线代之几何重数&代数重数的理解(2)-矩阵指数的求解

大聪花

已于 2023-07-28 11:35:24 修改

阅读量1.8k

点赞数

文章标签： matlab 矩阵线性代数

于 2023-07-28 11:34:26 首次发布

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_50972566/article/details/131976679

版权

文章介绍了矩阵指数的三种求解方法，包括定义法、拉氏变换法和将矩阵化为对角或约当标准型。重点讨论了当几何重数不等于代数重数时如何使用约当标准型，并通过举例解释了广义特征向量的求解过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

线代之几何重数&代数重数的理解(2)-矩阵指数的求解

前言

上一篇聊了一下特征值、特征向量的定义，这一篇来继续说约当标准型和几何重数代数重数的关系，以及矩阵指数如何求解

正文

如果想要求出矩阵指数，一般有三种方法

方法一

定义法

$e^{At}=I+At+\frac{1}{2!}A^2t^2+···$

百分之 99%的解题情况下没用，八股文除外

方法二

拉氏变换法

$e^{At} = L^{-1}[(sI-A)^{-1}]$

非常常用，几乎万能就是难算

方法三

将矩阵 A 化为对角标准型或约当标准型

如果对应的任意特征值的几何重数 = 代数重数

那么就选择对角标准型，否则就用约当标准型
对角标准型相信大家都很熟悉了

$e^{At}=P \begin{pmatrix} e^{\lambda_1t} & 0 &0 \\ 0 & e^{\lambda_2t} &0 \\ 0 & ... &e^{\lambda_nt} \end{pmatrix} P^{-1}$

其中
P 为特征子空间的 n 个线性无关的基向量的组合，其中 n 是矩阵 A 的阶数
如果对应的特征值，存在几何重数 $\neq$ 代数重数
那么就代表不能被化为对角标准型，必须化成约当标准型

其实也很好理解，因为如果出现几何重数不等于代数重数的情况，也意味着代数重数大于几何重数，几何重数又等于特征子空间的基向量个数，它的 P 就会出现秩 $<$ 阶数的情况，也就是 n 个特征值只解出来小于 n 个的特征向量，也就自然不满足对角化的条件

对此，要对 A 矩阵进行约当标准型的转化，得求出特征向量与广义特征向量来组成变换矩阵 P
假设这里是三阶矩阵， $\lambda_1$ 是 2 重根，P 分解为[p1,p2,p3]，就列 2 个式子去解广义特征向量，即
$(\lambda_1I-A)p1=0 \space \normalsize{\textcircled{\scriptsize{1}}}\normalsize\enspace$ $(\lambda_1I-A)p2=p1 \normalsize{\textcircled{\scriptsize{2}}}\normalsize\enspace$

在式①中解出来的就是重根的特征向量，但是因为几何重数小于代数重数，解出来的特征向量只会有一个，所以要通过②式来求补充的广义特征向量p2，接着继续带入 $\lambda_3$ 来解第三个特征向量，由于 $\lambda_3$ 重根数为1，所以只会解出一个特征向量来

最后得到变换矩阵P=[p1,p2,p3]

$e^{At}=P \begin{pmatrix} e^{\lambda_1t} & te^{\lambda_1t} &0 \\ 0 & e^{\lambda_1t} &0 \\ 0 & 0 &e^{\lambda_2t} \end{pmatrix}P^{-1}$

一般形式有点难打，我就不打了，这里只拿特例形式举例子就行

在这里如果 $\lambda_1$ 和 $\lambda_2$ 是一样的，就要把他们看做一个特征值，只不过带有重根属性的特征值

我们再来观察变换后的约当块可以发现

变换后的每一个独特的特征值对应的约当块阶数 = 代数重数
解出几重根，对应的约当块就有几阶

总结

本篇阐述了关于几何重数、代数重数与约当块之间的联系，并通过对 $e^{At}$ 的第三种求法来引出如何在无法对角化的情况下进行约当对角化，并且对广义特征向量的求法做出了肤浅的阐明

关于

2023.2.14
作者：bigonion
邮箱：bigonion@bigonion.cn

NameSpace: bigonion.cn
Origin: bigonion.cn/blog
Powered by md.bigonion.cn

声明：未经本人同意，禁止转载、搬运、抄袭！

博客等级

码龄5年

5
原创

37
点赞

57
收藏

8
粉丝

关注

私信

热门文章

分类专栏

最新评论

Win10 搜索功能（WIN+S）、截图键（WIN+SHIFT+S）和屏幕键盘同时失效没反应怎么办？
普通网友: 真的有用
线代之几何重数&代数重数的理解(2)-矩阵指数的求解
CSDN-Ada助手: 非常高兴看到您的第5篇博客，标题非常吸引人！首先，恭喜您坚持不懈地创作，这对于提高自己的学术能力和分享知识是非常重要的。关于您这篇博客中关于线代之几何重数和代数重数的理解以及矩阵指数的求解的内容，我觉得您对这些概念的解释非常清晰，让我对这些主题有了更深入的理解。您的写作风格简洁明了，让读者更容易理解复杂的数学概念。对于下一步的创作建议，我想谨慎提出一些建议。首先，您可以考虑增加更多实例和案例，通过具体的例子来帮助读者更好地理解抽象的数学概念。其次，您可以尝试加入一些图表或图像，以便更直观地展示您所讨论的主题。再次恭喜您的创作成果，期待能够看到更多精彩的博客文章！祝您在未来的写作中继续取得进步，并能够影响更多人理解线性代数和数学领域的知识。
Win10 搜索功能（WIN+S）、截图键（WIN+SHIFT+S）和屏幕键盘同时失效没反应怎么办？
汪汪想变强: 真的有用
线代之几何重数&代数重数特征向量的理解(1)
CSDN-Ada助手: ” 线性代数中的几何重数是什么？简单来说，几何重数是指矩阵的特征值在向量空间中的重复次数。在本文中，我们将深入探讨线性代数中的几何重数。首先，让我们回顾一下特征值和特征向量的概念。对于一个 $n\times n$ 的矩阵 $A$，如果存在一个非零向量 $\mathbf{v}$，使得 $A\mathbf{v}=\lambda\mathbf{v}$，其中 $\lambda$ 是一个标量，那么 $\mathbf{v}$ 就是 $A$ 的特征向量，$\lambda$ 就是 $A$ 的特征值。现在假设 $A$ 有 $k$ 个不同的特征值 $\{\lambda_1,\lambda_2,\dots,\lambda_k\}$，它们对应的特征向量分别为 $\{\mathbf{v}_1,\mathbf{v}_2,\dots,\mathbf{v}_k\}$。我们可以将这些特征向量组成一个矩阵 $V=[\mathbf{v}_1,\mathbf{v}_2,\dots,\mathbf{v}_k]$，并将对应的特征值排成一个对角矩阵 $\Lambda=\operatorname{diag}(\lambda_1,\lambda_2,\dots,\lambda_k)$。现在考虑一个新的向量 $\mathbf{w}$，它可以表示为 $V\mathbf{c}$ 的形式，其中 $\mathbf{c}$ 是一个 $k$ 维向量。因为 $\{\mathbf{v}_1,\mathbf{v}_2,\dots,\mathbf{v}_k\}$ 是线性无关的，所以 $\mathbf{c}$ 是唯一确定的。我们有： $$ A\mathbf{w}=AV\mathbf{c}=V\Lambda\mathbf{c} $$ 因此，$A\mathbf{w}$ 可以表示为特征向量的线性组合。这意味着 $\mathbf{w}$ 在特征向量的张成子空间中。特别地，如果 $\mathbf{w}$ 对应的特征值为 $\lambda_i$，那么 $\mathbf{w}$ 在 $\mathbf{v}_i$ 张成的一维子空间中。现在考虑特征值 $\lambda_i$ 在向量空间中的重复次数 $m_i$。我们可以将 $\mathbf{v}_i$ 扩展成一个基 $\{\mathbf{v}_{i,1},\mathbf{v}_{i,2},\dots,\mathbf{v}_{i,m_i}\}$，使得所有 $\mathbf{v}_{i,j}$ 对应的特征值都是 $\lambda_i$。显然，这个基构成了 $\lambda_i$ 的本征空间。我们将 $\lambda_i$ 的本征空间的维度定义为 $\operatorname{dim}(E_{\lambda_i})=m_i$，称为代数重数。现在考虑 $\lambda_i$ 对应的本征空间中的一个基 $\{\mathbf{v}_{i,1},\mathbf{v}_{i,2},\dots,\mathbf{v}_{i,m_i}\}$。我们可以将每个 $\mathbf{v}_{i,j}$ 扩展成一个基 $\{\mathbf{w}_{i,j,1},\mathbf{w}_{i,j,2},\dots,\mathbf{w}_{i,j,k_j}\}$，使得所有 $\mathbf{w}_{i,j,l}$ 对应的特征值都是 $\lambda_i$。显然，这个基构成了 $\lambda_i$ 的本征空间的一组基。我们将 $\lambda_i$ 的本征空间的维度定义为 $\operatorname{dim}(E_{\lambda_i,\mathbf{v}_{i,j}})=k_j$，称为几何重数。我们可以将几何重数和代数重数联系起来。因为 $\{\mathbf{w}_{i,j,1},\mathbf{w}_{i,j,2},\dots,\mathbf{w}_{i,j,k_j}\}$ 是 $\mathbf{v}_{i,j}$ 所在的一维子空间的一组基，所以 $\operatorname{dim}(E_{\lambda_i,\mathbf{v}_{i,j}})=k_j=1$。因此，我们有： $$ \sum_{j=1}^{m_i}\operatorname{dim}(E_{\lambda_i,\mathbf{v}_{i,j}})=\sum_{j=1}^{m_i}1=m_i=\operatorname{dim}(E_{\lambda_i}) $$ 这意味着代数重数等于几何重数之和。这是线性代数中一个重要的结论。最后，让我们考虑一个例子。考虑矩阵： $$ A=\begin{bmatrix} 1 & 1 & 0 \\ 0 & 1 & 1 \\ 0 & 0 & 1 \end{bmatrix} $$ 它的特征值为 $\lambda_1=1$（代数重数为 $3$）和 $\lambda_2=1$（代数重数为 $1$）。$\lambda_1$ 对应的本征空间为 $\operatorname{span}\{\begin{bmatrix}1\\0\\0\end{bmatrix},\begin{bmatrix}0\\1\\0\end{bmatrix},\begin{bmatrix}0\\0\\1\end{bmatrix}\}$，几何重数为 $3$。$\lambda_2$ 对应的本征空间为 $\operatorname{span}\{\begin{bmatrix}1\\-1\\1\end{bmatrix}\}$，几何重数为 $1$。因此，我们有 $\operatorname{dim}(E_{\lambda_1})=3$，$\operatorname{dim}(E_{\lambda_1,\mathbf{v}_{1,1}})=1$，$\operatorname{dim}(E_{\lambda_1,\mathbf{v}_{1,2}})=1$，$\operatorname{dim}(E_{\lambda_1,\mathbf{v}_{1,3}})=1$，$\operatorname{dim}(E_{\lambda_2})=1$，$\operatorname{dim}(E_{\lambda_2,\mathbf{v}_{2,1}})=1$。总之，几何重数在线性代数中扮演着重要的角色，它描述了特征值在向量空间中的重复次数。理解几何重数有助于我们更好地理解线性代数中的概念和定理。 CSDN 会根据你创作的前四篇博客的质量，给予优秀的博主博客红包奖励。请关注 https://bbs.csdn.net/forums/csdnnews?typeId=116148&utm_source=csdn_ai_ada_blog_reply4 看奖励名单。
N维LTI系统的能控、能观性分解的matlab实现
大聪花: 点赞谢谢大家

最新文章

目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。