6.12 谱分解

醒过来摸鱼

已于 2023-05-19 16:36:10 修改

阅读量2.9k

点赞数

分类专栏：线性代数【更新中】文章标签： python 线性代数

于 2023-02-13 17:34:46 首次发布

本文链接：https://blog.csdn.net/m0_66201040/article/details/129011185

版权

线性代数【更新中】专栏收录该内容

71 篇文章 45 订阅

订阅专栏

文章目录

计算方法
代码实现

计算方法

单纯矩阵normal matrix指的是符号 $A^TA=AA^T$ 的矩阵，他们的特征值互异。此外，单纯矩阵还有个特点，他们的特征空间彼此正交。
对于单纯矩阵，存在以下的谱定理Spectral theorem：

单纯矩阵可以分解为以下矩阵相加的形式：
$A=\sum_{i=1}^n\lambda_iv_iv_i^H$
公式中， $v_i$ 是特征值 $\lambda_i$ 对应的单位特征向量。

把矩阵分解为这种形式就是谱分解Spectral Decompostion。所以谱分解挺容易的，求出特征值和特征向量就行了。
以下是一个矩阵谱分解的例子：
$\begin{pmatrix}3 & 0 & 0 & 0\\ 0 & 2 & 0 & 0\\ 0 & 0 & -2 & 0\\ 0 & 0 & 0 & -1\\ \end{pmatrix}\\ = 3 \begin{pmatrix}1 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ \end{pmatrix}+2 \begin{pmatrix}0 & 0 & 0 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ \end{pmatrix} -2 \begin{pmatrix}0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 0\\ \end{pmatrix} -\begin{pmatrix}0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 0\\ 0 & 0 & 0 & 1\\ \end{pmatrix}$

代码实现

特征值可以用海森堡法求解，特征向量可以用齐次方程组求解的方法求得，最后注意单位化就行了。以下是python代码：

    # 谱分解
    def spectral_decomposition(self):
        # 求特征值
        from com.youngthing.mathalgorithm.linearalgebra.hessenberg import Matrix as M
        eigen_values = M(self.__vectors).eigen_values()
        spectral_matrices = []
        for i, e in enumerate(eigen_values):
            # 单纯矩阵的几何重数为1
            eigen_vector = self.eigen_vector(e)[0]

            vector_len = Matrix.vector_len(eigen_vector)
            eigen_vector = matrix_utils.mul_num(eigen_vector, 1 / vector_len)
            x = Matrix([eigen_vector])
            spectral_matrices.append(x * x.transpose_matrix())
        return eigen_values, spectral_matrices