r语言中正定矩阵由于误差不正定_矩阵的几种分解方式

A = LU

这实际上就是我们解矩阵方程组一般使用的方式，比如方程组是：

我们一般把它写成增广矩阵：

然后化简成阶梯型矩阵的形式，这个时候可以方便的算出

,然后再往上代回，逐渐得到所有的x。

如果我们实际来 coding，可能会出现的问题：

为0， 或者

,那么我们化简第二行时

可能会误差很大

解决的办法就是行交换，把比较大的pivot放在前面。其实这个我们手动解

的时候就会这样做。

这个方法叫做 Gaussian elimination with partial pivoting (GEPP). 实际上 Matlab 中用的一般也就是这个办法来解

, 当然在 Matlab 中我们一般如果要解答可以直接用 x = Ab 就可以知道了，不过我们如果想知道的明确 L，U矩阵我们可以 [L, U] = lu(A). 当然其实严密一点来说是如果我们用 [L,U] = lu(A)得到的这个L是一个permutaed lower triangle matrix，再加上交换才是严格的lower triangle，也就是 [L, U, P] = lu(A).

比如矩阵:

>> 

A = QR

Q 代表的是正交矩阵，这里的 R 是 upper triangle 矩阵：

>> 

我们可以通过 Gram–Schmidt 完成 QR 分解。

正交矩阵当然是具有很多很好特性的矩阵，比如：

• det(Q) = ±1, 如果 det(Q) = 1 则为旋转变换，说起旋转变换又会想到SO(n) 李群和李代数
• 可以给我们提供一组正交基

当矩阵是一个实对称矩阵S（symmetric）的时候，我们可以把它分解成：

正交矩阵Q、 对角矩阵Λ（特征值）、正交矩阵的转置

。

这个分解叫特征分解（Eigendecomposition），又称谱分解（Spectral decomposition），因为 Q 中是特征向量， Λ 中是特征值，

是跟

这些特征值对应的特征向量。

当然在 Matlab中我们还是用 [V, D] = eig(S) 可以得到它的对应矩阵 Q 和 Λ.

>> 

SVD - 奇异值分解（singular value decomposition），之前写过PCA(主成分分析) 和 SVD (奇异值分解)。

Matlab 中使用：

>> 

Cholesky分解，当 A 是一个SPD (real Symmetric positive definite matrix）的时候，我们可以把它分解成 lower triangle 矩阵 L 和它的转置也就是 upper triangle

.

>> 

如果 A 可以对角化，那么 A 可以分解成

。 依旧可以使用特征值分解来解决这个问题。