深度之眼（十）——矩阵特征值与特征向量

已于 2022-07-11 22:29:00 修改
阅读量499 收藏
点赞数
分类专栏： # 深度之眼 文章标签： 线性相关 正交 特征值 施密特正交化 矩阵可逆
于 2022-07-11 22:26:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52592798/article/details/125710934
版权

文章目录

一、向量的线性相关，线性无关以及和可逆矩阵的关系

1.1 线性相关与线性无关

在这里插入图片描述

k是不全为零的

1.2 线性相关与可逆的关系

二、向量的内积，范数，正交，规范正交基

2.1 内积

在这里插入图片描述

2.2 范数与正交

线性无关不一定正交，但是正交一定线性无关

在这里插入图片描述

2.3 规范正交基

在这里插入图片描述

三、施密特正交化

3.1 定义

在这里插入图片描述

3.2 例

先利用公式进行正交化，再归一化
在这里插入图片描述

3.3 正交矩阵

aTiai = 1
aTiaj = 0(i != j)
在这里插入图片描述

四、特征值和特征向量的定义以及直观的意义

所有特征值加起来等于矩阵的迹
所有特征值乘起来等于矩阵的行列式

4.1 定义

在这里插入图片描述

4.2 例（二阶）

在这里插入图片描述

五、特征值与特征向量的求法以及常用性质

5.1 例1（三阶）

在这里插入图片描述

5.2 例2（三阶）

在这里插入图片描述
例1和例2的区别
例1是有二阶重根，只有一个线性无关的解
例2也是有二阶重根，但是有两个线性无关的解
例1有亏损，例2无亏损
这和后面矩阵是否可对角化密切相关的

博主对于这里的有无亏损，还是不是很懂，补补线代
、在这里插入图片描述

还有这句话：重根应该就是向量在不同维度上的缩放率相同。
所以重根只是放缩率一样，可以有一个或多个x解
谢谢群里的小伙伴和那个微信好友啦~~

在这里插入图片描述

5.3 一些性质和推广

在这里插入图片描述

5.4 例

在这里插入图片描述

5.5 定理

在这里插入图片描述

周末不下雨
关注
专栏目录
AIGC实战——深度学习 (Deep Learning, DL)
盼小辉丶的博客
10-25 5万+
深度学习 (Deep Learning, DL) 是贯穿所有生成模型 (Generative Model) 的共同特征，几乎所有复杂的生成模型都以深度神经网络为核心，深度神经网络能够学习数据结构中的复杂关系，而不需要预先提取数据特征。在本节中，我们将介绍深度学习基本概念，并利用 Keras 构建深度神经网络。
深度解析：从概念到变革——Transformer大模型的前世今生以及大模型预备知识讲解[知存科技]
丨汀、的博客
05-27 2149
深度解析：从概念到变革——Transformer大模型的前世今生以及大模型预备知识讲解[知存科技]
矩阵的特征值和特征向量
sunfoot001的专栏
07-05 1425
定义 线性变换是指一个n维列向量被左乘一个n阶矩阵后得到另一个n维列向量，它是同维向量空间中的把一个向量线性映射成了另一个向量。 即 Y=AX(Y，X∈RnA=(aij)A=(aij)n×n)如果对于数λ，存在一个n维零列向量X(即X∈Rn且X≠0)，使得AX=λX 则称数λ为矩阵A的一个特征值，X为矩阵A对应于λ的特征向量。 数学意义 矩阵乘法对应了一个变换，是把任意一个向量变成
特征值和特征向量
热门推荐
蜗牛
05-22 13万+
介绍特征向量和特征值在计算机视觉和机器学习中有许多重要的应用。众所周知的例子是PCA（主成分分析）进行降维或人脸识别是特征脸。特征向量和特征值的一个有趣应用在我的另一篇有关误差椭圆的博文中提到。此外，特征值分解形成协方差矩阵几何解释的基础。在这篇文章中，我将简单的介绍这个数学概念，并且展示如何手动获取二维方形矩阵的特征值分解。特征向量是一个向量，当在它上面应用线性变换时其方向保持不变。考虑下面的图像
【数学】如何求解矩阵的特征值和特征向量
最新发布
q742971636的博客
06-14 2976
例如，在面部识别系统中，PCA可以用于从高维的图像数据中提取主要特征向量，这些特征向量代表了图像的主要变化方向，从而减少计算复杂度并提高识别效率。特征向量描述了线性变换中不改变方向的向量，而特征值描述了这些向量被拉伸或压缩的程度。通过主成分分析（PCA），我们可以将图像数据投影到少数几个主要方向上，这些方向对应于最大的特征值，从而实现降维和压缩。如果特征值的绝对值大于1，那么系统是不稳定的。在二维或三维空间中，特征向量指向的是矩阵变换的主要方向，而特征值则描述了矩阵在这些方向上拉伸或缩短的程度。
求解矩阵特征值及特征向量
weixin_33705053的博客
10-11 2189
矩阵特征值 定义1：设A是n阶矩阵，如果数和n维非零列向量使关系式成立，则称这样的数成为方阵A的特征值，非零向量成为A对应于特征值的特征向量。 说明：1、特征向量，特征值问题是对方阵而言的。 　　　2、n阶方阵A的特征值，就是使齐次线性方程组有非零解的值，即满足方程的都是矩阵A的特征值。 　　　3、 定义2：A为n阶矩阵，称为A的特征矩阵，其行列式为的n次多项式，称为A的特征多项式...
特征值与特征向量_特殊矩阵的特征值和特征向量
weixin_39603492的博客
12-05 845
特征值与特征向量(2)前 言(1)今天我们来讨论一类特殊矩阵的特征值和特征向量。“秩1”矩阵的性质希望同学们还没有完全遗忘, 正好通过今天的内容带着大家复习下。(2)(i)虽然今天的矩阵不是抽象矩阵, 但是想通过定义法求特征值较为麻烦。这里我们需要做一个转换: Ax=0有非零解说明0是A的特征值。另一个特征值的求解也是抽象矩阵特征值求解的一种基本方法: 定义法。这里涉及到“秩1”矩阵n次...
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
Morganfs的博客
04-12 10万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
机器学习学习笔记之——无监督学习之降维、特征提取与流形学习
前尘忆梦的博客
12-08 1657
降维、特征提取与流形学习 前面讨论过，利用无监督学习进行数据变换可能有很多种目的。最常见的目的就是可视化、压缩数据，以及寻找信息量更大的数据表示以用于进一步的处理。 为了实现这些目的，最简单也最常用的一种算法就是主成分分析。我们也将学习另外两种算法：非负矩阵分解（NMF）和 t-SNE，前者通常用于特征提取，后者通常用于二维散点图的可视化。 1、主成分分析（PCA） 主成分分析（principal component analysis，PCA）是一种旋转数据集的方法，旋转后的特征在统计上不相关。在做完这种旋
深度神经网络的特征表示,神经网络识别图像原理
Supermen333的博客
08-21 1365
深度学习框架，尤其是基于人工神经网络的框架可以追溯到1980年福岛邦彦提出的新认知机[2]，而人工神经网络的历史更为久远。1989年，燕乐存（YannLeCun）等人开始将1974年提出的标准反向传播算法[3]应用于深度神经网络，这一网络被用于手写邮政编码识别。尽管算法可以成功执行，但计算代价非常巨大，神经网路的训练时间达到了3天，因而无法投入实际使用[4]。
特征值和特征向量的几何和物理意义
godenlove007的专栏
04-22 2466
转载自：http://blog.163.com/renguangqian@126/blog/static/1624014002011711114526759/，谢谢啦！ =========================================================================== 我们知道，矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或
矩阵的特征值与特征向量
行走。
10-15 1万+
矩阵的特征值与特征向量 相似矩阵 实对称矩阵的对角化 向量的内积 实对称矩阵的对角化 矩阵的特征值与特征向量 设矩阵AA是nn阶方阵，如果存在数λ\lambda和非零向量xx，使得Ax=λx，(1)Ax=\lambda x ，\tag{1}则称λ\lambda为矩阵AA的特征值，称xx为矩阵AA对应特征值λ\lambda的一个特征向量.式（1）可写成（A−λE）x=0，(2)
矩阵特征值和特征向量
Nightmare_ak的博客
02-20 298
https://www.matongxue.com/madocs/491.html
LAPACK——矩阵特征值和特征向量的求解
06-06
LAPACK是一种线性代数库，用于解决各种数值线性代数问题，包括矩阵特征值和特征向量的求解。下面我们来介绍一下LAPACK库中求解矩阵特征值和特征向量的函数。 1. DSYEV函数 DSYEV函数用于求解实对称矩阵的特征值和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

周末不下雨

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值