向量
有时需要索引向量中的一些元素。在这种情况下,定义一个包含这些元素索引的集合,然后将该集合写在脚标处。比如,指定、
和
,定义集合S={1,3,6},然后写作
。用符号-表示集合的补集中的索引。比如
表示x中除
外的所有元素,
表示x中除
、
、
外所有元素构成的向量。
广播
允许矩阵和向量相加,产生另一个矩阵:C=A+b,其中Cij=Aij+bj。也就是给矩阵A的每一行都加上向量b。那么这至少要求矩阵的列数和向量的元素个数对齐。 这种隐式的复制向量b到很多位置的办法,叫做广播(broadcasting)。
Hadamard乘积(元素对应乘积)
两个矩阵中对应元素的乘积,记为A⊙B
对角矩阵
对角矩阵(diagonal matrix)只在主对角线上含有非零元素,其他位置都是零。用diag(v)表示对角元素有向量v中元素给定的一个对角方阵。
计算乘法diag(v)x,只需要把x中的每个元素xi放大vi倍。
计算对角矩阵的逆矩阵:对角矩阵的逆矩阵存在当且仅当对角元素都是非零值,=diag(
)。
并非所有对角矩阵都是方阵。长方形的矩阵也有可能是对角矩阵。对于长方形对角矩阵D而言,乘法Dx会涉及x中每个元素的缩放,如果D是瘦长型矩阵,那么在缩放后的末尾添加一些零,如果D是胖宽型矩阵,那么在缩放后去掉一些元素。
正交矩阵
正交矩阵(orthogonal matrix)指行向量和列向量是分别标准正交的方阵,即:
A=A
=I
这意味着=
特征分解
方阵A 的特征向量(eigenvector)是指与A 相乘后相当于对该向量进行缩放的非零向量v:
Av = λv
标量λ被称为这个特征向量对应的特征值(eigenvalue)。(类似地,我们也可以定义左特征向量(left eigenvector) A = λ
,但是通常我们更关注右特征向量(right eigenvector))。
如果v 是A 的特征向量,那么任何缩放后的向量sv (s ∈ R,s ≠ 0) 也是A 的特征向量。此外,sv 和v 有相同的特征值。基于这个原因,通常我们只考虑单位特征向量。
不是每一个矩阵都可以分解成特征值和特征向量。在某些情况下,特征分解存在,但是会涉及复数而非实数。
因为Q 是正交矩阵,我们可以将A 看作沿特征向量方向v(i)延展i 倍的空间。
虽然任意一个实对称矩阵A 都有特征分解,但是特征分解可能并不唯一。如果 两个或多个特征向量拥有相同的特征值,那么在由这些特征向量产生的生成子空间 中,任意一组正交向量都是该特征值对应的特征向量。因此,我们可以等价地从这 些特征向量中构成Q 作为替代。按照惯例,我们通常按降序排列的元素。在该 约定下,特征分解唯一当且仅当所有的特征值都是唯一的