数学

矩阵变换

以Ax = b为例，x是m维向量，b是n维向量，m,n可以相等也可以不相等，表示矩阵可以将一个向量线性变换到另一个向量，这样一个线性变换的作用可以包含旋转、缩放和投影三种类型的效应。

迹

X∈P（n×n）,X=（xii）的主对角线上的所有元素之和称之为X的迹，记为tr(X)，即tr(X)=∑xii，矩阵的迹等于特征值之和．

奇异值和特征值

A^T*A的特征值的平方根就是矩阵A的奇异值

可以理解为奇异值是特征值的推广，对长方形或者正方形但不满秩的矩阵，我们总可以求其奇异值。对于一般方阵两者不一定有联系。对于对称方阵，对称阵的奇异值等于特征值的绝对值．
奇异值都是非负的，而特征值可能是负的

特征值分解和奇异值分解都是给一个矩阵(线性变换)找一组特殊的基，特征值分解找到了特征向量这组基，在这组基下该线性变换只有缩放效果。而奇异值分解则是找到另一组基，这组基下线性变换的旋转、缩放、投影三种功能独立地展示出来了。我感觉特征值分解其实是一种找特殊角度，让旋转效果不显露出来，所以并不是所有矩阵都能找到这样巧妙的角度。仅有缩放效果，表示、计算的时候都更方便，这样的基很多时候不再正交了，又限制了一些应用。

共轭转置矩阵

矩阵分为实数矩阵和复数矩阵，实数矩阵的转置仅仅是将矩阵的行和列对掉一下，而复数矩阵的转置除了将行和列对掉，还要将每个元素共轭一下，共轭就是将形如a+bi的数变成a-bi，实数的共轭就是它本身，所以实数矩阵的共轭转置就是这个实数矩阵的转置．

酉矩阵

若一n行n列的复数矩阵U满足

U^T U = UU^T = I_n

其中I_n,为n阶单位矩阵， U^T 为U的共轭转置，为酉矩阵(英文: Unitary Matrix, Unitary 是归一或单位的意思)。即，矩阵U为酉矩阵，当且仅当其共轭转置 U^T ,为其逆矩阵:

U^-1 = U ^T

若酉矩阵的元素都是实数，其即为正交矩阵。