线性代数Part3

最新推荐文章于 2023-01-16 17:26:14 发布

无知书童

最新推荐文章于 2023-01-16 17:26:14 发布

阅读量324

点赞数

分类专栏： # 线性代数文章标签：线性代数Part3

本文链接：https://blog.csdn.net/qq_28404829/article/details/99693212

版权

线性代数专栏收录该内容

3 篇文章 0 订阅

订阅专栏

25 对称矩阵和正定性

对称矩阵

如果A具有n个线性无关的特征向量，可以对角化得到
$A=S\Lambda S^{-1}$
而对于对称矩阵，
$\Lambda Q^{-1}=Q \Lambda Q^T$
其中Q为正交矩阵，列向量为标准正交基，这个公式显示了矩阵的对称性。

对称矩阵，特征向量正交

设 $A p = m p, A q = n q$ ,其中 $A$ 是实对称矩阵， $m, n$ 为不同的特征值， $p, q$ 分别为其对应的特征向量。
$p^T(Aq)=p^T(nq)=np^Tq$
$p^TA)q=(p^TA^T)q=(Ap)^Tq=(mp)^Tq=mp^Tq$
因为: $p^T(Aq)=(p^TA)q$ 且 $\not= n$
所以: $p^Tq=0$

27 正定矩阵和最小值

正定矩阵

给定一个2*2的矩阵，有四种途径判断是否是正定矩阵
1）特征值大于0
在这里插入图片描述
2）行列式（所有子行列式）：

3)主元

4）表达式

通常这就是正定的定义，而前三条是用来验证正定性的条件。
矩阵符合正定性，其对应的图像能够取出最小值。

28 相似矩阵和诺尔当标准型

对于两个方阵 A,B ，如果存在可逆矩阵 P ，使得：
在这里插入图片描述
则称B 是 A的相似矩阵，相似矩阵具有如下的性质：

相似矩阵具有相同的特征值
如果矩阵A与对角阵相似，则对角阵中的对角线值也就是A 的 n 个特征值，这里也就是之前讲到过的对角化的知识。

29 奇异值分解

奇异值分解，简称SVD。这是矩阵最终也是最好的分解，任意矩阵可以分解为
在这里插入图片描述
正交矩阵U，对角矩阵E和正交矩阵V。
那么这样的变换怎样合到一起，首先，这个行空间能找到一组正交基（格拉姆-施密特告诉我们以任意一组基开始，经过格拉姆-施密特正交化方法就可得到），但这组正交基经过A变换后不一定能在列空间成为正交基，所以行空间中的正交基要找特殊的。考虑零空间，这些零空间体现在对角矩阵Σ中是0。
Av变换过程中，我希望转换得到的正交单位向量，所以u1,u2…是单位正交基，同时v1,v2…也是单位正交基，Av1等于u1的一个倍数，即：σu1=Av1，σ称为伸缩因子。这种转换关系写成矩阵形式就是
转化为：AV=UΣ，（对于正定矩阵，这里是AQ=QΣ）
如果A存在零空间，那么行空间是r维，零空间是n-r维，我们同样可以取一组正交基。如果基零空间的向量为vr+1,…,vn，那么Avr+1将得到零向量，得到对角阵Σ对角线下方有一些0。需要把整个Rn空间的标准正交基完善成整个Rm空间的标准正交基，在对角阵Σ中用0来完善，所以存在零空间时没问题，但行空间和列空间的基向量才是主要的。
在这里插入图片描述

求V

求U