本文主要内容如下:
1. 方阵的谱与谱半径
定义 对于
A
∈
R
n
×
n
\bold A\in\mathbb{R}^{n\times n}
A∈Rn×n,将其全体特征值构成的集合称作
A
\bold A
A的 谱,记作
σ
(
A
)
\sigma(\bold A)
σ(A)。将模最大的特征值称作
A
\bold A
A的 谱半径,记作
ρ
(
A
)
\rho(\bold A)
ρ(A),即:
σ
(
A
)
=
{
λ
1
,
λ
2
,
…
,
λ
n
}
ρ
(
A
)
=
max
1
≤
i
≤
n
∣
λ
i
∣
\sigma(\bold A)=\{\lambda_1,\lambda_2,\dots,\lambda_n\}\\\ \\ \rho(\bold A)=\max_{1\le i\le n}|\lambda_i|
σ(A)={λ1,λ2,…,λn} ρ(A)=1≤i≤nmax∣λi∣
2. 矩阵范数与谱半径的关系
定理 对于任何
n
n
n 阶方阵
A
\bold A
A,均有
ρ
(
A
)
≤
∣
∣
A
∣
∣
\rho(\bold A)\le ||\bold A||
ρ(A)≤∣∣A∣∣
即,方阵的谱半径小于其任意一种矩阵范数。
证明:设
A
\bold A
A 的特征值为
λ
\lambda
λ ,对应的特征向量为
u
⃗
\vec{u}
u,根据矩阵范数的相容性条件:
∣
λ
∣
⋅
∣
∣
u
⃗
∣
∣
=
∣
∣
λ
u
⃗
∣
∣
=
∣
∣
A
u
⃗
∣
∣
≤
∣
∣
A
∣
∣
⋅
∣
∣
u
⃗
∣
∣
⟹
ρ
(
A
)
≤
∣
∣
A
∣
∣
|\lambda|\cdot||\vec{u}||=||\lambda\vec{u}||=||\bold A \vec{u}||\le||\bold A||\cdot||\vec{u}||\\\ \\ \Longrightarrow\rho(\bold A)\le ||\bold A||
∣λ∣⋅∣∣u∣∣=∣∣λu∣∣=∣∣Au∣∣≤∣∣A∣∣⋅∣∣u∣∣ ⟹ρ(A)≤∣∣A∣∣
上式中的向量范数是由矩阵范数应用于向量这种特殊情形定义的。(证毕)
定理 若
A
\bold A
A 为实对称矩阵,则
∣
∣
A
∣
∣
2
=
ρ
(
A
)
||A||_2=\rho(\bold A)
∣∣A∣∣2=ρ(A)
证明:由于实对称矩阵必可正交相似对角化,即
Q
T
A
Q
=
D
⟹
A
=
Q
D
Q
T
\bold{Q^TAQ}=\bold D\Longrightarrow\bold{A}=\bold{QDQ^T}
QTAQ=D⟹A=QDQT
其中
Q
、
D
\bold{Q、D}
Q、D 分别为特征向量构成的正交矩阵与特征值构成的对角阵。
那么
A
T
A
=
A
2
=
Q
D
2
Q
T
⟹
Q
T
(
A
T
A
)
Q
=
D
2
\bold{A^TA}=\bold A^2=\bold{QD^2Q^T}\Longrightarrow\bold{Q^T(A^TA)Q}=\bold D^2
ATA=A2=QD2QT⟹QT(ATA)Q=D2
说明:若
λ
≥
0
\lambda\ge0
λ≥0 为
A
T
A
\bold{A^TA}
ATA (半正定) 的特征值,则
λ
\sqrt{\lambda}
λ 为
A
\bold A
A 特征值。那么
∣
∣
A
∣
∣
2
=
λ
m
a
x
(
A
T
A
)
=
λ
m
a
x
(
A
)
=
ρ
(
A
)
(
证毕
)
||\bold A||_2=\sqrt{\lambda_{max}(\bold{A^TA})}=\lambda_{max}(\bold A)=\rho(\bold A)\quad(证毕)
∣∣A∣∣2=λmax(ATA)=λmax(A)=ρ(A)(证毕)