \left\{ \begin{aligned} 0,\ if\ i\not=j\\ 1,\ if\ i=j \end{aligned} \right.
uiHuj={0, if i=j1, if i=j
U
H
U
=
I
U^HU=I
UHU=I
F o u r i e r Fourier Fourier矩阵
F
o
u
r
i
e
r
Fourier
Fourier矩阵是十分出名的酉矩阵
F
n
=
[
1
1
1
⋯
1
1
w
n
w
n
2
⋯
w
n
n
−
1
⋮
⋮
⋮
⋱
⋮
1
w
n
n
−
1
w
n
2
(
n
−
1
)
⋯
w
n
(
n
−
1
)
(
n
−
1
)
]
F_n= \left[ \begin{matrix} 1&1&1&\cdots&1\\ 1&w_n&w^2_n &\cdots&w^{n-1}_n\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&w^{n-1}_n&w^{2(n-1)}_n&\cdots&w^{(n-1)(n-1)}_n\\ \end{matrix} \right]
Fn=⎣⎢⎢⎢⎡11⋮11wn⋮wnn−11wn2⋮wn2(n−1)⋯⋯⋱⋯1wnn−1⋮wn(n−1)(n−1)⎦⎥⎥⎥⎤
注意到
F
n
F_n
Fn是对称的,但不是对称矩阵,因为
F
n
F_n
Fn是复矩阵,另外也不是
H
e
r
m
i
t
i
a
n
Hermitian
Hermitian矩阵。
F
o
u
r
i
e
r
Fourier
Fourier矩阵的各列是相互正交的,是一个酉矩阵。
通项
(
F
n
)
i
j
=
w
n
i
j
,
i
,
j
=
0
,
1
⋯
(
n
−
1
)
(F_n)_{ij}=w^{ij}_n,\ \ i,j=0,1\cdots(n-1)
(Fn)ij=wnij, i,j=0,1⋯(n−1)
其中
w
n
=
e
i
2
π
n
w_n=e^{i\frac{2\pi}{n}}
wn=ein2π,可见
w
m
∗
n
m
=
w
n
w^m_{m*n}=w_n
wm∗nm=wn,
w
n
w_n
wn在复平面单位圆,辐角为
2
π
n
\frac{2\pi}{n}
n2π
F
4
=
[
1
1
1
1
1
i
i
2
i
3
1
i
2
i
4
i
6
1
i
3
i
6
i
9
]
=
[
1
1
1
1
1
i
−
1
−
i
1
−
1
1
−
1
1
−
i
−
1
i
]
F_4= \left[ \begin{matrix} 1&1&1&1\\ 1&i&i^2 &i^3\\ 1&i^2&i^4&i^6\\ 1&i^3&i^6&i^9\\ \end{matrix} \right]= \left[ \begin{matrix} 1&1&1&1\\ 1&i&-1 &-i\\ 1&-1&1&-1\\ 1&-i&-1&i\\ \end{matrix} \right]
F4=⎣⎢⎢⎡11111ii2i31i2i4i61i3i6i9⎦⎥⎥⎤=⎣⎢⎢⎡11111i−1−i1−11−11−i−1i⎦⎥⎥⎤
F
4
F_4
F4可以完成对一个四维复列向量的离散傅里叶变换
F o u r i e r Fourier Fourier逆矩阵
F
n
−
1
F_n^{-1}
Fn−1同样是十分有用的复矩阵,由于其列向量(或行向量)并不标准(并非单位向量),但是各列向量模长都是
n
\sqrt n
n,
F
n
H
F
n
=
n
I
F_n^HF_n=nI
FnHFn=nI。
F
n
−
1
=
1
n
F
n
H
=
1
n
F
ˉ
n
F_n^{-1}= \frac{1}{n}F^H_n=\frac{1}{n}\bar F_n
Fn−1=n1FnH=n1Fˉn
F
n
−
1
=
1
n
[
1
1
1
⋯
1
1
w
ˉ
n
w
ˉ
n
2
⋯
w
ˉ
n
n
−
1
⋮
⋮
⋮
⋱
⋮
1
w
ˉ
n
n
−
1
w
ˉ
n
2
(
n
−
1
)
⋯
w
ˉ
n
(
n
−
1
)
(
n
−
1
)
]
F_n^{-1}=\frac{1}{n} \left[ \begin{matrix} 1&1&1&\cdots&1\\ 1&\bar w_n&\bar w^2_n &\cdots&\bar w^{n-1}_n\\ \vdots&\vdots&\vdots&\ddots&\vdots\\ 1&\bar w^{n-1}_n&\bar w^{2(n-1)}_n&\cdots&\bar w^{(n-1)(n-1)}_n\\ \end{matrix} \right]
Fn−1=n1⎣⎢⎢⎢⎡11⋮11wˉn⋮wˉnn−11wˉn2⋮wˉn2(n−1)⋯⋯⋱⋯1wˉnn−1⋮wˉn(n−1)(n−1)⎦⎥⎥⎥⎤
上面
F
4
F_4
F4的逆矩阵为
F
4
−
1
=
1
4
[
1
1
1
1
1
−
i
−
1
i
1
−
1
1
−
1
1
i
−
1
−
i
]
F_4^{-1}= \frac{1}{4} \left[ \begin{matrix} 1&1&1&1\\ 1&-i&-1 &i\\ 1&-1&1&-1\\ 1&i&-1&-i\\ \end{matrix} \right]
F4−1=41⎣⎢⎢⎡11111−i−1i1−11−11i−1−i⎦⎥⎥⎤
F F T FFT FFT
F o u r i e r Fourier Fourier矩阵可以使得时域序列变换到频域,十分有用的矩阵,如果直接使用 F n F_{n} Fn左乘时域序列,其时间复杂度是 O ( n 2 ) O(n^2) O(n2),实际上 F o u r i e r Fourier Fourier矩阵可以被分解为一系列稀疏矩阵,分解后对序列的变换算法的时间复杂度大大降低到 O ( n ⋅ l o g n ) O(n\cdot logn) O(n⋅logn),被称为快速傅里叶变换 ( F a s t f o u r i e r t r a n s f o r m a t i o n ) (Fast\ fourier\ transformation) (Fast fourier transformation),在[笔记][总结] MIT线性代数 Gilbert Strang 矩阵的应用中有介绍