【线性代数公开课MIT Linear Algebra】 第二十二课 特征分解与矩阵的幂

本系列笔记为方便日后自己查阅而写,更多的是个人见解,也算一种学习的复习与总结,望善始善终吧~

特征分解 A=SΛS1

S由特征向量组成,要求这些特征向量线性无关,这样S才可逆,首先:
这里写图片描述
现在我们知道
AS=SΛ
S1AS=Λ
A=SΛS1
这就是特征分解Eigen decomposition

矩阵的幂

Ax=λxA2x=λAx=λ2x
从特征分解角度看
A2=SΛS1SΛS1=SΛ2S1
Ak=SΛkS1
这就是特征分解Eigen decomposition的一大用处

可对角化diagonalizable

当矩阵A没有重复的特征值,矩阵A必有n个线性无关的特征向量,则称A可以对角化diagonalizable

如果存在重复的特征值,那么我们就需要做额外的检查,就是说上面的条件是充分非必要条件。
我们重点关注可对角化的情况,

一阶差分方程组

这里写图片描述
上面就是一阶差分方程的解,我们想要知道更精确的结果,把u0展开成特征向量的线性组合,则
这里写图片描述
那么
这里写图片描述

斐波拉契数列 Fibonacci number

对于斐波拉契数列:a0=0,a1=1,an=an1+an2
an=an1+an2这就像一个二阶微分方程,我们需要一些技巧把他化简为一阶微分方程:
这里写图片描述
不用想啦,直接特征分解
这里写图片描述
得到两个特征值,那么斐波拉契数列第100个数大约是多少?斐波拉契数列的增长率是怎么样的?
这里写图片描述
回顾之前的内容,λ1为1.618,λ2为-0.618,λ2随着幂的增加会越来越小,最终趋于0,即增长率主要受λ1控制,幂越大,就越接近。
对于微分方程,我们关注的是增长率,即最终到底是发散还是收敛,而这些性质都藏在特征值里面。

PS:另一位仁兄的笔记
http://blog.csdn.net/suqier1314520/article/details/14004579

阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/a352611/article/details/49913215
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

不良信息举报

【线性代数公开课MIT Linear Algebra】 第二十二课 特征分解与矩阵的幂

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭