数据分析、信号处理和机器学习中的矩阵方法
第04讲 特征值和特征向量
新MIT 线性代数|机器学习(中英机翻字幕)18.065 by Gilbert Strang_哔哩哔哩 (゜-゜)つロ 干杯~-bilibiliwww.bilibili.com上一节是正交矩阵Q,本节是对称矩阵S。我从任何方阵A和其特征向量开始,随后将转向对称矩阵S以及它们的特殊之处。然后,更加特殊和重要的是正定对称矩阵。
对于n x n矩阵A,其特征向量x满足
,
。通常,有n个具有这种特殊性质的线性无关的向量
x。
它们有什么用?为什么会一遍遍地引入特征向量?其关键性之一是通过特征值查看A方幂的性质。
,
x是
A平方的特征向量,特征值是
。
同理可得
。
,此处λ不等于零,若为零则有
Ax=
0,矩阵
A没有逆矩阵。矩阵指数:
,矩阵指数的定义可以从级数中推导来,对于级数的每一项将特征值和特征向量代入,则等式成立。
取任意矢量v,矩阵如果有n个独立的特征向量,以它们为基向量, v可以写作为这些特征向量的组合。(有些矩阵没有完整的特征向量,在矩阵没有足够特征向量的情况下,会是整个线性代数课题中最主要的麻烦。)
则有
。
特征向量的一个用途是能够求解线性微分方程组。
,
。
已经忘却这部分概念的小伙伴,请移步18.06的第23讲。
三少爷的贱男春:MIT—线性代数笔记23 微分方程和矩阵指数
下面讨论相似矩阵相关内容。若两矩阵B与A相似,则二者满足
。其中的关键因素是,相似矩阵具有相同的特征值。这为我们提供了实际计算特征值的线索,MATLAB通过优选矩阵
M,将矩阵变成三角形矩阵,使特征值显示在对角线上。
我应该验证这一事实,即相似的矩阵具有相同的特征值。矩阵B有特征值λ,特征向量y,满足
。则有
,
My即矩阵
A的特征向量,λ是其特征值。
M的作用是为您提供特征向量的不同基向量,但它不会改变特征值。
矩阵AB和矩阵BA具有相同的非零特征值。证明策略就是证明二者相似。取M=B,于是有
。当然还是要注意特征值为零的情况,这样会使得取不到逆矩阵。还有就是矩阵
AB 的特征值不等于矩阵
A 的特征值乘以矩阵
B 的特征值。同样两者和矩阵的特征值也不等于特征值的和,因为
A 的特征向量与
B 的特征向量不同,那么
A+
B可能会有完全不同的特征向量。
下面讨论对称矩阵S 的特征向量。
反对称矩阵,如
,尽管元素为实数,但其特征值为虚数,其作用就是90度旋转。从特征向量的角度来看,旋转90度后任何向量都不可能保持其原方向。因此,任何反对称矩阵都没有实的特征向量。
,得到
。可通过特征值的和等于矩阵的迹,以及特征值之积等于矩阵的行列式作为验算。
对称矩阵,具有实特征值,特征向量正交。而隐藏的另一重点是,它具有一整套特征向量,即使某些特征值恰好是重复的。例如恒等矩阵,它仍然有足够多特征向量。
例:
,特征值是1和-1。特征向量是
。
对称矩阵S 的对角化就是
。特征值出现在对角线。
M 的列向量就是特征向量。
该结论不仅仅针对对称矩阵。矩阵A,其特征向量x满足
,
。
则有
,即
。
矩阵的幂可以通过矩阵分解来计算,
。
对于对称矩阵,
。这就是谱定理。