阵列天线处理的理论和应用（二）阵列信号处理基础（1）

最新推荐文章于 2024-07-24 22:33:06 发布

通信小佬

最新推荐文章于 2024-07-24 22:33:06 发布

阅读量440

点赞数

文章标签：矩阵线性代数

本文链接：https://blog.csdn.net/qq_45017330/article/details/125271356

版权

2.1矩阵代数的相关知识

2.1.1特征值与特征向量

若Ae= $\lambda$ e （1）

则称 $\lambda$ 是矩阵A的特征值，e是对应于 $\lambda$ 的特征向量。（ $\lambda$ ，e）为矩阵A的特征对。

2.1.2广义特征值与广义特征向量

若Ae= $\lambda$ Be （2）

则称 $\lambda$ 是矩阵A相对矩阵B的广义特征值，e是 $\lambda$ 对应的广义特征值。如果矩阵B非满秩，那么 $\lambda$ 就可能为任意值。矩阵B为单位阵时，就为普通的特征值问题。

2.1.3矩阵的奇异值分解

奇异值：对于复矩阵 $A_{m\times n}$ ，称 $A^{H}A$ 的n个特征根 $\lambda _{i}$ 的算数根 $\sigma _{i}=\sqrt{\lambda_{i}}\left ( i=1,2,3,\cdots,n \right )$ 为A的奇异值。

奇异值矩阵：若记 $\sum =diag\left ( \sigma _{1} ,\sigma _{2},\cdots ,\sigma _{r}\right )$ ,其中 $\sigma _{1} ,\sigma _{2},\cdots ,\sigma _{r}$ 是A的全部非零奇异值，则称 $m\times n$ 矩阵

$S=\begin{bmatrix} \sum & 0\\ 0 & 0 \end{bmatrix}=\begin{bmatrix} \sigma _{1} & & & & & \\ & \ddots & & & & \\ & & \sigma _{r} & & & \\ & & &0 & & \\ & & & & \ddots & \\ & & & & &0 \end{bmatrix}$ （3）

为A的奇异值矩阵。

奇异值分解原理：对于 $m\times n$ 维的矩阵A，分别存在一个 $m\times m$ 维酉矩阵U和一个 $n\times n$ 维酉矩阵V使得 $A=U\Sigma V^{H}$ 。

2.1.4Toeplitz矩阵

定义：具有2n-1个元素的n阶矩阵

$A=\begin{bmatrix} a_{0} &a_{-1} & a_{-2}& \cdots & a_{-n+1} \\ a_{1} & a_{0}& a_{-1} & \cdots & a_{-n+2}\\ a_{2}& a_{1} &a_{0} &\cdots & a_{-n+3}\\ \vdots &\vdots & \vdots & \ddots &\vdots \\ a_{n-1}& a_{n-2} & a_{n-3} &\cdots &a_{0} \end{bmatrix}$ （4）

为Toeplitz矩阵，简称T矩阵。T矩阵完全由第一行和第一列的2n-1个元素确定。

应用：数据信息处理过程中（有限元素法，概率统计以及滤波理论等领域）

2.1.5Hankel矩阵

定义：具有以下形式的n+1阶矩阵

$\begin{bmatrix} a_{0} &a_{1} &a_{2} & \cdots &a_{n} \\ a_{1}&a_{2} &a_{3} & \cdots & a_{n+1}\\ a_{2} & a_{3} & a_{4} &\cdots &a_{n+2} \\ \vdots & \vdots &\vdots &\ddots &\vdots \\ a_{n}& a_{n+1} &a_{n+2} &\cdots & a_{2n} \end{bmatrix}$ （5）

为Hankel矩阵或正交对称矩阵。Hankel矩阵完全由第1行和第n列的2n+1个元素确定。

2.1.6Vandermonde矩阵

定义：具有以下形式的 $m\times n$ 阶矩阵

$V=\begin{bmatrix} 1 & 1 &1 & \cdots &1 \\ a_{1}& a_{2} & a_{3} & \cdots & a_{n} \\ a _{1}^{2}& a _{2}^{2} & a _{3}^{2} & \cdots & a _{n}^{2}\\ \cdots& \cdots & \cdots & \ddots & \cdots \\ a _{1}^{m-1}& a _{2}^{m-1} & a _{3}^{m-1} & \cdots &a _{n}^{m-1} \end{bmatrix}$ （6）

为Vandermonde矩阵。

2.1.7Hermitian矩阵

如果矩阵 $A_{n\times n}$ 满足 $A=A^{H}$ ，则称为Hermitian矩阵。

Hermitian矩阵的性质：

（1）Hermitian矩阵的所有特征值都是实的。

（2）Hermitian矩阵对应于不同特征值的特征向量相互正交。

（3）Hermitian矩阵可分解为 $A=E\Lambda E=\sum_{i=1}^{n}\xi _{i}e_{i}e_{i}^{H}$ 的形式，这一分解称为谱定理，也就是矩阵A的特征分解定理。其中， $\Lambda =diag\left ( \xi _{1} ,\xi _{2},\cdots ,\xi _{n}\right ),E=\left [ e _{1},e _{2},\cdots ,e _{n} \right ]$ 是由特征向量构成的酉矩阵。

2.1.8Kronecker积

定义： $p\times q$ 维矩阵A和 $m\times n$ 维矩阵B的Kronecker积记为

$A\otimes B=\begin{bmatrix} a_{11}B & a_{12}B & \cdots & a_{1q}B\\ a_{21}B& a_{22}B & \cdots & a_{2q}B\\ \vdots & \vdots & \ddots & \vdots \\ a_{p1}B& a_{p2}B& \cdots & a_{pq}B \end{bmatrix}$ （7）