矩阵的特征值分解

一个方阵X可以分解为V*D*inv(V)的形式，其中D是对角矩阵（其对角线元素由特征值构成），V是对应特征值的列向量构成的矩阵，inv(V)是矩阵V的逆矩阵。矩阵的分解意义之一是矩阵相乘等同于对一个矩阵施行线性变换，而这种线性变换可以被分解为上面提到的形式，其中D可以看成是缩放矩阵，包含对各个特征向量的缩放的系数，而特征向量才是这个矩阵最本质的东西。X*V=V*D实际上是多个X*v=c·v形式的合写，v是V中的一列。这个在线性代数里面是非常熟悉的东西。既然一个矩阵可以被分解为V*D*inv(V)的形式，那么修改D中的对角线元素即特征值就可以修改不同特征维度的缩放比例。故矩阵的特征值分解具有重要的意义。matlab里调用eig函数就可以实现矩阵的特征值分解，[V，D]=eig(X).线性代数一书中讲述的矩阵的特征值和特征向量。先从特征多项式中解除特征值，再求解特征值对应的特征向量。人工解法有时候可能会比较复杂，实际上计算机程序的实现都是用幂法求矩阵的特征值和特征向量。

如果一个方阵是实对称矩阵，求得的特征向量归一化后就能构成一个正交矩阵(属于不同特征值的特征向量是正交的,而相同特征值的特征向量线性无关的,需要斯密特正交化)，正交矩阵的特点是其转置等于其逆矩阵，就不需要计算逆矩阵了，这样X可以分解为V*D*V'；而对于非实对称矩阵，求得其特征向量后，是得不到正交矩阵的。

矩阵还可以进行奇异值分解，具体在matlab里就是svd函数。