对矩阵可对角化的一点理解
下图是对3blue1brown基变换的一点从Linear system角度的理解,因为矩阵是一种线性变换,所以其也可以看作是一个线性系统。视频链接https://www.bilibili.com/video/BV1ys411472E?p=13
上图根据Gilbert Strang教授introduction to linear algebra教材封面所画。
首先任意一个Ax中的x都可以分解成相互正交的 x = x n + x r x = {x_n} + {x_r} x=xn+xr
- 当A有r(r为rank,为A的秩)个linear independent 的eigenvector时,说明A是可对角化的,这时我们能对A的行空间进行替换,使得x可以用这些特征向量线性表示,注意前面我们能将x用相互正交的 x r {x_r} xr和 x n {x_n} xn线性表示。
- 我们知道当没有r个时,说明A是degenerate(退化)的。这里不关心A的null space是因为当A有0特征值时,其零空间的basis(基)都是eigenvector,所以不必担心。
- 当A可对角化时,我们知道 A = P Λ P − 1 A = P\Lambda {P^{ - 1}} A=PΛP−1中矩阵P的各列由n个linear independent 的eigenvector组成,根据以上线性表示的变化可以知道P的各列组成了x的一组新的basis。这一点在二次型的标准化过程中体现得非常明显,即令x=Py。从第一幅图或者从x的basis的变化也说明了为什么 A x Ax Ax与 Λ x = P − 1 A P x \Lambda x = {P^{ - 1}}APx Λx=P−1APx为不同basis下的同一线性变换。