数学基础 -- 线性代数之特征值与特征向量基础

sz66cm

于 2024-09-13 00:20:09 发布

阅读量471

点赞数 8

文章标签：线性代数机器学习人工智能

本文链接：https://blog.csdn.net/sz66cm/article/details/142188686

版权

特征值与特征向量基础

1. 特征值的定义

给定一个方阵 $A$ ，如果存在一个非零向量 $v$ 和一个标量 $\lambda$ ，使得：
$\lambda v$
则称 $\lambda$ 是矩阵 $A$ 的特征值，而 $v$ 是对应于特征值 $\lambda$ 的特征向量。

1.1 几何意义

特征向量 $v$ 表示矩阵 $A$ 作用在向量 $v$ 上时，虽然向量的长度可能会改变，但其方向保持不变。特征值 $\lambda$ 表示的是该变化的缩放比例。

1.2 物理意义

在物理学、工程学等领域，特征值通常代表系统的固有性质。例如，在振动分析中，特征值可以表示系统的自然振动频率。

2. 如何求解特征值

求解矩阵 $A$ 的特征值 $\lambda$ 和特征向量 $v$ 的步骤如下：

2.1 特征方程

从定义 $\lambda v$ 出发，可以重写为：
$\lambda I) v = 0$
其中 $I$ 是单位矩阵。为了有非零解 $v$ ，矩阵 $\lambda I$ 必须是奇异的，即行列式为零：
$\det(A - \lambda I) = 0$
这个行列式方程称为特征方程，它是关于 $\lambda$ 的多项式，其解就是矩阵 $A$ 的特征值。

2.2 计算步骤

写出矩阵 $A$ 和单位矩阵 $I$ ，计算 $\lambda I$ 。
求出 $\det(A - \lambda I) = 0$ 。
解出特征方程，得到特征值 $\lambda$ 。
将特征值代入 $\lambda I)v = 0$ ，解出特征向量 $v$ 。

3. 例子

考虑一个简单的 $\times 2$ 矩阵 $A$ ：
$\begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$
我们将求解其特征值和特征向量。

3.1 特征方程

根据特征方程：
$\det(A - \lambda I) = \det\begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix} = 0$
计算行列式：
$\lambda)(3 - \lambda) - 2 \times 1 = \lambda^2 - 7\lambda + 10 = 0$
解这个方程：
$\lambda_1 = 5 \quad \text{和} \quad \lambda_2 = 2$
所以矩阵 $A$ 的特征值是 $\lambda_1 = 5$ 和 $\lambda_2 = 2$ 。

3.2 求解特征向量

对于 $\lambda_1 = 5$ ：

我们解 $(A - 5 I) v = 0$ ：
$\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix} \begin{pmatrix} v_1 \\ v_2 \end{pmatrix} = 0$
解得 $v_1 = v_2$ ，所以对应于特征值 $\lambda_1 = 5$ 的特征向量为：
$v_1 = \begin{pmatrix} 1 \\ 1 \end{pmatrix}$

对于 $\lambda_2 = 2$ ：

我们解 $(A - 2 I) v = 0$ ：
$\begin{pmatrix} 2 & 1 \\ 2 & 1 \end{pmatrix} \begin{pmatrix} v_1 \\ v_2 \end{pmatrix} = 0$
解得 $v_1 = -v_2$ ，所以对应于特征值 $\lambda_2 = 2$ 的特征向量为：
$v_2 = \begin{pmatrix} -1 \\ 1 \end{pmatrix}$