矩阵的迹 特征值

矩阵的迹（trace）

X∈P（n×n）,X=（x_ii）的主对角线上的所有元素之和称之为X的迹，记为tr(X)，即tr(X)=∑x_ii

性质：

(1)

设有N阶矩阵A，那么矩阵A的迹（用tr（A）表示）就等于A的特征值的总和，也即A矩阵的主对角线元素的总和。

1.迹是所有对角元的和

2.迹是所有特征值的和

3.某些时候也利用tr(AB)=tr(BA)来求迹

(2)

奇异值分解（Singular value decomposition ）

奇异值分解非常有用，对于矩阵A(p*q)，存在U(p*p)，V(q*q)，B(p*q)（由对角阵与增广行或列组成），满足A = U*B*V

U和V中分别是A的奇异向量，而B是A的 奇异值。AA'的 特征向量组成U，特征值组成B'B，A'A的特征向量组成V，特征值（与AA'相同）组成BB'。因此， 奇异值分解和特征值问题紧密联系。

如果A是 复矩阵，B中的奇异值仍然是实数。

SVD提供了一些关于A的信息，例如非零 奇异值的数目（B的 阶数）和A的阶数相同，一旦阶数确定，那么U的前k列构成了A的列向量空间的正交基。

 

矩阵的特征值（eigenvalue）

设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是A的一个特征值（characteristic value)或本征值（eigenvalue)。

求解矩阵特征值的方法

Ax=mx，等价于求m，使得(mE-A)x=0，其中E是单位矩阵，0为零矩阵。

|mE-A|=0，求得的m值即为A的特征值。 |mE-A| 是一个n次多项式，它的全部根就是n阶方阵A的全部特征值，这些根有可能相重复，也有可能是复数。

如果n阶矩阵A的全部特征值为m1 m2 ... mn，则|A|=m1*m2*...*mn

同时矩阵A的迹是特征值之和：tr（A）=m1+m2+m3+…+mn [1]

如果n阶矩阵A满足矩阵多项式方程g(A)=0, 则矩阵A的特征值m一定满足条件g(m)=0;特征值m可以通过解方程g(m)=0求得