特征分解:eigendecomposition 特征向量:eigenvector 特征值:eigenvalue
一、理解
当我们在看一个运动的时候,我们是如何看的呢?是不是看这个运动的速度和方向;或者就像物理中的合力,我们会拆分成多个分力来简化。于是理所当然的会思考,矩阵是否也能像这样拆分呢?
1、存在性
我们不得不先说说矩阵的乘法,矩阵乘法本质是一种变换,是把一个向量,通过旋转,拉伸,变成另一个向量的过程
举一个例子:给定一个向量和任意一个矩阵
![]()
,他们相乘会得到一个新的向量
![]()
![affd8dd98ddacb84245a76eb7af0fa65.png](https://i-blog.csdnimg.cn/blog_migrate/dc8ad16db2156cd05de4b9d2bea0cacc.jpeg)
通过上面左图可以很清楚的看到了这样一个变换的过程,因为矩阵A是随机给出的,这也意味着,我们可以随意变换原来的向量,上面右图这样的情况是否也可能出现呢?当然会出现,我们用一个公式来表示描述右图的变换:
描述的是矩阵
![equation?tex=A](https://i-blog.csdnimg.cn/blog_migrate/a86f8657535c007558ea628b4b5b9c7a.png)
![equation?tex=v](https://i-blog.csdnimg.cn/blog_migrate/2bd40b4a76c2cad53a0283bfbae48e61.png)
也可以看成矩阵
![equation?tex=A](https://i-blog.csdnimg.cn/blog_migrate/a86f8657535c007558ea628b4b5b9c7a.png)
![equation?tex=v](https://i-blog.csdnimg.cn/blog_migrate/2bd40b4a76c2cad53a0283bfbae48e61.png)
![equation?tex=%5Clambda](https://i-blog.csdnimg.cn/blog_migrate/dc06394ad16162f3245fa966cb855095.png)
![equation?tex=v](https://i-blog.csdnimg.cn/blog_migrate/2bd40b4a76c2cad53a0283bfbae48e61.png)
![equation?tex=%5Clambda](https://i-blog.csdnimg.cn/blog_migrate/dc06394ad16162f3245fa966cb855095.png)
![equation?tex=A](https://i-blog.csdnimg.cn/blog_migrate/a86f8657535c007558ea628b4b5b9c7a.png)
![equation?tex=m](https://i-blog.csdnimg.cn/blog_migrate/f79ab5c40ded11a5ecf9c3162bbd89d5.png)
![equation?tex=A](https://i-blog.csdnimg.cn/blog_migrate/a86f8657535c007558ea628b4b5b9c7a.png)
![equation?tex=m](https://i-blog.csdnimg.cn/blog_migrate/f79ab5c40ded11a5ecf9c3162bbd89d5.png)