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=SΛS−1
S
由特征向量组成,要求这些特征向量线性无关,这样
现在我们知道
AS=SΛ
⇒S−1AS=Λ
⇒A=SΛS−1
这就是特征分解Eigen decomposition
矩阵的幂
Ax=λx
⇒A2x=λAx=λ2x
从特征分解角度看
A2=SΛS−1SΛS−1=SΛ2S−1
⇒Ak=SΛkS−1
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
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
那么
斐波拉契数列 Fibonacci number
对于斐波拉契数列:
a0=0,a1=1,an=an−1+an−2
an=an−1+an−2
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:
不用想啦,直接特征分解
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?
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