这一节,我们将会把线性代数扩展到新的数域,复数。
一、复数向量和复数矩阵
线性代数的完整讨论离不开复数。线性代数讨论到复数域,许多概念都会有新的扩展:如转置、正交、正交矩阵、模长等等。有了这些新的扩展概念,傅里叶矩阵(Fourier matrix)这类在工程领域广泛应用的复数矩阵也能够被我们用线性代数研究。傅里叶矩阵的特点就是列向量之间是相互正交的,当然这里说说的是复列向量。
共轭转置(Conjugate transpose):
z
ˉ
T
=
[
z
ˉ
1
z
ˉ
2
⋯
z
ˉ
n
]
\bar z^T=\begin{bmatrix}\bar z_1&\bar z_2&\cdots &\bar z_n \end{bmatrix}
zˉT=[zˉ1zˉ2⋯zˉn]
其中,
z
z
z是一个复列向量。
复向量模长平方(Length squared):
∣
∣
z
∣
∣
2
=
[
z
ˉ
1
⋯
z
ˉ
n
]
[
z
ˉ
1
⋮
z
ˉ
n
]
=
∣
z
1
∣
2
+
∣
z
1
2
+
⋯
+
∣
z
n
∣
2
\vert\vert z\vert\vert^2=\begin{bmatrix}\bar z_1&\cdots&\bar z_n\end{bmatrix}\begin{bmatrix}\bar z_1\\\vdots\\\bar z_n\end{bmatrix}=\vert{z_1}\vert ^2+\vert{z_1}^2+\cdots+\vert{z_n}\vert ^2
∣∣z∣∣2=[zˉ1⋯zˉn]
zˉ1⋮zˉn
=∣z1∣2+∣z12+⋯+∣zn∣2
也就是
z
ˉ
T
z
=
∣
∣
z
∣
∣
2
\bar z^Tz=\vert\vert z\vert\vert^2
zˉTz=∣∣z∣∣2,我们把对于矩阵(含列向量)的转置和共轭运算称为
H
e
r
m
i
t
i
a
n
Hermitian
Hermitian运算。记作
z
H
z^H
zH。
定义复向量内积运算:
z
ˉ
T
z
=
z
H
z
=
∣
z
1
∣
2
+
∣
z
1
2
+
⋯
+
∣
z
n
∣
2
\bar z^Tz=z^Hz=\vert{z_1}\vert ^2+\vert{z_1}^2+\cdots+\vert{z_n}\vert ^2
zˉTz=zHz=∣z1∣2+∣z12+⋯+∣zn∣2
1.3 复对称矩阵
如果一个复矩阵满足:
Z
H
=
Z
Z^H=Z
ZH=Z
那么这个矩阵就“Hermitian matrix”,显然其对角线必须是一个实数。如:
[
2
3
+
i
3
−
i
5
]
\begin{bmatrix}2&3+i\\3-i&5\end{bmatrix}
[23−i3+i5]
这样的矩阵不仅特征值为正数,而且特征向量也相互正交。
1.4 酉矩阵(Unitary matrix)
一个复数矩阵如果满足:
Z
H
Z
=
I
Z^HZ=I
ZHZ=I
这个概念和单位正交概念对应。
二、傅里叶矩阵与快速傅里叶变换
2.1 傅里叶矩阵
傅里叶矩阵
F
n
F_n
Fn本身也是一个酉矩阵,其形式如下:
[
1
1
1
⋯
1
1
w
w
2
⋯
w
n
−
1
1
w
2
w
4
⋯
w
2
(
n
−
1
)
⋯
⋯
⋯
⋯
⋯
1
w
n
−
1
w
2
(
n
−
1
)
⋯
w
(
n
−
1
)
2
]
\begin{bmatrix}1&1&1&\cdots&1\\ 1&w&w^2&\cdots&w^{n-1}\\ 1&w^2&w^4&\cdots&w^{2(n-1)}\\ \cdots&\cdots&\cdots&\cdots&\cdots\\ 1&w^{n-1}&w^{2(n-1)}&\cdots&w^{(n-1)^2} \end{bmatrix}
111⋯11ww2⋯wn−11w2w4⋯w2(n−1)⋯⋯⋯⋯⋯1wn−1w2(n−1)⋯w(n−1)2
其中,
w
w
w是一个复数:
w
=
e
2
π
n
⋅
i
w=e^{\frac{2\pi}{n}\cdot i}
w=en2π⋅i,这里的
i
i
i是一个复数,不是一个变量。容易得到以下结论:
-
w n = ( e 2 π n ⋅ i ) n = e 2 π i = 1 w^n={(e^{\frac{2\pi}{n}\cdot i})}^n=e^{2\pi i}=1 wn=(en2π⋅i)n=e2πi=1
-
w k = ( e 2 π n ⋅ i ) k = e k ⋅ 2 π n ⋅ i w^k={(e^{\frac{2\pi}{n}\cdot i})}^k=e^{k\cdot\frac{2\pi}{n}\cdot i} wk=(en2π⋅i)k=ek⋅n2π⋅i ,也就是多少次方等于均分圆的第几个
考虑4阶傅里叶矩阵:
F
4
=
[
1
1
1
1
1
w
w
2
w
3
1
w
2
w
4
w
6
1
w
3
w
6
w
9
]
F_4=\begin{bmatrix} 1&1&1&1\\ 1&w&w^2&w^3\\ 1&w^2&w^4&w^6\\ 1&w^3&w^{6}&w^{9} \end{bmatrix}
F4=
11111ww2w31w2w4w61w3w6w9
带入
w
=
e
2
π
n
⋅
i
w=e^{\frac{2\pi}{n}\cdot i}
w=en2π⋅i有:
F
4
=
[
1
1
1
1
1
i
−
1
−
i
1
−
1
1
−
1
1
−
i
−
1
i
]
F_4=\begin{bmatrix} 1&1&1&1\\ 1&i&-1&-i\\ 1&-1&1&-1\\ 1&-i&-1&i \end{bmatrix}
F4=
11111i−1−i1−11−11−i−1i
对应的共轭矩阵转置:
F
H
=
F
ˉ
4
T
=
[
1
1
1
1
1
−
i
−
1
i
1
−
1
1
−
1
1
i
−
1
−
i
]
F^H=\bar F_4^T= \begin{bmatrix} 1&1&1&1\\ 1&-i&-1&i\\ 1&-1&1&-1\\ 1&i&-1&-i \end{bmatrix}
FH=Fˉ4T=
11111−i−1i1−11−11i−1−i
首先,这个矩阵列之间是相互正交的,正交矩阵满足
Q
Q
T
=
I
QQ^T=I
QQT=I,不过到了复数则是满足:
Q
Q
H
=
I
QQ^H=I
QQH=I
有以下关系:
F
4
H
F
4
=
4
I
F_4^HF_4=4I
F4HF4=4I
因为
∣
F
4
∣
=
∣
F
4
H
∣
=
2
\vert F_4\vert=\vert F_4^H\vert=2
∣F4∣=∣F4H∣=2,所以有:
(
2
F
4
H
)
(
2
F
4
)
=
I
(2F_4^H)(2F_4)=I
(2F4H)(2F4)=I
上面这个式子告诉我们,只需要将傅里叶矩阵正交化后其逆矩阵非常容易求解。
2.2 快速傅里叶矩阵(没咋看明白,有时间再看)
来看一下傅里叶矩阵每个元素的通项:
(
F
n
)
i
j
=
W
i
j
(F_n)_{ij}=W^{ij}
(Fn)ij=Wij
W的指数等于行序号乘以列序号。注意这里的
i
i
i和
j
j
j都是从0开始的自然数。
思考一个问题
F
64
F_{64}
F64和
F
32
F_{32}
F32的关系是什么?
答:
(
W
64
)
2
=
W
32
(W_{64})^2=W_{32}
(W64)2=W32
这让我们看到一丝简化的希望:
[
F
64
]
=
[
I
D
I
−
D
]
[
F
32
0
0
F
32
]
P
\begin{bmatrix}F_{64}\end{bmatrix}=\begin{bmatrix}I&D\\I&-D\end{bmatrix}\begin{bmatrix}F_{32}&0\\0&F_{32}\end{bmatrix}P
[F64]=[IID−D][F3200F32]P
其中
P
P
P是列的奇偶置换矩阵,矩阵
D
D
D
D
=
[
1
0
W
0
0
W
3
]
D=\begin{bmatrix}1&&&&&\\ 0&W&&&&\\ 0&0&W^3&&&&\\ &&&&&&\end{bmatrix}
D=
100W0W3
经过上述分解,就可以将计算出复杂度
1
2
n
l
o
g
2
n
\frac{1}{2}nlog_2n
21nlog2n
文章介绍了线性代数在复数域中的应用,包括复数向量和矩阵的概念,如共轭转置、模长和内积。重点讨论了复对称矩阵和酉矩阵的特性,并详细阐述了傅里叶矩阵,它是工程领域中重要的工具,具有列向量正交的性质。傅里叶矩阵的快速傅里叶变换(FFT)是计算上的一个重要优化,降低了计算复杂度。
2050

被折叠的 条评论
为什么被折叠?



