线代之几何重数&代数重数特征向量的理解(1)

大聪花

已于 2023-04-14 15:10:41 修改

阅读量3.5k

点赞数 11

分类专栏：线性代数文章标签：线性代数算法矩阵 matlab

于 2023-04-14 12:46:56 首次发布

本文链接：https://blog.csdn.net/qq_50972566/article/details/130151027

版权

线性代数专栏收录该内容

2 篇文章 0 订阅

订阅专栏

线代之几何重数&代数重数特征向量的理解(1)

前言

因为线性代数并没有讲过约当标准型，所以导致我们在学习现代控制理论的时候一脸懵，今天来对自己理解的一些东西做一个非常浅显的总结，并且对很久之前学过的线性代数一些内容做复习

正文

首先我们来看特征值、特征向量的定义

设 A 为 n 阶方阵，如果存在 $\lambda$ 和 n 维非零向量 $\alpha$ 使得

$A\alpha=\lambda\alpha$

则我们把 $\lambda$ 称为方阵的一个特征值， $\alpha$ 称为方阵 A 对应于特征值 $\lambda$ 的一个特征向量
首先求特征值用到的公式是
$\det(\lambda*I-A)=0$
这里有两个性质比较有意思
$\lambda1+\lambda2+...+\lambda_n=tr(A)$
$\lambda1\lambda2···\lambda_n=\det A$
即所有特征值之和等于矩阵 A 的对角线上的元的和
所有特征值之积等于 A 的行列式的值

化简特征方程

我们知道特征方程最后解出来是特征值，所以我们可以把方程的形式表示为一个根次方乘积的形式，即：
$|\lambda I-A|=(\lambda-\lambda_1)^{k1}(\lambda-\lambda_2)^{k2}···(\lambda-\lambda_n)^{kn}$

那么这里的 $\lambda_1到\lambda_n$ 就是解出来的特征值
$k_1到k_n$ 代表对应特征值的重根数

例如:
$|\lambda I-A|=(\lambda-2)^{2}(\lambda+7)^{1}$

其中:
$\lambda_1$ 的解为 2，重根数 2 个，代数重数等于重根数，等于 2 个
$\lambda_2$ 的解为-7，重根数 1 个，代数重数等于重根数，等于 1 个

请注意，这里描述的代数重数都是指 $\lambda$ 的代数重数

那么在说到几何重数之前就必须讲讲特征子空间了

特征子空间

定义：
$V_\lambda$ 即特征子空间指的是对方阵 A 来说，对应的特征值的所有的特征向量和零向量所组成的空间集合
大白话就是分别代入所有的特征值进去解 x，也就是特征向量: $(\lambda_{1...n} I-A)x=0$
请还是注意，这里的特征子空间还是对于特定的特征值来说的

几何重数

为什么要强调这个，因为和几何重数的定义息息相关

几何重数就定义成：
$\lambda_i$ 的特征子空间 $V_{\lambda i}$ 的维数
其中可以证明：特征值的几何重数不大于它的代数重数

关于几何重数有公式可以表达
$几何重数=dim(V_\lambda)=n-R(\lambda I-A)$

就是 $\lambda$ 带入方程后所得到的方程缺少的秩的数目

实例

求解
$A=\begin{pmatrix} 1 & -2 & 2 \\ -2 & -2 &4 \\ 2 & 4 & -2 \end{pmatrix}的特征值与特征向量，特征子空间$

解：
$|\lambda I-A|=(\lambda-2)^{2}(\lambda+7)^{1}$
$\lambda_1$ 的解为 2，重根数 2 个
$\lambda_2$ 的解为-7，重根数 1 个

将 $\lambda_1$ 带入后变成 $(2 I - A) x = 0$
化简得到
$x_1+2x_2-2x_3=0$
三个未知数一个方程
我们需要解出解系，我们令 $x_1=-2k_1,x_2=k_1$ 解得 $x_3=0$
解出第一个特征向量 $\alpha_1$ 为

$\alpha_1=k1\begin{pmatrix} -2 \\ 1 \\ 0 \end{pmatrix}$

同理解出第二个特征向量 $\alpha_2$ 为

$\alpha_2=k2\begin{pmatrix} 2 \\ 0 \\ 1 \end{pmatrix}$

其中 k1,k2 不同时为 0

我们带入 $\lambda_2$ 带入后解 $(- 7 I - A) x = 0$

$\left\{ \begin{aligned} 2x_1+x_3= 0\\ x_2+x_3=0 \end{aligned} \right.$

解出

$\alpha_3=k3\begin{pmatrix} 1 \\ 2 \\ -2 \end{pmatrix}$

那么根据定义，

$V_{\lambda_1}=\begin{pmatrix} \alpha_1 , \alpha_2 ,0 \end{pmatrix}$

就是 $\lambda_1$ 和 $\lambda_2$ 的特征子空间

$V_{\lambda_3}=\begin{pmatrix} \alpha_3,0 \end{pmatrix}$

就是 $\lambda_3$ 的特征子空间，那么对于 $\lambda_1,\lambda_2$ 来说，它们的几何重数为 $\dim(V_{\lambda_1})$ 或 $\dim(V_{\lambda_2})$ ，特征子空间的维度就等于基向量个数，这里有两个基向量 $\alpha_1,\alpha_2$ 所以几何重数就是 2
对于 $\lambda_3$ 来说只有一个基向量，所以就是几何重数为 1