矩阵分解(基础)

常用的矩阵分解:
作为笔记, 肯定不能把推导过程也全记下来, 只能尽可能把核心思想简化归纳

1. 满秩分解(最大秩分解)

小知识点提示:

• 初等行变换不改变矩阵列向量的线性相关性
• 初等列变换不改变矩阵行向量的线性相关性

$$满秩分解:A=B\cdot C$$

1.2 通过初等行变换构造行阶梯形: $\tilde{A}$

$$\{\begin{array}{l}B由A的r个线性无关列组成\\ C由\tilde{A}的r个线性无关行组成\end{array}$$

1.2 通过初等列变换构造行阶梯形: $\tilde{A}$

$$\{\begin{array}{l}B由\tilde{A}的r个线性无关列组成\\ C由A的r个线性无关行组成\end{array}$$

2. 奇异值分解(Singular Value Decomposition, SVD)

小知识点提示:

• 正规矩阵属于不同特征值的特征向量彼此正交
• $A{A}^H$和$A^{H}A$具有相同的非零特征值, 且所有特征值都大于等于0

$$\begin{gathered} 奇异值分解:A=U\left[\begin{array}{cc}\Delta & 0\\ 0& 0\end{array}\right]V^H \\ \Delta =\left[\begin{array}{cccc}{\sigma }_1& & & \\ & {\sigma }_2& & \\ & & \ddots & \\ & & & {\sigma }_k\end{array}\right],{\sigma }_i为A的奇异值\{\begin{array}{l}U=\left[\begin{array}{cccc}{\xi }_1& {\xi }_2& \cdots & {\xi }_m\end{array}\right],U由A{A}^H的m个特征值对应的单位特征向量组成(特征值的位置顺序要与奇异值位置顺序对应,0特征值最后)\\ V=\left[\begin{array}{cccc}{\xi }_1^{\prime }& {\xi }_2^{\prime }& \cdots & {\xi }_n^{\prime }\end{array}\right],V由A{A}^H的n个特征值对应的单位特征向量组成(特征值的位置顺序要与奇异值位置舜宇对应,0特征值最后)\end{array} \end{gathered}$$

3. 正规矩阵的谱分解

小知识点提示:

• 正规矩阵属于不同特征值的特征向量彼此正交

$$\begin{gathered} A=\left(\begin{array}{cccc}{\alpha }_1& {\alpha }_2& \cdots & {\alpha }_n\end{array}\right)\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]\left(\begin{array}{c}{\alpha }_1^H\\ {\alpha }_2^H\\ ⋮\\ {\alpha }_n^H\end{array}\right)={\lambda }_1{\alpha }_1{\alpha }_1^H+{\lambda }_2{\alpha }_2{\alpha }_2^H+\cdots +{\lambda }_n{\alpha }_n{\alpha }_n^H \\ ={\lambda }_1{P}_1+{\lambda }_2{P}_2+\cdots +{\lambda }_n{P}_n \end{gathered}$$

在这, 只需要简单的求出正规矩阵的n个特征值, 然后再分别求出对应的单位特征向量. 由n个相互正交的单位特征向量构成的矩阵必然是酉矩阵(正交矩阵).