第三章 H-阵 二次型 投影算子

H-阵 二次型 投影算子等等

Schmidt正交化

看H-阵之前，可以先看看施密特Schmidt正交化，现有$[{\alpha }_1,{\alpha }_2,\dots ,{\alpha }_n]$，需要将其正交化，计算过程如下：
$$\begin{array}{rl}{\beta }_1& ={\alpha }_1\\ {\beta }_2& ={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1\\ ⋮& \\ {\beta }_i& ={\alpha }_i-\frac{({\alpha }_i,{\beta }_1)}{({\beta }_1,{\beta }_1)}{\beta }_1-\frac{({\alpha }_i,{\beta }_2)}{({\beta }_2,{\beta }_2)}{\beta }_2-\cdots -\frac{({\alpha }_i,{\beta }_{i-1})}{({\beta }_{i-1},{\beta }_{i-1})}{\beta }_{i-1}\end{array}$$

H-阵(自共轭矩阵)

$A^H=A$ 就是 H-阵
做题用到的几条性质：

1. H-阵特征值均为实数
2. $QA{Q}^H$也为H阵

正定矩阵

定义：对于$f(X)=f(x_1,x_2,\dots ,x_n)=X^{H}AX$
性质

1. $det(A)$为正数
2. $A^{-1}$也是正定矩阵

半正定的H-阵

若 $A$ 为半正定的H-阵

1. 存在秩为 $r$ 的 $n$ 阶矩阵$Q$ 使得 $A=Q^{H}Q$
2. 存在可逆矩阵$P$, 使得$P^{H}AP=\left[\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right]$
3. A的特征值非负。
4. 对于任何$n$ 阶可逆矩阵 $P$，都有 $P^{-1}AP$ 也是半正定H-阵。

正定的H-阵

若 $A$ 为正定的H-阵.

1. 存在可逆矩阵 $Q$， 使得 $A=Q^{H}Q$.
2. 存在$P$, 使得$P^{H}AP=I$.
3. A的特征值大于0.
4. $Q^{-1}AQ$ 也是正定H-阵.

H-阵复相合下的标准形定理

$$\begin{gathered} 若A,B为两个正定H阵，存在可逆矩阵P，使得 \\ \begin{array}{rl}{P}^{H}AP& =\left[\begin{array}{cccc}{\lambda }_1& & & \\ & {\lambda }_2& & \\ & & \ddots & \\ & & & {\lambda }_n\end{array}\right]，\\ P^{H}BP& =\left[\begin{array}{cccc}1& & & \\ & 1& & \\ & & \ddots & \\ & & & 1\end{array}\right]\end{array} \end{gathered}$$

正交投影变换

投影算子是幂等矩阵
正交的两个子空间：设$S$ 和 $T$ 为$n$ 维酉空间$V$ 的两个子空间，若对应任意的$x\in S,y\in T$，都有$(x,y)=0$，则称$S$ 和$T$ 是正交的。
$S$ 和 $T$的和，称为正交和，也就是直和，$S+T$，
投影变换就是 $\alpha \in S+T$，$\alpha$ 投影到$S$ 或$T$ 上。
例如：设 维酉空间 $V$ 是子空间 $S$ 与 $T$ 的正交和，$x\in S,y\in T$，投影变换 $\sigma :V\to S\subseteq V$，
$$\sigma (\alpha )=x$$
称为$V$ 到 $S$ 的正交投影。

正交投影算子求法:

例题：已知$R^3$ 中向量 $a=(1,0,0)$ ，$\beta =(2,0,3)$，则向量 $x=(x_1,x_2,x_3)\in R^3$ 在子空间 s p a n { α , β } span\{\alpha,\beta\} span{α,β} 上的正交投影为？
先将 α , β 标准正交化 为 η 1 = [ 1 , 0 , 0 ] T , η 2 = [ 0 , 0 , 1 ] T U = [ η 1 , η 2 ] 投影算子 P = U U H 向量 x = ( x 1 , x 2 , x 3 ) ∈ R 3 在子空间 s p a n { α , β } 上的正交投影为： P x = U U H x = [ 1 0 0 0 0 1 ] [ 1 0 0 0 0 1 ] [ x 1 , x 2 , x 3 ] T = [ 1 0 0 0 0 0 0 0 1 ] [ x 1 , x 2 , x 3 ] T = ( x 1 , 0 , x 3 ) \begin{aligned} 先将\alpha, \beta \boldsymbol{标准正交化}为\eta_1&=[1,0,0]^T, \eta_2=[0,0,1]^T\\ U &= [\eta_1, \eta_2] \\ 投影算子& \boldsymbol{P=UU^H} \\ 向量 x=(x_1,x_2,x_3 )\in{R^3} &在子空间span\{\alpha,\beta\} 上的正交投影为：\\ Px&=UU^Hx\\ &= { \left [ \begin {matrix} 1 & 0 \\ 0 & 0 \\ 0 & 1 \end {matrix} \right ] } { \left [ \begin {matrix} 1 & 0 & 0\\ 0 & 0 & 1\\ \end {matrix} \right ] } { [x_1,x_2,x_3]^T } \\&= \left[ \begin{matrix} 1 & 0&0 \\ 0 & 0 &0\\ 0 & 0 &1\\ \end{matrix} \right ] [x_1,x_2,x_3]^T \\&= (x_1,0,x_3) \end{aligned} 先将α,β标准正交化为η1​U投影算子向量x=(x1​,x2​,x3​)∈R3Px​=[1,0,0]T,η2​=[0,0,1]T=[η1​,η2​]P=UUH在子空间span{α,β}上的正交投影为：=UUHx= ​100​001​ ​[10​00​01​][x1​,x2​,x3​]T= ​100​000​001​ ​[x1​,x2​,x3​]T=(x1​,0,x3​)​

酉矩阵同理。