6.13 极分解

醒过来摸鱼

已于 2023-05-19 16:37:27 修改

阅读量751

点赞数

分类专栏：线性代数【更新中】文章标签：线性代数矩阵 python

于 2023-02-13 15:02:07 首次发布

本文链接：https://blog.csdn.net/m0_66201040/article/details/129005192

版权

线性代数【更新中】专栏收录该内容

71 篇文章 33 订阅

订阅专栏

文章目录

计算方法
代码实现

计算方法

一个复数可以写成极坐标形式: $z=re^{i\theta}$ .这种分解，左边代表长度，右边代表角度。由此为灵感来源，前人对矩阵也有类似的分解。就是猜想一个线性变换对矩阵的作用，是不是可以分解为拉长和旋转两部分呢？或者说，一个矩阵是不是可以分解为长度和角度呢？前人经过研究，发现是可以这样分解的。一个矩阵A可以分解为一个酉矩阵和正定埃尔米特阵的乘积，也就是：
$A = U ∣ T ∣$
需要注意的是右边虽然是一个绝对值符号，但是不是一个数字，而是一个矩阵。它的定义是 $|T|=\sqrt{T^HT}$ ,虽然我们没学过矩阵函数，但是也能知道给矩阵 $A$ 开根号就是求一个矩阵 $B$ ，它乘自己得到 $A$ 。这个埃尔米特阵用来代表长度。而前面那个酉矩阵用来代表角度。这样就把线性变换的两大作用进行了分解。
极分解的计算方法严重依赖于奇异值分解。假设已经求出来了奇异值分解，那么矩阵的极分解就很容易得到了：
$A=(UV^H)(V\Sigma V^H)$
比如以下就是一个极分解：
$\begin{pmatrix}0 & 1 & 0 & 0\\ 0 & 0 & 2 & 0\\ 0 & 0 & 0 & 3\\ 0 & 0 & 0 & 0\\ \end{pmatrix}=\begin{pmatrix}0 & 1 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1\\ 1 & 0 & 0 & 0\\ \end{pmatrix} \begin{pmatrix}0 & 0 & 0 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 2 & 0\\ 0 & 0 & 0 & 3\\ \end{pmatrix}$

代码实现

因为严重依赖奇异值分解，所以极分解的代码相当简单：

    # 极分解
    def polar_decomposition(self):
        u, sigma, v = self.svd()
        v_h = v.hermitian_transpose()
        return u * v_h, v * sigma * v_h