【矩阵论】8. 常用矩阵总结——单阵,正规阵,幂0阵,幂等阵,循环阵

矩阵论的所有文章,主要内容参考北航赵迪老师的课件

[注]由于矩阵论对计算机比较重要,所以选修了这门课,但不是专业搞数学的,所以存在很多口语化描述,而且对很多东西理解不是很正确与透彻,欢迎大家指正。我可能间歇性忙,但有空一定会回复修改的。

矩阵论
1. 准备知识——复数域上矩阵,Hermite变换
1.准备知识——复数域上的内积域正交阵
1.准备知识——Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩
2. 矩阵分解——SVD准备知识——奇异值
2. 矩阵分解——SVD
2. 矩阵分解——QR分解
2. 矩阵分解——正定阵分解
2. 矩阵分解——单阵谱分解
2. 矩阵分解——正规分解——正规阵
2. 矩阵分解——正规谱分解
2. 矩阵分解——高低分解
3. 矩阵函数——常见解析函数
3. 矩阵函数——谱公式,幂0与泰勒计算矩阵函数
3. 矩阵函数——矩阵函数求导
4. 矩阵运算——观察法求矩阵特征值特征向量
4. 矩阵运算——张量积
4. 矩阵运算——矩阵拉直
4.矩阵运算——广义逆——加号逆定义性质与特殊矩阵的加号逆
4. 矩阵运算——广义逆——加号逆的计算
4. 矩阵运算——广义逆——加号逆应用
4. 矩阵运算——广义逆——减号逆
5. 线性空间与线性变换——线性空间
5. 线性空间与线性变换——生成子空间
5. 线性空间与线性变换——线性映射与自然基分解,线性变换
6. 正规方程与矩阵方程求解
7. 范数理论——基本概念——向量范数与矩阵范数
7.范数理论——基本概念——矩阵范数生成向量范数&谱范不等式
7. 矩阵理论——算子范数
7.范数理论——范数估计——许尔估计&谱估计
7. 范数理论——非负/正矩阵
8. 常用矩阵总结——秩1矩阵,优阵(单位正交阵),Hermite阵
8. 常用矩阵总结——镜面阵,正定阵
8. 常用矩阵总结——单阵,正规阵,幂0阵,幂等阵,循环阵


在这里插入图片描述

8.6 单阵

2. 矩阵分解——单阵谱分解

2. 矩阵分解——正规分解——正规阵

8.7 幂0阵

8.7.1 条件

A k = 0 ( k ≥ 2 ) A^k=0(k\ge 2) Ak=0(k2) ,且 A ≠ 0 A\neq 0 A=0 ,则为 k k k 次幂0阵

  • ( A − b I ) k = 0 (A-bI)^k=0 (AbI)k=0 A ≠ b I A\neq bI A=bI ,则 A A A 为平移幂0阵

8.7.2 特根特向

A k = 0 A^k=0 Ak=0 ,则 λ ( A ) = { 0 } \lambda(A)=\{0\} λ(A)={0}

  • Cayley 定理, λ k = 0 ⇒ λ = 0 \lambda^k=0\Rightarrow \lambda=0 λk=0λ=0
  • 由特向(4.1)求法, A ⋅ A = 0 A\cdot A=0 AA=0 ,则 A A A 中各列都是0根的特向

( A − b I ) k = 0 ⇒ λ ( A ) = { b , ⋯   , b } (A-bI)^k=0\Rightarrow \lambda(A)=\{b,\cdots,b\} (AbI)k=0λ(A)={b,,b}

8.7.3 幂0阵不是单阵

设 A k = 0 ( A ≠ 0 ) ,假设 A 为单阵, ⇒ P − 1 A P = 相似 D = ( λ 1 ⋱ λ n ) = 0 与 A ≠ 0 矛盾,故 A 为幂 0 阵,则非单阵 \begin{aligned} &设A^k=0(A\neq 0) ,假设A为单阵,\Rightarrow P^{-1}AP\xlongequal{相似}D=\left( \begin{matrix} \lambda_1\\&\ddots\\&&\lambda_n \end{matrix} \right)=0\\ &与A\neq 0 矛盾,故A为幂0阵,则非单阵 \end{aligned} Ak=0(A=0),假设A为单阵,P1AP相似 D= λ1λn =0A=0矛盾,故A为幂0阵,则非单阵

推论: A A A A − b I A-bI AbI 同为单阵或非单阵,则 平移不改变单阵或非单阵

  • ( A − b I ) k = 0 (A-bI)^k=0 (AbI)k=0 A − b I ≠ 0 A-bI\neq 0 AbI=0 则A非单阵 ,且 λ ( A ) = { b , b , ⋯   , b } \lambda(A)=\{b,b,\cdots,b\} λ(A)={b,b,,b}

    f ( A ) = f ( b ) I + f ′ ( b ) 1 ! ( A − b I ) + f ′ ′ ( b ) 2 ! ( A − b I ) 2 + ⋯ f k − 1 ( b ) ( k − 1 ) ! ( A − b I ) k − 1 f(A)=f(b)I+\frac{f'(b)}{1!}(A-bI)+\frac{f''(b)}{2!}(A-bI)^2+\cdots \frac{f^{k-1}(b)}{(k-1)!}(A-bI)^{k-1} f(A)=f(b)I+1!f(b)(AbI)+2!f′′(b)(AbI)2+(k1)!fk1(b)(AbI)k1 f ( x ) f(x) f(x) 的解析式

8.7.4 记忆:平方幂0

A 2 = 0 ( A ≠ 0 ) A^2=0(A\neq 0) A2=0(A=0) ,则A中列都是0根特向

  • A中列 ( 1 − 1 ) , ( 1 1 ) \left(\begin{matrix}1\\-1\end{matrix}\right),\left(\begin{matrix}1\\1\end{matrix}\right) (11),(11) λ = 0 \lambda=0 λ=0 的特向

eg
A = ( 3 1 − 1 1 ) A=\left( \begin{matrix} 3&1\\-1&1 \end{matrix} \right) A=(3111)

A − 2 I = ( 1 1 − 1 − 1 ) , 则 0 为 A − 2 I 的特根,其特向为 ( 1 1 ) , ( 1 − 1 ) ⇒ A 的特向为 { 2 , 2 } , 其特向为 ( 1 1 ) , ( 1 − 1 ) \begin{aligned} &A-2I=\left( \begin{matrix} 1&1\\-1&-1 \end{matrix} \right),则0为A-2I的特根,其特向为\left(\begin{matrix}1\\1\end{matrix}\right),\left(\begin{matrix}1\\-1\end{matrix}\right) \\ &\Rightarrow A的特向为\{2,2\},其特向为 \left(\begin{matrix}1\\1\end{matrix}\right),\left(\begin{matrix}1\\-1\end{matrix}\right) \end{aligned} A2I=(1111),0A2I的特根,其特向为(11),(11)A的特向为{2,2},其特向为(11),(11)

8.8 幂等阵性质

幂等条件: A 2 = A A^2=A A2=A

特根: λ ( A ) = 1 或 0 \lambda(A)=1或0 λ(A)=10
由 C a y l e y 定理, λ 2 = λ ⇒ λ = 1 或 0 , 可写全体特根 λ ( A ) = { 1 , ⋯   , 1 ⏟ ( r ) 个 1 , 0 , ⋯   , 0 ⏟ ( n − r ) 个 0 } \begin{aligned} &由Cayley定理,\lambda^2=\lambda\Rightarrow \lambda=1或0,可写全体特根\lambda(A)=\{\underbrace{1,\cdots,1}_{(r)个1},\underbrace{0,\cdots,0}_{(n-r)个0}\} \end{aligned} Cayley定理,λ2=λλ=10,可写全体特根λ(A)={(r)1 1,,1,(nr)0 0,,0}

8.8.1 幂等阵一定为单阵(相似于对角阵)

A ∼ D = ( 1 ⋱ 1 0 ⋱ 0 ) A\sim D=\left(\begin{matrix}1\\&\ddots\\&&1\\&&&0\\&&&&\ddots\\&&&&&0\end{matrix}\right) AD= 1100

单阵引理:

  • f ( x ) f(x) f(x) 为A的0化式,若 f ( A ) = 0 f(A)=0 f(A)=0 ,且f(x)无重根,则A为单阵
    若 A 2 = A ⇒ A 2 − A = 0 或 A ( A − I ) = 0 , 则 A 有 0 化式 f ( x ) = x 2 − x ,无重根 , 故 A 为单阵 \begin{aligned} &若A^2=A\Rightarrow A^2-A=0或A(A-I)=0,则A有0化式f(x)=x^2-x,无重根,故A为单阵 \end{aligned} A2=AA2A=0A(AI)=0,A0化式f(x)=x2x,无重根,A为单阵

8.8.2 r(A)与r(I-A)关系

A 2 = A A^2=A A2=A ,则 r ( A ) + r ( I n − A ) = n r(A)+r(I_n-A)=n r(A)+r(InA)=n
由于 A ( A − I ) = 0 ⇒ r ( A ) + r ( A − I ) ≤ n    ⟺    r ( A ) + r ( I n − A ) ≤ n 又 I = A + ( I − A ) , n = r ( I ) = r ( A + ( I − A ) ) ≤ r ( A ) + r ( I − A ) ≤ n ∴ r ( A ) + r ( I n − A ) = r ( A ) + r ( A − I n ) = n \begin{aligned} &由于 A(A-I)=0\Rightarrow r(A)+r(A-I)\le n\iff r(A)+r(I_n-A)\le n\\ &又 I=A+(I-A),n=r(I)=r(A+(I-A))\le r(A)+r(I-A)\le n\\ &\therefore r(A)+r(I_n-A)=r(A)+r(A-I_n)=n \end{aligned} 由于A(AI)=0r(A)+r(AI)nr(A)+r(InA)nI=A+(IA)n=r(I)=r(A+(IA))r(A)+r(IA)nr(A)+r(InA)=r(A)+r(AIn)=n

8.8.3 A幂等    ⟺    \iff I-A幂等

A 2 = A    ⟺    ( I − A ) 2 = ( I − A ) A^2=A\iff (I-A)^2=(I-A) A2=A(IA)2=(IA)

  • 则有 t r ( I − A ) = t r ( I ) − t r ( A ) = n − r = r ( I − A ) tr(I-A)=tr(I)-tr(A)=n-r=r(I-A) tr(IA)=tr(I)tr(A)=nr=r(IA)

证明:
A 2 = A ⇒ ( I − A ) 2 = I 2 − 2 A + A 2 = I − A \begin{aligned} &A^2=A\Rightarrow (I-A)^2=I^2-2A+A^2=I-A\\ \end{aligned} A2=A(IA)2=I22A+A2=IA

8.8.4 幂等阵的特向

A是幂等阵,则 A A A n n n 个无关特向
设特根 0 的特向为 X 0 , A X 0 = 0 , 则齐次方程线性无关解的个数为 n − r ( A ) 设特根 1 的特向为 X 1 , A X 1 = X 1    ⟺    ( A − I ) X 1 = 0 ,则齐次方程线性无关解的个数为 n − r ( I − A ) = r ( A ) 故特向有 n 个 \begin{aligned} &设特根0的特向为X_0,AX_0=0,则齐次方程线性无关解的个数为n-r(A)\\ &设特根1的特向为X_1,AX_1=X_1\iff (A-I)X_1=0,则齐次方程线性无关解的个数为 n-r(I-A)=r(A)\\ &故特向有n个 \end{aligned} 设特根0的特向为X0,AX0=0,则齐次方程线性无关解的个数为nr(A)设特根1的特向为X1,AX1=X1(AI)X1=0,则齐次方程线性无关解的个数为nr(IA)=r(A)故特向有n

8.8.5 谱分解中谱阵为幂等阵

谱分解 A = λ 1 G 2 + ⋯ + λ k G k A=\lambda_1G_2+\cdots+\lambda_kG_k A=λ1G2++λkGk G i G_i Gi 为幂等阵( G 1 2 = G 1 , ⋯   , G k 2 = G k G_1^2=G_1,\cdots,G_k^2=G_k G12=G1,,Gk2=Gk

8.9 循环矩阵

n n n 阶循环阵定义为: C = [ c 0 , c 1 , ⋯   , c n − 1 ] ( c 0 c 1 c 2 ⋯ c n − 1 c n − 1 c 0 c 1 ⋯ c n − 2 ⋮ ⋮ ⋮ ⋱ ⋮ c 1 c 2 c 3 ⋯ c 0 ) C=[c_0,c_1,\cdots,c_{n-1}]\left(\begin{matrix}c_0&c_1&c_2&\cdots&c_{n-1}\\c_{n-1}&c_0&c_1&\cdots&c_{n-2}\\\vdots&\vdots&\vdots&\ddots&\vdots\\c_1&c_{2}&c_{3}&\cdots&c_{0}\end{matrix}\right) C=[c0,c1,,cn1] c0cn1c1c1c0c2c2c1c3cn1cn2c0

8.9.1基本循环阵

A = [ 1 , 0 ⋯   , 0 ] = ( 0 1 0 ⋯ 0 0 0 1 ⋯ 0 ⋮ ⋮ ⋮ ⋱ ⋮ 0 0 0 ⋯ 1 1 0 0 ⋯ 0 ) = 按列 ( e n , e 1 , e 2 , ⋯   , e n − 1 ) = 按行 ( e 2 H e 3 H ⋮ e n H e 1 H ) A=[1,0\cdots,0]=\left(\begin{matrix}0&1&0&\cdots&0\\0&0&1&\cdots&0\\\vdots&\vdots&\vdots&\ddots&\vdots\\0&0&0&\cdots&1\\1&0&0&\cdots&0\end{matrix}\right)\xlongequal{按列}(e_n,e_1,e_2,\cdots,e_{n-1})\xlongequal{按行}\left(\begin{matrix}e_2^{H}\\e_3^{H}\\\vdots\\e_{n}^H\\e_{1}^H\end{matrix}\right) A=[1,0,0]= 0001100001000010 按列 (en,e1,e2,,en1)按行 e2He3HenHe1H

a. A A A 特根

A n = I ⇒ λ ( A n ) = { λ 1 n , λ 2 n , ⋯   , λ n n } = λ ( I ) = { 1 , 1 , ⋯   , 1 } A^n=I\Rightarrow\lambda(A^n)=\{\lambda_1^n,\lambda_2^n,\cdots,\lambda_n^n\}=\lambda(I)=\{1,1,\cdots,1\} An=Iλ(An)={λ1n,λ2n,,λnn}=λ(I)={1,1,,1} ,有 λ 1 n = 1 , λ 2 n = 1 , ⋯   , λ n n = 1 \lambda_1^n=1,\lambda_2^n=1,\cdots,\lambda_n^n=1 λ1n=1,λ2n=1,,λnn=1

λ n = 1 \lambda^n=1 λn=1 的根恰是单位圆上的 n n n 个分点, λ 0 = 1 \lambda_0=1 λ0=1 λ 1 = e 2 π n i = cos ⁡ 2 π n + i s i n 2 π n \lambda_1=e^{\frac{2\pi}{n}i}=\cos\frac{2\pi}{n}+isin\frac{2\pi}{n} λ1=en2πi=cosn2π+isinn2π λ 2 = e 2 π n 2 i \lambda_2=e^{\frac{2\pi}{n}2i} λ2=en2π2i ⋯ \cdots λ n − 1 = e 2 π n ( n − 1 ) i \lambda_{n-1}=e^{\frac{2\pi}{n}(n-1)i} λn1=en2π(n1)i

  • λ 0 = 1 , λ k = λ 1 k = ( e 2 π n ) k , k = 1 , 2 , ⋯   , n \lambda_0=1,\lambda_k=\lambda_1^k=(e^{\frac{2\pi}{n}})^k,k=1,2,\cdots,n λ0=1,λk=λ1k=(en2π)k,k=1,2,,n

  • λ k n = 1 \lambda_k^n=1 λkn=1

b. A A A 的特向

任取一个特值 λ \lambda λ ,令 X = ( λ λ 2 ⋮ λ n ) X=\left(\begin{matrix}\lambda\\\lambda^2\\\vdots\\\lambda^n\end{matrix}\right) X= λλ2λn ⇒ A X = ( 0 1 0 ⋯ 0 0 0 1 ⋯ 0 ⋮ ⋮ ⋮ ⋱ ⋮ 0 0 0 ⋯ 1 1 0 0 ⋯ 0 ) ( λ λ 2 ⋮ λ n − 1 λ n ) = ( λ 2 λ 3 ⋮ λ n − 1 λ ) = ( λ 2 λ 3 ⋮ λ n − 1 λ n + 1 ) = λ ( λ λ 2 ⋮ λ n − 1 λ n ) = λ X \Rightarrow AX=\left(\begin{matrix}0&1&0&\cdots&0\\0&0&1&\cdots&0\\\vdots&\vdots&\vdots&\ddots&\vdots\\0&0&0&\cdots&1\\1&0&0&\cdots&0\end{matrix}\right)\left(\begin{matrix}\lambda\\\lambda^2\\\vdots\\\lambda^{n-1}\\\lambda^n\end{matrix}\right)=\left(\begin{matrix}\lambda^2\\\lambda^3\\\vdots\\\lambda^{n-1}\\\lambda\end{matrix}\right)=\left(\begin{matrix}\lambda^2\\\lambda^3\\\vdots\\\lambda^{n-1}\\\lambda^{n+1}\end{matrix}\right)=\lambda\left(\begin{matrix}\lambda\\\lambda^2\\\vdots\\\lambda^{n-1}\\\lambda^n\end{matrix}\right)=\lambda X AX= 0001100001000010 λλ2λn1λn = λ2λ3λn1λ = λ2λ3λn1λn+1 =λ λλ2λn1λn =λX

故取 λ 0 = 1 \lambda_0=1 λ0=1 λ 1 = e 2 π n i \lambda_1=e^{\frac{2\pi}{n}i} λ1=en2πi λ 2 = e 2 π n 2 i \lambda_2=e^{\frac{2\pi}{n}2i} λ2=en2π2i ⋯ \cdots λ n − 1 = e 2 π n ( n − 1 ) i \lambda_{n-1}=e^{\frac{2\pi}{n}(n-1)i} λn1=en2π(n1)i

X 0 = ( λ 0 λ 0 2 ⋮ λ 0 n ) = ( 1 1 ⋮ 1 ) X_0=\left(\begin{matrix}\lambda_0\\\lambda_0^2\\\vdots\\\lambda_0^n\end{matrix}\right)=\left(\begin{matrix}1\\1\\\vdots\\1\end{matrix}\right) X0= λ0λ02λ0n = 111 X 1 = ( λ 1 λ 1 2 ⋮ λ 1 n ) X_1=\left(\begin{matrix}\lambda_1\\\lambda_1^2\\\vdots\\\lambda_1^n\end{matrix}\right) X1= λ1λ12λ1n ⋯ \cdots X n − 1 = ( λ n − 1 λ n − 1 2 ⋮ λ n − 1 n ) X_{n-1}=\left(\begin{matrix}\lambda_{n-1}\\\lambda_{n-1}^2\\\vdots\\\lambda_{n-1}^n\end{matrix}\right) Xn1= λn1λn12λn1n

  • 或可写作: X 0 = ( 1 1 ⋮ 1 ) X_0=\left(\begin{matrix}1\\1\\\vdots\\1\end{matrix}\right) X0= 111 X 1 = ( 1 λ 1 ⋮ λ 1 n − 1 ) = ( λ 1 n λ 1 ⋮ λ 1 n − 1 ) X_1=\left(\begin{matrix}1\\\lambda_1\\\vdots\\\lambda_1^{n-1}\end{matrix}\right)=\left(\begin{matrix}\lambda_1^n\\\lambda_1\\\vdots\\\lambda_1^{n-1}\end{matrix}\right) X1= 1λ1λ1n1 = λ1nλ1λ1n1 ⋯ \cdots X n − 1 = ( 1 λ n − 1 ⋮ λ n − 1 n − 1 ) = ( λ n − 1 n λ n − 1 ⋮ λ n − 1 n − 1 ) X_{n-1}=\left(\begin{matrix}1\\\lambda_{n-1}\\\vdots\\\lambda_{n-1}^{n-1}\end{matrix}\right)=\left(\begin{matrix}\lambda_{n-1}^n\\\lambda_{n-1}\\\vdots\\\lambda_{n-1}^{n-1}\end{matrix}\right) Xn1= 1λn1λn1n1 = λn1nλn1λn1n1

∣ X 0 ∣ 2 = ∣ X 1 ∣ 2 = ⋯ = ∣ X n − 1 ∣ 2 = n \vert X_0\vert^2=\vert X_1\vert^2=\cdots=\vert X_{n-1}\vert^2=n X02=X12==Xn12=n ,且 X 0 ⊥ X 1 ⊥ ⋯ ⊥ X n − 1 X_0\bot X_1\bot\cdots\bot X_{n-1} X0X1Xn1 ∣ X j ∣ = n \vert X_j\vert=\sqrt{n} Xj=n

8.9.2 循环阵可由基本循环阵表示

  • A 0 = ( e 1 , e 2 , e 3 , ⋯   , e n ) = I A^0=(e_1,e_2,e_3,\cdots,e_{n})=I A0=(e1,e2,e3,,en)=I
  • A 1 = ( e n , e 1 , e 2 , ⋯   , e n − 1 ) A^1=(e_n,e_1,e_2,\cdots,e_{n-1}) A1=(en,e1,e2,,en1)
  • A 2 = ( e n − 1 , e n , e 1 , ⋯   , e n − 2 ) A^2=(e_{n-1},e_{n},e_1,\cdots,e_{n-2}) A2=(en1,en,e1,,en2)
  • A n − 1 = ( e 2 , e 3 , e 4 , ⋯   , e 1 ) A^{n-1}=(e_2,e_3,e_4,\cdots,e_1) An1=(e2,e3,e4,,e1)
  • A n = ( e 1 , e 2 , e 3 , ⋯   , e n ) A^n=(e_1,e_2,e_3,\cdots,e_n) An=(e1,e2,e3,,en)

令矩阵函数 f ( A ) = c 0 I + c 1 A + c 2 A 2 + ⋯ + c n − 1 A n − 1 = C f(A)=c_0I+c_1A+c_2A_2+\cdots+c_{n-1}A^{n-1}=C f(A)=c0I+c1A+c2A2++cn1An1=C

  • 可知基本循环阵 A A A 正规 ⇒ f ( A ) \Rightarrow f(A) f(A) 正规, C C C 正规
  • A A A f ( A ) f(A) f(A) 有相同特向, λ ( A ) = { λ 1 , λ 2 , ⋯   , λ n } \lambda(A)=\{\lambda_1,\lambda_2,\cdots,\lambda_n\} λ(A)={λ1,λ2,,λn} λ ( f ( A ) ) = { f ( λ 1 ) , f ( λ 2 ) , ⋯   , f ( λ n ) } \lambda(f(A))=\{f(\lambda_1),f(\lambda_2),\cdots,f(\lambda_n)\} λ(f(A))={f(λ1),f(λ2),,f(λn)}

8.9.3 傅里叶阵

Q = ( X 0 ∣ X 0 ∣ , X 1 ∣ X 1 ∣ , ⋯   , X n − 1 ∣ X n − 1 ∣ ) = 1 n ( X 0 , X 1 , ⋯   , X n − 1 ) Q=\left(\frac{X_0}{\vert X_0\vert},\frac{X_1}{\vert X_1\vert},\cdots,\frac{X_{n-1}}{\vert X_{n-1}\vert}\right)=\frac{1}{\sqrt{n}}\left(X_0,X_1,\cdots,X_{n-1}\right) Q=(X0X0,X1X1,,Xn1Xn1)=n 1(X0,X1,,Xn1) 为优阵(傅里叶阵)

⇒ Q − 1 A Q = Q H A Q = D = ( λ 0 λ 1 ⋱ λ n − 1 ) \Rightarrow Q^{-1}AQ=Q^HAQ=D=\left(\begin{matrix}\lambda_0&&&\\&\lambda_1&&\\&&\ddots&\\&&&\lambda_{n-1}\end{matrix}\right) Q1AQ=QHAQ=D= λ0λ1λn1

因为 C = f ( A ) C=f(A) C=f(A) A A A 有相同的特向 ,有相同的优阵 Q Q Q

⇒ Q − 1 C Q = Q − 1 f ( A ) Q = Q H f ( A ) Q = D = ( f ( λ 0 ) f ( λ 1 ) ⋱ f ( λ n − 1 ) ) \Rightarrow Q^{-1}CQ=Q^{-1}f(A)Q=Q^Hf(A)Q=D=\left(\begin{matrix}f(\lambda_0)&&&\\&f(\lambda_1)&&\\&&\ddots&\\&&&f(\lambda_{n-1})\end{matrix}\right) Q1CQ=Q1f(A)Q=QHf(A)Q=D= f(λ0)f(λ1)f(λn1)

8.9.4 3-循环阵

3-循环阵 A = [ a 0 , a 1 , a 2 ] = ( a 0 a 1 a 2 a 2 a 0 a 1 a 1 a 2 a 0 ) A=[a_0,a_1,a_2]=\left(\begin{matrix}a_0&a_1&a_2\\a_2&a_0&a_1\\a_1&a_2&a_0\end{matrix}\right) A=[a0,a1,a2]= a0a2a1a1a0a2a2a1a0 的三个正交特征向量

令基本循环阵 Ω = ( e 3 , e 1 , e 2 ) = ( 0 1 0 0 0 1 1 0 0 ) \Omega=(e_3,e_1,e_2)=\left(\begin{matrix}0&1&0\\0&0&1\\1&0&0\end{matrix}\right) Ω=(e3,e1,e2)= 001100010 ,有基本循环阵性质可知 Ω 3 = I \Omega^3=I Ω3=I ,特根

λ ( Ω ) = { λ 1 , λ 2 , λ 3 } \lambda(\Omega)=\{\lambda_1,\lambda_2,\lambda_3\} λ(Ω)={λ1,λ2,λ3} 为平面上单位圆周的三等分点,满足 λ 1 3 = λ 2 3 = λ 3 3 = 1 \lambda_1^3=\lambda_2^3=\lambda_3^3=1 λ13=λ23=λ33=1

λ j = e 2 π 3 j i , j = 1 , 2 , 3 \lambda_j=e^{\frac{2\pi}{3}ji},j=1,2,3 λj=e32πji,j=1,2,3

X j = ( λ 1 λ 1 2 λ 1 3 ) X_j=\left(\begin{matrix}\lambda_1\\\lambda_1^2\\\lambda_1^3\end{matrix}\right) Xj= λ1λ12λ13 ,可知 Ω X j = Ω ( λ j λ j 2 λ j 3 ) = ( λ j 2 λ j 3 λ j ) = ( λ j 2 λ j 3 λ j 4 ) = λ j ( λ j λ j 2 λ j 3 ) = λ j X j \Omega X_j=\Omega \left(\begin{matrix}\lambda_j\\\lambda_j^2\\\lambda_j^3\end{matrix}\right)=\left(\begin{matrix}\lambda_j^2\\\lambda_j^3\\\lambda_j\end{matrix}\right)=\left(\begin{matrix}\lambda_j^2\\\lambda_j^3\\\lambda_j^4\end{matrix}\right)=\lambda_j\left(\begin{matrix}\lambda_j\\\lambda_j^2\\\lambda_j^3\end{matrix}\right)=\lambda_jX_j ΩXj=Ω λjλj2λj3 = λj2λj3λj = λj2λj3λj4 =λj λjλj2λj3 =λjXj

X j X_j Xj 是属于 λ j \lambda_j λj Ω \Omega Ω 的特向,故 Ω \Omega Ω 恰有3个特向 X 1 , X 2 , X 3 X_1,X_2,X_3 X1,X2,X3 X 1 ⊥ X 2 ⊥ X 3 X_1\bot X_2 \bot X_3 X1X2X3 ∣ X 1 ∣ = ∣ X 2 ∣ = ∣ X 3 ∣ = 3 \vert X_1\vert=\vert X_2\vert=\vert X_3\vert=\sqrt{3} X1=X2=X3=3

令优阵 Q = ( q 1 , q 2 , q 3 ) = ( X 1 ∣ X 1 ∣ , X 2 ∣ X 2 ∣ , X 3 ∣ X 3 ∣ ) = 1 3 ( λ 1 λ 2 λ 3 λ 1 2 λ 2 2 λ 3 2 λ 1 3 λ 2 3 λ 3 3 ) Q=(q_1,q_2,q_3)=\left(\frac{X_1}{\vert X_1\vert},\frac{X_2}{\vert X_2\vert},\frac{X_3}{\vert X_3\vert}\right)=\frac{1}{\sqrt{3}}\left(\begin{matrix}\lambda_1&\lambda_2&\lambda_3\\\lambda_1^2&\lambda_2^2&\lambda_3^2\\\lambda_1^3&\lambda_2^3&\lambda_3^3\end{matrix}\right) Q=(q1,q2,q3)=(X1X1,X2X2,X3X3)=3 1 λ1λ12λ13λ2λ22λ23λ3λ32λ33 (为傅里叶优阵)

可得优分解 Q − 1 Ω Q = D ( λ 1 λ 2 λ 3 ) Q^{-1}\Omega Q=D\left(\begin{matrix}\lambda_1&&\\&\lambda_2&\\&&\lambda_3\end{matrix}\right) Q1ΩQ=D λ1λ2λ3 ,其中 Ω = ( e 3 , e 1 , e 2 ) = ( 0 1 0 0 0 1 1 0 0 ) \Omega=(e_3,e_1,e_2)=\left(\begin{matrix}0&1&0\\0&0&1\\1&0&0\end{matrix}\right) Ω=(e3,e1,e2)= 001100010

  • 或者 Q = 1 3 ( 1 1 1 λ 1 λ 2 λ 3 λ 1 2 λ 2 2 λ 2 2 ) Q=\frac{1}{\sqrt{3}}\left(\begin{matrix}1&1&1\\\lambda_1&\lambda_2&\lambda_3\\\lambda_1^2&\lambda_2^2&\lambda_2^2\end{matrix}\right) Q=3 1 1λ1λ121λ2λ221λ3λ22 Ω = ( 0 1 0 0 0 1 1 0 0 ) \Omega=\left(\begin{matrix}0&1&0\\0&0&1\\1&0&0\end{matrix}\right) Ω= 001100010 特向 ( 1 λ 1 λ 1 2 ) , ( 1 λ 2 λ 2 2 ) , ( 1 λ 3 λ 3 2 ) \left(\begin{matrix}1\\\lambda_1\\\lambda_1^2\end{matrix}\right),\left(\begin{matrix}1\\\lambda_2\\\lambda_2^2\end{matrix}\right),\left(\begin{matrix}1\\\lambda_3\\\lambda_3^2\end{matrix}\right) 1λ1λ12 , 1λ2λ22 , 1λ3λ32

    优分解 Q − 1 Ω Q = D = ( λ 1 λ 2 λ 3 ) Q^{-1}\Omega Q=D=\left(\begin{matrix}\lambda_1&&\\&\lambda_2&\\&&\lambda_3\end{matrix}\right) Q1ΩQ=D= λ1λ2λ3

可写 3-循环阵 A = [ a 0 , a 1 , a 2 ] = ( a 0 a 1 a 2 a 2 a 0 a 1 a 1 a 2 a 0 ) = a 0 I + a 1 Ω + a 2 Ω 2 A=[a_0,a_1,a_2]=\left(\begin{matrix}a_0&a_1&a_2\\a_2&a_0&a_1\\a_1&a_2&a_0\end{matrix}\right)=a_0I+a_1\Omega+a_2\Omega^2 A=[a0,a1,a2]= a0a2a1a1a0a2a2a1a0 =a0I+a1Ω+a2Ω2

  • 3
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AmosTian

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值