本文详细介绍了对称矩阵的性质，包括它们的特征值总是实数，以及可以被正交对角化。接着，讨论了奇异值的概念，指出奇异值是与对称矩阵的对角化密切相关的，它对于理解矩阵的列空间和降维至关重要。最后，阐述了奇异值分解（SVD）的基本原理和应用，包括在机器学习、NLP和搜索引擎中的作用。
完美的对称矩阵
A = A T A = A^T A=AT
⋆ \star ⋆ 对称矩阵特征值一定是实数
⋆ \star ⋆ 对称矩阵的多重特征值，对应的特征空间的维度一定等于重数 ⇔ \Leftrightarrow ⇔ 几何重数 == 代数重数 ⇔ \Leftrightarrow ⇔ 一定有n个线性无关的特征向量 ⇔ \Leftrightarrow ⇔ 一定可相似对角化
正交对角化
对称矩阵可以被正交对角化（P可以是一个标准正交系）
⋆ \star ⋆ 向量点乘（内积）与矩阵乘法之间的关系： v ⃗ 1 ⋅ v ⃗ 2 = ( v 1 ) T v 2 \vec{v}_1·\vec{v}_2 = (v_1)^T v_2 v1⋅v2=(v1)Tv2（向量 = M 1 ∗ n M_{1*n} M1∗n）
⋆ \star ⋆ 对称矩阵，所有不同特征值：对应的特征向量相互垂直；相同特征值: k重特征值对应特征空间的维度为k
⇒ \Rightarrow ⇒ 不同的 λ \lambda λ： 对应的特征向量相互正交，相同的 λ \lambda λ（k重）：特征空间维度为k，所有在特征空间中也可以找到一组标准正交基
⇒ \Rightarrow ⇒ 对称矩阵一定可以找到n个正交的特征向量（不仅仅是线性无关）
如果A是对称矩阵： A = Q D Q − 1 = Q D Q T A = QDQ^{-1} = QDQ^T A=QDQ−1=QDQT（正交对角化）
Q: 正交矩阵（一个坐标系：只关注方向即可 → \rightarrow → 将每个特征向量标准化， 形成标准正交矩阵，更方便）
【注】标准正交矩阵Q： Q T = Q − 1 Q^T = Q^{-1} QT=Q−1
推论：如果一个矩阵可以被正交对角化，这个矩阵一定是对称矩阵 ，证明： A = （ Q D Q T ） T = A T A =（QDQ^T）^T = A^T A=（QDQT）T=AT
谱（某些领域中，将特征值或奇异值称为谱）定理：
A是对称矩阵 ⇔ \Leftrightarrow ⇔ A可以被正交对角化 A = Q D Q T A = QDQ^T A=QDQT
奇异值
⋆ \star ⋆ 对于每个非方阵：都可以找到一个对称矩阵与其对应
若A是一个 m ∗ n m*n m∗n 的矩阵， A T A A^TA ATA是一个 n ∗ n n*n n∗n 的对称矩阵
A T A A^TA ATA 有n个实数特征值（ λ 1 , λ 2 . . . λ n \lambda_1, \lambda_2 ... \lambda_n λ1,λ2...
最低0.47元/天 解锁文章
扫一扫
3852
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
