数学—线性代数
文章平均质量分 92
夏树让
记录
展开
-
从线性代数角度理解 PageRank 算法细节 (包含基于 NumPy 的代码实现)
描述 PageRank 算法的中心思想,并从线性代数角度解释 PageRank,阐述 PageRank 需要应对的两大问题:悬挂节点 (dangling nodes) 问题 和 非强连通图问题。给出了 PageRank 基于 NumPy 的实现。强连通图 (strongly connected graph),随机矩阵 (stochastic matrix),正矩阵 (positive matrix)。原创 2021-11-30 20:52:00 · 1661 阅读 · 0 评论 -
证明:矩阵 AB 与 BA 具有相同的非零特征值
矩阵 AB 与 BA 具有相同的非零特征值。可以从两个方面证明该定理,第一种,借助相似矩阵之间拥有相同特征值的结论进行(要求 A,BA,BA,B 是可逆的);第二种,则从公式 ABx=λxABx=\lambda xABx=λx 着手。先讲第一种。假设 A,BA,BA,B 是可逆的。我们知道矩阵 AAA 相似于矩阵 P−1APP^{-1}APP−1AP,其中 PPP 为任意的可逆矩阵。所以也存原创 2020-05-21 14:03:59 · 25603 阅读 · 14 评论 -
证明:当且仅当 AB=BA 时,可对角化矩阵 A 与 B 具有相同的特征向量
当且仅当 AB=BA 时,可对角化矩阵 A 与 B 具有相同的特征向量也就是说, AB=BAAB=BAAB=BA 是 两个可对角化矩阵 A 与 B 具有相同特征向量的充分且必要条件。先证 必要性:假设可对角化矩阵 A 与 B 具有相同的特征向量,那么 A 与 B 拥有相同的对角化矩阵 S (由特征向量构成)使得满足:A=SΛ1S−1A = S\Lambda_1S^{-1}A=SΛ1S−1 以及 B=SΛ2S−1B=S\Lambda_2S^{-1}B=SΛ2S−1。其中的 Λ\LambdaΛ 代表由原创 2020-05-21 13:27:01 · 16446 阅读 · 9 评论 -
证明:对于实对称矩阵,不同特征值对应的特征向量相互正交
**不同特征值对应的特征向量相互正交**,是实对称矩阵的一个重要属性,而且从这个属性出发可以证明实对称矩阵的另一个属性:**实对称矩阵必可相似对角化**。如果一个 n 维矩阵的不同特征值对应的特征向量相互正交,那么这个矩阵不同特征值对应的特征向量之间线性无关,即该矩阵具有 n 个线性无关的特征向量,所以该矩阵可相似对角化。原创 2020-05-21 13:18:40 · 65905 阅读 · 3 评论 -
线性代数部分定理的整理
在学习 《Pattern Recognition and Machine Learning》和 《Linear Algebra and Its Applicaition》过程中,对这两本书上出现的一些定理进行(不完整)整理。例如:对称矩阵的逆仍为对称矩阵;矩阵的逆唯一;矩阵的 LDU 分解唯一;原创 2020-04-15 19:11:30 · 537 阅读 · 0 评论 -
证明:矩阵不同特征值对应的特征向量之间线性无关
学习矩阵对角化(diagonalization)时需要了解一个定理:**不同特征值对应的特征向量线性无关**。我们知道,一个 n 维矩阵是否可以对角化取决于其是否具有 n 个线性无关的特征向量。所以,在上面的定理的基础上可以得出结论:**一个具有 n 个相互不同的特征值的 n 维矩阵必可对角化**。原创 2020-05-19 16:02:49 · 38225 阅读 · 6 评论