正定
1.定义
广义定义
设M是n阶方阵,如果对任何非零向量z,都有 z′Mz>0z′Mz>0,其中z’ 表示z的转置,就称M正定矩阵。[1]
例如:B为n阶矩阵,E为单位矩阵,a为正实数。aE+BaE+B在a充分大时,aE+BaE+B为正定矩阵。(B必须为对称阵)。
狭义定义
一个n阶的实对称矩阵M是正定的当且仅当对于所有的非零实系数向量z,都有z′Mz>0z′Mz>0。其中z’表示z的转置。
2. 性质
正定矩阵
在合同变换下可化为标准型, 即单位矩阵。
合同矩阵:
两个实对称矩阵A和B,如存在可逆矩阵P,使得A=PTBPA=PTBP,就称矩阵A和B互为合同矩阵,并且称由A到B的变换叫合同变换。
所有特征值大于零的对称矩阵(或厄米矩阵)是正定矩阵。
- 判定定理1:对称阵A为正定的充分必要条件是:A的特征值全为正。
- 判定定理2:对称阵A为正定的充分必要条件是:A的各阶顺序主子式都为正。
- 判定定理3:任意阵A为正定的充分必要条件是:A合同于单位阵。
- 正定矩阵一定是非奇异的。非奇异矩阵的定义:若n阶矩阵A的行列式不为零,即 ∣ A ∣ ≠ 0 \mathbf |A|≠0 ∣A∤=0。
- 正定矩阵的任一主子矩阵也是正定矩阵。
- 若A为n阶对称正定矩阵,则存在唯一的主对角线元素都是正数的下三角阵L,使得 A = L ∗ L ′ A = L ∗ L ′ \mathbf A=L∗L'A=L∗L′ A=L∗L′A=L∗L′,此分解式称为 正定矩阵的**乔列斯基(Cholesky)**分解。
- 若A为n阶正定矩阵,则A为n阶可逆矩阵。
矩阵的每一行代表一个方程,m行代表m个线性联立方程。 n列代表n个变量。如果m是独立方程数,根据m
超定方程组
方程个数大于未知量个数的方程组。
对于方程组 R a = R \mathbf Ra=R Ra=R,R为 n × m \mathbf n×m n×m 矩阵,如果R列满秩,且 n × m \mathbf n×m n×m。
超定方程一般是不存在解的矛盾方程。
例如,如果给定的三点不在一条直线上,我们将无法得到这样一条直线,使得这条直线同时经过给定这三个点。 也就是说给定的条件(限制)过于严格, 导致解不存在。在实验数据处理和曲线拟合问题中,求解超定方程组非常普遍。比较常用的方法是最小二乘法。形象的说,就是在无法完全满足给定的这些条件的情况下,求一个最接近的解。
曲线拟合的最小二乘法要解决的问题,实际上就是求以上超定方程组的最小二乘解的问题。
欠定方程组
方程个数小于未知量个数的方程组。
对于方程组Ra=y,R为n×m 矩阵,且n<m。则方程组有无穷多组解,此时称方程组为欠定方程组。
内点法和梯度投影法是目前解欠定方程组的常用方法。
视觉标定中经常碰到这三种超定方程,简单总结下它们的一般解法。
-
线性非齐次方程组Ax=b,b~=0:最小二乘法 在matlab中 可以直接x=A\b,自己一般习惯x=(A’A)(Ab),两者在matlab中处理方法是一样的即 最小二乘法。
-
线性齐次方程组Ax=0:一般用svd分解,后者是求解特征后,得到最小的特征值对应的特征向量为方程组的解,解会有很多组,可以选取归一化的那组。当然方程组一般是超定的,应该应经过A’*A处理。
-
非线性方程组:levenlerg-marquaerdt,牛顿法等,前者用得比较多,在matlab中用lsqnonlin函数进行求救
( a 11 x + a 12 x + ⋯ a 1 s x − b 1 = 0 a 21 x + a 22 x + ⋯ a 2 s x − b 2 = 0 ⋮ ⋮ a n 1 x + a n 2 x + ⋯ a n s x − b n = 0 ) \begin{pmatrix} a_{11}x+a_{12}x+\cdots&a_{1s}x-b_1=0\\ a_{21}x+a_{22}x+\cdots&a_{2s}x-b_2=0\\ \vdots& \vdots&\\ a_{n1}x+a_{n2}x+\cdots&a_{ns}x-b_n=0\\ \end{pmatrix} ⎝⎜⎜⎜⎛a11x+a12x+⋯a21x+a22x+⋯⋮an1x+an2x+⋯a1sx−b1=0a2sx−b2=0⋮ansx−bn=0⎠⎟⎟⎟⎞