矩阵的TR迹的相关性质

参考地址：http://www.cnblogs.com/gaoshangbing/articles/1700717.html

相关概念：

(1)设有N阶 矩阵A，那么矩阵A的迹（用

   

表示）就等于A的 特征值的总和，也即矩阵A的主对角线元素的总和。

1.迹是所有对角元的和

2.迹是所有 特征值的和

3.某些时候也利用tr(AB)=tr(BA)来求迹

4.trace（mA+nB）=m trace（A）+n trace（B）

(2)奇异值分解（Singular value decomposition ）

奇异值分解非常有用，对于矩阵A(p*q)，存在U(p*p)，V(q*q)，B(p*q)（由对角阵与增广行或列组成），满足A = U*B*V

U和V中分别是A的奇异向量，而B是A的 奇异值。AA'的 特征向量组成U，特征值组成B'B，A'A的特征向量组成V，特征值（与AA'相同）组成BB'。因此，奇异值分解和特征值问题紧密联系。

如果A是 复矩阵，B中的奇异值仍然是实数。

SVD提供了一些关于A的信息，例如非零奇异值的数目（B的 阶数）和A的阶数相同，一旦阶数确定，那么U的前k列构成了A的列向量空间的正交基。

(3)在 数值分析中，由于数值计算误差，测量误差，噪声以及 病态矩阵，零奇异值通常显示为很小的数目。

矩阵的TR

在线性代数中，n乘n方阵“A”的迹，是指“A”的主对角线各元素的总和（从左上方至右下方的对角线），例如：

tr(A) = A_1,1 + A_2,2 + ... + A_n,n

其中 Aij 代表在 i 行 j 栏中的数值。同样的，元素的迹是其特征值的总和，使其不变量根据选择的基本准则而定。

迹的英文为“trace”，是来自德文中的“Spur”这个单字（与英文中的“Spoor”是同源词），在数学中，通常简写为“Sp”。

性质

迹是一种线性算子。亦即，对于任两个方阵A、B和标量r，会有下列关系：

tr(A + B) = tr(A) + tr(B)

tr(rA) = r tr(A)

因为主对角线不会在转置矩阵中被换掉，所以所有的矩阵和其转置矩阵都会有相同的迹：

tr(A) = tr(A^T)

设A是一个n×m矩阵，B是个m×n矩阵，则：

tr(AB) = tr(BA)

其中AB是n×n矩阵，而BA是m×m矩阵。

上述可以由矩阵乘法的定义证明：

利用这个结果，我们可以推导出方阵的乘积和其任何循环置换的乘积会有相同的迹，称为迹的“循环性质”。例如，有三个方阵A、B、C，则：

tr(ABC) = tr(CAB) = tr(BCA)

更一般化地，当矩阵不被假设为方阵，但其所有乘积依然存在时，其迹依然会完全相同。

若A、B、C为有着相同维度的方阵而且对称的话，其乘积的迹不只在循环置换下不会改变，而是在所有的置换下均不会改变，亦即

tr(ABC) = tr(CAB) = tr(BCA) = tr(BAC) = tr(CBA) = tr(ACB)

迹拥有相似不变性，即A和P^?1AP会有相同的迹，尽管总是存在一相同迹但不相似的矩阵。这一性质可使上面讲过的循环性质来证明：

tr(P^?1AP) = tr(PP^?1A) = tr(A)

给定任一线性映射f : V → V（V是一有限维向量空间），我们可以定义此一映射的迹为其矩阵表达式的迹，即选定V的一基并描述f为一对应于此基的矩阵，再取此一方阵的迹。其结果将和所选取的基无关，当不同的基都会得出相似的矩阵。