钱吉林高代+高代白皮书（1）

heine162

已于 2024-05-19 14:25:33 修改

阅读量436

点赞数 1

文章标签：线性代数矩阵

于 2023-09-22 13:57:48 首次发布

本文链接：https://blog.csdn.net/qq_27638851/article/details/133168476

版权

文章探讨了矩阵的对角化、相似性、特征值和特征向量的概念，包括对角阵、正定矩阵、实对称矩阵的特性，以及直和、核空间、秩、奇异值分解等相关概念的应用。讨论了正交变换和正定性的证明方法，以及矩阵的幂等性条件。

摘要由CSDN通过智能技术生成

矩阵A和对角阵B可交换，则A为准对角阵，如果对角阵上的值没有相等的，则A为对角阵。

用的最多的就是相似，等价，合同，正定，对称阵，可逆阵。

实方阵相似于上三角，指的是复数系矩阵，即考虑特征值为复数的情况。

选择一组基，则所有的坐标组（子空间）到所有的向量组（子空间）之间同构（V到AV的线性变换）。它们保持向量的线性，即从坐标组中取r个向量，再取与之对于的向量组，坐标组无关等价于向量组无关。特别的，如果选择坐标组的向量构成子空间，则与之对应的向量组也构成子空间(满足封闭)。

直和：

对于线性空间 $V$ ，子空间 $V_{1},V_{2}$ ,

（1） $V_{1}+V_{2}$ 中的任意向量 $\alpha = \alpha _{1} + \alpha _{2}, \alpha _{1}\in V_{1},\alpha _{2}\in V_{2}$ ,若 $\alpha$ 的表示唯一，则 $V_{1},V_{2}$ 是直和。

（2）零向量表示唯一。

（3） $V_{1}\cap V_{2} = \begin{Bmatrix} 0 \end{Bmatrix}$

（4） $dimV_{1} + dimV_{2} = dim(V_{1} + V_{2})$

维数公式： $dimV_{1} + dimV_{2} = dim(V_{1} + V_{2}) - dim(V_{1} \cap V_{2})$

$V=V_{1}\oplus V_{2} \oplus V_{3} ...\oplus V_{n}$ 的充要条件是 $\sum_{j\neq i}^{}V_{j} \bigcap V_{i} = \begin{Bmatrix} 0 \end{Bmatrix}$

1.求线性变换的核空间：

$dimAV + dimA^{-1}(0) = n$ ,且值域中的基向量的原向量和核空间是线性空间V的一组基。

特别的， $A^{2} = A$ 那么 $AV \oplus A^{-1}(0) = V$

2. $A^{2} = A$ 那么 $AV \oplus A^{-1}(0) = V$

3. voss分解

325题是奇异值分解

4. 证明直和

5. $tr(A)=a_{11}+...a_{nn}=\lambda _{1}+...+\lambda _{n}, |A| = \lambda _{1}\lambda _{2}...\lambda _{n}$

特征值大于1，|A|大于1

6.满秩分解（乘以一个可逆矩阵，不改变秩）

证明A和B的秩相等，可以通过证明 PA的秩等于B的秩，其中P非奇异阵即可逆。

7. 像和核

下面这道题多次出现，思路都一样的，基本上都是f(x)和g(x)互素，或者告诉你AB+CD=E。然后证明V等于V1和V2的直和相加，证明思路就是先证明V=V1+V2,在证明V1和V2的交只有0元素。

8. AB=BA，则AB是实对称，存在正交阵P，使其对角化。A乘以A的转置半正定，A可逆，则正定。

(1)任意矩阵相似于上三角，利用特征值和数学归纳法证明

(2)上（下）三角矩阵如果可逆，逆矩阵也是上（下）三角。可以通过初等变换验证或者用伴随矩阵的定义验证。注意伴随矩阵的第i，j行是aji的代数余子式Aji。

下面这道题包含了两个重要结论：

同时上三角，见第十二题：AB至少有一个公共特征向量，所以存在矩阵，能同时相似于第一列除了a11不为0，a12,a13,...a1n都为0的矩阵，然后考虑使用数学归纳法，从a22到ann的矩阵A1和从b22到bnn的矩阵B1是可交换的，可同时对角化，最后得到AB可同时对角化。

10. ImV ，KerV 是V的子集，所以ImV + KerV也是V的子集（都可以用V表示），且dim(ImV) + dim(KerV) = dimV（书上的定理，并且ImV的原）。但是根据维度公式：dim(ImV + KerV) 往往比dim(ImV) + dim(KerV) 要小（比如多项式的求导），当他们相等时，也即dim(ImV + KerV) = dimV时，ImV 和KerV的交只有零元素。下面证明此时V = ImV $\oplus$ KerV（大白话就是V中的向量能够被ImV+KerV选取的基表示，这样可以互相表示就是等价的，也即线性空间相等）。

ImV + KerV中的向量记为向量组A，V中向量记为向量组B。可以考虑向量组B可由向量组A表示，且R(A) =R(B)=r，则A，B合在一起时，都可以用向量组A表示，所以L(A,B)的秩为R，所以选取B中的极大组也能表示L(A,B)（向量组任意r个线性无关的向量都是极大组）。所以B可以表示A，所以A和B是完全等价的，L(A) = L(B)，即dim(ImV + KerV) = dimV时，V = ImV $\oplus$ KerV。

（书本课后习题）

要想证明V = ImV $\oplus$ KerV，还可以通过证明V中任意向量属于ImV+ KerV，这样 V = ImV + KerV，所以dim(ImV) + dim(KerV) = dimV = dim(ImV + KerV) ,则根据维数公式有ImV 和KerV的交只有零元素。

ImV和KerV的维度等于V这是定理，如果ImV和KerV只有0元素相交，他们就是直和，相加等于V

利用Ker进行巧证，下面这题也是

大致思路是：

（1）先得到 ImT = ImT的平方。

（2）然后b属于ImT和KerT的交时，b的原像a属于T，T的二次方a = 0，a属于KerT，b = Ta = 0

11. 幂等分解：矩阵分解成一个可逆矩阵和幂等矩阵

12. AB=BA ,至少一个公共特征向量

由于在一组基下的坐标唯一，所以特征向量的坐标也相同，因此A和B在一组基下的矩阵也有公共特征向量。

取A的一个特征子空间，则它是B的不变子空间，则B可以看成是特征子空间的一个线性变换，复数域上总是有特征根的，且能求出来特征向量，该特征向量可以算B的，也属于A的特征子空间，即也是A的特征向量。因此，当A有r个不同特征值，就取r个特征子空间，每个空间都有至少一个公共特征向量，属于A和B，由于他们属于不同的特征值的，所以线性无关。

利用上面的结论证明下面的第7题

13. A正定，则有 $A=S^{2}$ ，S为实对称正定矩阵。

A正定，则存在正交阵使其对角化

$A=P^{T}\begin{pmatrix} a1 & & & \\ & a2 & & \\ & & ... & \\ & & & an \end{pmatrix} P=P^{T} \begin{pmatrix} \sqrt{a1} & & & \\ & \sqrt{a2} & & \\ & & ... & \\ & & & \sqrt{an} \end{pmatrix} PP^{T} \begin{pmatrix} \sqrt{a1} & & & \\ & \sqrt{a2} & & \\ & & ... & \\ & & & \sqrt{an} \end{pmatrix} P=S^{2}$

显然S和E合同，所以是正定的。

14.

15.

16. 线性变换的可交换

AB=BA，则他们对一组基的作用是等价的，即在一组基下的矩阵分别问A，B则基下矩阵可交换

17. 酉相似对角矩阵充要条件矩阵是正规矩阵（矩阵和它的转置共轭可交换）

第3节酉相似对角化 - 百度文库

18. 几何重数（特征值对应的特征向量的维度）小于等于代数重数

假设一个特征值的代数重数是k，然后求几何重数等价于求 $\lambda _{0}E - A$ 的秩，如果秩为n-k，则基础解系为n-(n-k)=k，这样代数重数=几何重数。事实上 $\lambda _{0}E - A$ 的秩大于n-k，几何重数是小于k的，下面给出证明：

相似不改变矩阵的秩，而矩阵总是相似于若当型，因此考虑若当型的秩，由于特征值是k重，所以对角线上有k个特征值 $\lambda _{0}$ ：

$\begin{pmatrix} \lambda _{0} - \lambda _{0} & & & & & \\ * & \lambda _{0} - \lambda _{0} & & & & \\ & * & \lambda _{0} - \lambda _{0} & & & \\ & & & \lambda _{0} - \lambda _{1} & & \\ & & & * & ... & \\ & & & & & \lambda _{0} - \lambda _{2} \end{pmatrix}$ ,观察若当型矩阵的秩，很容易知道大于等于n-k（对角线后面的n-k个数都不为0，如果有个若当块，那么矩阵的秩就大于n-k）。

由于 $(\lambda _{0}E - A)^{k}=\begin{pmatrix} 0 & & & & & \\ & 0 & & & & \\ & & 0 & & & \\ & & & \lambda _{0} - \lambda _{1} & & \\ & & & * & ... & \\ & & & & & \lambda _{0} - \lambda _{2} \end{pmatrix}$ ,所以 $(\lambda _{0}E - A)^{k}$ 的秩一定是n-k，可以得到可对角化的充要条件是 $n-k = dim Ker(\lambda _{0}E - A)^{k}= dimKer(\lambda _{0}E - A)$ ,