1. 对称矩阵
1. 1 对称矩阵的性质
首先对称矩阵是方阵,满足如下条件
- 元素关于主轴对称
a i j = a j i ; A = A T \begin{equation} a_{ij}=a_{ji};A=A^T \end{equation} aij=aji;A=AT - 对称矩阵A的特征值为实数,通常叫实对称矩阵;
- 特征向量相互正交。
1.2 证明特征值为实数
我们定义矩阵A的特征值为
λ
=
a
+
b
i
\lambda=a+bi
λ=a+bi,特征向量x,其对特征值
λ
ˉ
=
a
−
b
i
\bar{\lambda}=a-bi
λˉ=a−bi,其对应向量
x
ˉ
\bar{x}
xˉ,因为A为实对称矩阵,所以
A
=
A
ˉ
A=\bar{A}
A=Aˉ
A
x
=
λ
x
;
A
ˉ
x
ˉ
=
A
x
ˉ
=
λ
ˉ
x
ˉ
;
\begin{equation} Ax=\lambda x;\bar{A}\bar{x}=A\bar{x}=\bar{\lambda} \bar{x}; \end{equation}
Ax=λx;Aˉxˉ=Axˉ=λˉxˉ;
- 对
A
x
ˉ
=
λ
ˉ
x
ˉ
A\bar{x}=\bar{\lambda} \bar{x}
Axˉ=λˉxˉ转置:
( A x ˉ ) T = ( λ ˉ x ˉ ) T ; x ˉ T A T = x ˉ T λ ˉ T ; A = A T \begin{equation} (A\bar{x})^T=(\bar{\lambda} \bar{x})^T;\bar{x}^TA^T=\bar{x}^T\bar{\lambda}^T;A=A^T \end{equation} (Axˉ)T=(λˉxˉ)T;xˉTAT=xˉTλˉT;A=AT
x ˉ T A = x ˉ T λ ˉ T = x ˉ T λ ˉ T ; x ˉ T A x = λ ˉ x ˉ T x ; \begin{equation} \bar{x}^TA=\bar{x}^T\bar{\lambda}^T=\bar{x}^T\bar{\lambda}^T;\bar{x}^TAx=\bar{\lambda}\bar{x}^Tx; \end{equation} xˉTA=xˉTλˉT=xˉTλˉT;xˉTAx=λˉxˉTx;
A x = λ x ; ⇒ x ˉ T A x = λ x ˉ T x \begin{equation} Ax=\lambda x;\Rightarrow \bar{x}^TAx=\lambda \bar{x}^Tx \end{equation} Ax=λx;⇒xˉTAx=λxˉTx - 以上两个公式可得:
x ˉ T A x = λ x ˉ T x ; x ˉ T A x = λ ˉ x ˉ T x ; ⇒ λ = λ ˉ \begin{equation} \bar{x}^TAx=\lambda \bar{x}^Tx;\bar{x}^TAx=\bar{\lambda}\bar{x}^Tx; \Rightarrow \lambda=\bar{\lambda} \end{equation} xˉTAx=λxˉTx;xˉTAx=λˉxˉTx;⇒λ=λˉ - 整理可得:
a + b i = a − b i ⇒ b = 0 ⇒ λ = λ ˉ = a \begin{equation} a+bi=a-bi \Rightarrow b=0\Rightarrow \lambda=\bar{\lambda}=a \end{equation} a+bi=a−bi⇒b=0⇒λ=λˉ=a - 结论:!!!实对称矩阵A的特征值为实数!!!!
2. 矩阵分解
一般情况下,我们对矩阵A可以进行特征值和特征向量分解,形式如下:
A
=
S
Λ
S
−
1
\begin{equation} A=S\Lambda S^{-1} \end{equation}
A=SΛS−1
- 因为我们的矩阵A为对称矩阵,单位正交特征向量矩阵
Q
T
=
Q
=
Q
−
1
Q^T=Q=Q^{-1}
QT=Q=Q−1,那么整体代入可得:
A = Q Λ Q T \begin{equation} A=Q\Lambda Q^T \end{equation} A=QΛQT - 什么是一个好的矩阵?
好的矩阵是特征值 λ \lambda λ 为实数,特征向量 x i , x j x_i,x_j xi,xj相互正交。而实对称矩阵A满足以上两个条件。 - 实对称矩阵A,
A
=
A
T
A=A^T
A=AT矩阵分解如下:
A = Q Λ Q T = [ q 1 q 2 ⋯ q n ] [ λ 1 λ 2 ⋱ λ n ] [ q 1 T q 2 T ⋮ q n T ] = λ 1 q 1 q 1 T + λ 2 q 2 q 2 T + ⋯ + λ n q n q n T \begin{equation} A=Q\Lambda Q^T=\begin{bmatrix}q_1&q_2&\cdots&q_n\end{bmatrix}\begin{bmatrix}\lambda_1\\\\&\lambda_2&\\\\&&\ddots&\\\\&&&\lambda_n\end{bmatrix}\begin{bmatrix}q_1^T\\\\q_2^T\\\\\vdots\\\\q_n^T\end{bmatrix}=\lambda_1q_1q_1^T+\lambda_2q_2q_2^T+\cdots+\lambda_nq_nq_n^T \end{equation} A=QΛQT=[q1q2⋯qn] λ1λ2⋱λn q1Tq2T⋮qnT =λ1q1q1T+λ2q2q2T+⋯+λnqnqnT - 重点!!!,我们将每个
q
i
q
i
T
q_iq^T_i
qiqiT挑出来:,我们知道
∣
q
i
∣
=
1
|q_i|=1
∣qi∣=1
P = q i q i T 1 2 = q i q i T q i T q i ; 每一个小分量居然是投影矩阵!!!果然是叫谱分解定理!!! \begin{equation} P=\frac{q_iq^T_i}{1^2}=\frac{q_iq^T_i}{q_i^Tq_i};每一个小分量居然是投影矩阵!!!果然是叫谱分解定理!!! \end{equation} P=12qiqiT=qiTqiqiqiT;每一个小分量居然是投影矩阵!!!果然是叫谱分解定理!!!
可以将矩阵A想象成一束光,每一个 q i q i T q_iq^T_i qiqiT就相当于每个单色的成分的光,而 λ i \lambda_i λi 就相当于这个单色光所对应的比例,通过将n
种光进行不同比例的叠加,最后合成矩阵A。 - 每一个对称矩阵A都是由一些互相垂直的投影矩阵组合而成。我们可以将矩阵A想象成一幅画,每个投影矩阵 q i T q i q_i^Tq_i qiTqi 相当于一个图层平面,我们通过不同的图层叠加后形成一幅多彩的画,真神奇!!!
3. 微分方程的稳态
我们知道在解微分方程的时候,发现矩阵A的特征值小于等于零的时候,整个系统趋近于稳态,所以对于实对称矩阵A来说,我们希望知道矩阵A的特征值是多少,以便能更快的判断出整个系统是否会达到稳定,或者系统发散。但是当我们的矩阵A为50X50的时候,我们按照解特征值方程的方法:
∣
A
−
λ
I
∣
=
0
⇒
(
λ
1
−
k
1
)
(
λ
2
−
k
2
)
⋯
(
λ
50
−
k
50
)
\begin{equation} |A-\lambda I|=0\Rightarrow (\lambda_1-k_1)(\lambda_2-k_2)\cdots(\lambda_{50}-k_{50}) \end{equation}
∣A−λI∣=0⇒(λ1−k1)(λ2−k2)⋯(λ50−k50)
发现居然需要分解一个50次方的方程,也许一辈子都无法解决,想我们明明只是为了看看特征值符号的正负,所以我们通过特征值的正符号个数和矩阵A的主元正符号一致来间接的判断特征值为正数的个数。
3.1 正定对称矩阵
正定对称矩阵能保证特征值为正实数,所有的主元都是正数。我们有如下思路:
- 矩阵特征值为正数的个数=矩阵主元为正数的个数=矩阵的顺序主子式为整数的个数
顺序主子式表示如下:
∣ a 11 ∣ , ∣ a 11 a 12 a 21 a 22 ∣ , ∣ a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 ∣ \begin{equation} \begin{vmatrix} a_{11} \end{vmatrix},\begin{vmatrix} a_{11}&a_{12}\\\\ a_{21}&a_{22} \end{vmatrix},\begin{vmatrix} a_{11}&a_{12}&a_{13}\\\\ a_{21}&a_{22}&a_{23}\\\\ a_{31}&a_{32}&a_{33} \end{vmatrix} \end{equation} a11 , a11a21a12a22 , a11a21a31a12a22a32a13a23a33
这样我们就能通过实对称矩阵A的顺序主子式正数的个数来判断矩阵特征值为正数的个数