Eigenvectors from Eigenvalues 论文问题理解

最新推荐文章于 2024-09-01 16:16:10 发布
最新推荐文章于 2024-09-01 16:16:10 发布
阅读量495 收藏 2
点赞数
文章标签： 矩阵 特征值 特征向量
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40694478/article/details/103097662
版权
本文探讨了一种新方法，通过厄米矩阵的特征值和子矩阵特征值来求解特征向量。该方法源于三名物理学家在研究中微子时的发现，特别适用于厄米矩阵，但存在局限性，如需要预先知道特征值和子矩阵特征值，且在大规模矩阵中可能效率较低。陶哲轩的blog提供了更易理解的解释。
摘要由CSDN通过智能技术生成

文章目录

1.背景提要

论文摘要：本文提出了一种由特征值简洁确定特征向量的新方法。具体来说，我们把特征向量元素的范数平方与特征值和子矩阵特征值联系起来。

论文所介绍由矩阵特征值找出特征向量的背景是三名物理学家在研究“中微子”过程中，意外地发现矩阵特征向量的另外一种奇妙的解法。
这种解法只需要知道n阶厄米方阵A (Hermitian matrix)的特征值以及它的n个子矩阵特征值就可以解出矩阵A的所有特征向量元素的 范数绝对值。
在此之前，我们想要找到矩阵特征向量的一般方法是 计算特征多项式(物理学中的久期方程)–>求解特征值–>求解齐次线性方程组–>得到特征向量

2.论文要点和blog中问题浅显的理解

1）论文开头说明

在这里插入图片描述
即将n阶方阵 A A A设为Hermite矩阵，其不同的特征值写为 λ i ( A ) \lambda_{i}(A) λi​(A)，相应标准化后特征向量写为 v i v_{i} vi​。每个特征向量的元素表示 v i , j v_{i, j} vi,j​。矩阵 M j M_{j} Mj​是矩阵 A A A去掉第 j j j行和第 j j j列后的子矩阵，它的特征值是 λ k ( M j ) \lambda_{k}\left(M_{j}\right) λk​(Mj​)

2）论文得出来的重要引理

最低0.47元/天 解锁文章
PahaII
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
环与代数：KypoIII问题
光剑书架上的书
07-22 732
环与代数：KypoIII问题 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来 KypoIII问题起源于图论领域，它是关于无向图的一个
无监督学习的伦理问题：数据隐私算法公平性
光剑书架上的书
05-25 415
近年来，随着大数据技术的快速发展和算力的不断提升，人工智能（AI）迎来了新一轮的爆发式增长。其中，无监督学习作为一种重要的机器学习方法，由于其无需人工标注数据的特点，在数据挖掘、模式识别、图像处理等领域展现出巨大的应用潜力，并取得了一系列突破性进展。与需要人工标注数据的监督学习不同，无监督学习的目标是从无标签的数据中学习数据的内在结构和规律。它试图找到数据中隐藏的模式、关系或趋势，而无需任何预先定义的类别或标签。数据隐私指个人或组织对其自身信息的控制权，包括信息的收集、使用、披露和存储。
eigenvectors-from-eigenvalues:从特征值确定特征向量的新旧方法的PyTorch实现比较
04-15
特征值计算的新特征向量 该存储库实现了此新，该使我们能够通过PyTorch从特征向量优雅地计算出特征向量。 我将其移植到PyTorch，因为我的许多工作流程都在使用PyTorch的GPU上。 在Google Colab上运行Notebook 作者和摘要 PETER B. DENTON，STEPHEN J. PARKE，TERENCE TAO和XINING ZHANG We present a new method of succinctly determining eigenvectors from eigenvalues. Specifically, we relate the norm squared of the elements of eigenvectors to the eigenvalues and the submatrix eigenvalues. 核心方程 这是核
Eigenvectors from eigenvalues的证明
jiongjiongai的博客
11-17 643
Eigenvectors from eigenvalues的推导 论文: Eigenvectors from eigenvalues 提出并证明了一种根据矩阵特征值和子矩阵特征值计算Hermitian矩阵的normed特征向量的每个元素绝对值的方法。由于编写时间有限，本文给出部分详细证明过程： 命题 对于任意一个 n×nn \times nn×n 的Hermitian矩阵 AAA， 假设特征值为...
Eigenvectors from Eigenvalues
mingo_敏
11-16 727
Eigenvectors from Eigenvalues PDF: https://arxiv.org/pdf/1908.03795.pdf Neutrinos Lead to Unexpected Discovery in Basic Math 3个搞物理的颠覆了数学常识，数学天才陶哲轩：我开始压根不相信 ...
EIGENVECTORS FROM EIGENVALUES的一些看法
weixin_39393640的博客
11-16 418
EIGENVECTORS FROM EIGENVALUES论文的一些小看法 从特征值到特征向量,一种新的求解特征向量的方法. 由三位物理大佬 PETER B. DENTON, STEPHEN J. PARKE, XINING ZHANG共同发现, 由我们家喻户晓的大佬陶哲轩真神证明的. 论文链接: https://arxiv.org/abs/1908.03795?context=math.RA ...
The Application of Eigenvectors and Eigenvalues to Differential Equations
zzyczzyc的博客
12-01 174
文章目录微分方程的数学背景 微分方程的数学背景 二阶常系数齐次线性微分方程：y′′+py′+qy=0y^{''}+py^{'}+qy=0y′′+py′+qy=0 p、q 是常数：这是常系数微分方程；不是常数：变系数微分方程 当 r 为常数的时候，指数函数erxe^{rx}erx和它的各阶derivative都只差一个常数因子。所以，我们用...
算子代数：局部紧空间上的测定理论
光剑书架上的书
07-11 124
算子代数：局部紧空间上的测定理论 1. 背景介绍 1.1 问题的由来 在现代数学与物理学的交叉领域中，算子代数扮演着至关重要的角色。特别是在量子力学和泛函分析的研究中，算子代数提供了描述物理系统和数学结构的有效框架。局部紧空间上的测定理论则是这
EIGENVECTORS FROM EIGENVALUES论文结论举例验证
微电子学与固体电子学-俞驰
11-15 1441
论文总共三种证明方法来证明同一个理论: 取其中之一: 下面举个例子来说明下陶哲轩论文里面的这个公式到底是什么意思. 设矩阵A为: {−141430102} \left\{ \begin{matrix} -1 & 4 & 1 \\ 4 & 3 & 0 \\ 1 & 0 & 2 \\ \end{matrix} \right...
EIGENVECTORS FROM EIGENVALUES论文matlab代码
ocnzhao的专栏
11-17 203
本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 论文原文见预印本论坛：题目Eigenvectors from Eigenvalues PDF: https://arxiv.org/pdf/1908.03795.pdf 原来例子的python版本见链接：https://blog.csdn.net/appleyuchi/article/details...
矩阵特征值和特征向量（Eigenvalue and Eigenvector）
努力中的老周的专栏
11-24 9606
定义 矩阵 A 为 n 阶方阵，它的特征向量（eigenvector）v 经过这个线性变化之后，得到的新向量仍然与原来的 v 保持再同一条直线上，但其长度或方向也许会改变。即，其中 为标量，即特征向量的长度在该线性变化下缩放比例，称 为其特征值（eigenvalue）。 根据定义，我们需要满足 ，。使用左手法则，我们可以得到 ，对应 ，这是关于标量 x 的 n 阶齐次线性方程组，它有非零解的充分必要条件是系数行列式为零，也就是 。 含义 如果特征值为正，则表示 v 在经过线性变换的作用后方向也.
矩阵特征值和特征向量详细计算过程
热门推荐
Junerror的博客
05-07 48万+
1.矩阵特征值和特征向量定义        A为n阶矩阵，若数λ和n维非0列向量x满足Ax=λx，那么数λ称为A的特征值，x称为A的对应于特征值λ的特征向量。式Ax=λx也可写成( A-λE)x=0，并且|λE-A|叫做A 的特征多项式。当特征多项式等于0的时候，称为A的特征方程，特征方程是一个齐次线性方程组，求解特征值的过程其实就是求解特征方程的解。 计算：A的特征值和特征向量。计算行列式得化简...
Eigenvalues And Eigenvectors
zzyczzyc的博客
11-29 1752
文章目录The Definition of Eigenvalues and EigenvectorsDiagonalizing MatrixThe application to Differential equationsBackground fo differential equations The Definition of Eigenvalues and Eigenvectors Di...
TensorFlow - 特征值与特征向量(Eigenvalues and eigenvectors)
flyfish
01-31 8326
TensorFlow - 特征值与特征向量(Eigenvalues and eigenvectors) flyfish 定义1 对于一个给定的线性变换A，它的特征向量v，经过这个线性变换之后，得到的新向量仍然与原来的v保持在同一条直线上，但其长度或方向也许会改变。即， Av=λv" role="presentation" style="position: relative;">A
特征值_陶哲轩数学发现的故事 | 特征值特征向量等式
weixin_39901203的博客
12-31 617
12月3日，陶哲轩在其个人博客上更新了一篇文章，https://terrytao.wordpress.com/2019/12/03/eigenvectors-from-eigenvalues-a-survey-of-a-basic-identity-in-linear-algebra/说他与合作者在arXiv上更新了此前关于特征值的文章Eigenvectors from Eigenval...
向量和矩阵学习笔记
最新发布
mikeshizi1234的博客
09-01 725
首先，因为我刚刚学到高中的向量，对向量的看法呢就是一条有长度和方向的线，不过这在数学上的定义其实是不对，甚至跟我看的差别其实有点大，真正的定义就是数域FFF中的nnn个数a1a2a3ana1​a2​a3​an​组成的有序数组称为数域FFF上的nnn维向量。那么向量在这里具体表示的是什么呢？一般来说，向量一般就是指一些有关系的数组成的数组，但是也不绝对。Ps:数域就是类似于函数的定义域或者说是值域，一般来说FFF常指实数域RRR或者是复数域C。
python实战实例：整数去重&矩阵交换行
weixin_48992840的博客
08-27 460
输出交换之后的矩阵，矩阵的每一行元素占一行，元素之间以一个空格分开。
通义说【线性代数】为什么矩阵乘以向量是一个对矩阵中列向量的线性组合
uncompleted code —— 代码片段
09-01 337
矩阵乘以向量可以被理解为该向量在矩阵所代表的空间变换下的映射结果，也可以看作是矩阵列向量的线性组合。为了更好地理解这一点，让我们从矩阵乘法的基本定义出发。假设有一个m×n的矩阵A和一个n维列向量x，矩阵AAa1​a2​an​这里每个ai​都是一个m维的列向量。当我们将矩阵A与向量xAxx1​a1​x2​a2​xn​an​这里x的每个分量xi​都是实数，它们分别与矩阵A。
C++报错"The eigenvectors have not been computed together with the eigenvalues."
06-11
这个错误通常是由于没有正确调用Eigen库的eigenvectors()函数导致的。在Eigen库中，进行特征值分解时可以使用SelfAdjointEigenSolver或EigenSolver函数，其中SelfAdjointEigenSolver函数适用于对称矩阵，而EigenSolver适用于非对称矩阵。特征向量矩阵可以通过调用SelfAdjointEigenSolver或EigenSolver类的eigenvectors()函数获取，但要注意在调用之前必须要先调用eigenvalues()函数，否则会出现"The eigenvectors have not been computed together with the eigenvalues."的错误。 以下是一个简单示例，演示了如何正确获取特征向量矩阵： ```c++ #include <iostream> #include <Eigen/Dense> int main() { Eigen::MatrixXd A(3, 3); // 定义矩阵A A << 1, 2, 3, 4, 5, 6, 7, 8, 9; // 赋值 Eigen::EigenSolver<Eigen::MatrixXd> eig(A); // 特征值分解 Eigen::MatrixXd V = eig.eigenvectors().real(); // 获取特征向量矩阵 // 在获取特征向量矩阵之前必须要先调用eigenvalues()函数 std::cout << "特征值矩阵为：" << std::endl << eig.eigenvalues().real() << std::endl; std::cout << "特征向量矩阵为：" << std::endl << V << std::endl; return 0; } ``` 其中，`MatrixXd`表示普通的矩阵，`EigenSolver`表示特征值分解类，`.real()`表示获取实部部分。需要注意的是，由于EigenSolver类返回的特征值和特征向量都是复数形式，因此需要使用`.real()`获取实部部分。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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