![04224e0a42c985e98d5e6c335f398b17.png](https://i-blog.csdnimg.cn/blog_migrate/b848b20386a2e2d3dc10aad84d382716.jpeg)
相关链接:《线性方程组的类型及求解》(目录),《线性方程组的类型及求解》(一),《线性方程组的类型及求解》(二),《线性方程组的类型及求解》(三),《线性方程组的类型及求解》(四)
五. 附录
5.1 奇异值分解
1. 研究目的:首先要明白,矩阵分解的目的是将一个矩阵分解为 比较简单或 具有某种特性的若干矩阵的 和或 乘积。好处包括:(1) 可以反映原矩阵的某些 数值特征;(2) 其分解方法与过程往往为某些有效的 数值计算方法和理论分析提供了重要的依据,因而使其对分解矩阵的讨论和计算带来了极大的方便。矩阵的奇异值分解一定存在,但不唯一,可以近似看作是矩阵数据压缩的一种方法。
5.1.1 奇异值的定义
设
1. 一些矩阵关于奇异值的性质:
(1)与
有相同的正奇异值。(由【1】P118的定理1可证明。定理1包括三点:设
,则有 (a)
;(b)
、
的特征值均为非负实数;(c)
、
的非零特征值相同。定理1的证明参见【1】P118-119)
(2) 若与
酉等价,则
与
有相同的正奇异值。(【1】P120证明,酉变换与酉矩阵的定义性质定理参见【1】P22-23)
5.1.2 完全奇异值分解
(a) 首先求
(b) 求
(c) 求
(d) 求
(e) 得到奇异值分解
1. 理解:
(1) 奇异值分解不仅可以对实矩阵进行操作,还可以对复数矩阵进行操作。此外,奇异值分解还可以拓展到张量,即张量奇异值分解 (【4】P295的参考文献);
(2) 左奇异向量和右奇异向量
都是正交矩阵,说到正交矩阵,不得不想到它的一些良好性质,比如 (a) 正交矩阵求逆就特别方便,直接将它转置即可; (b) 对一个矩阵左乘正交矩阵造成的空间变换相当于用了一个新空间代替原空间,即用另一组正交基来描述被变换的向量,且不改变向量的长度和空间位置。知道了这些,就可以对奇异值分解做出几何解释了,【4】P279的图15.1简直逆天式地直观地进行了解释,大概意思就是:矩阵
对一个向量做线性变换
,它等价于
,可将线性变换分解为三个简单的变换:一个坐标系的旋转或反射变换、一个坐标轴的压缩变换、另一个坐标系的旋转或反射变换。此外,【4】P279的例15.4还给出了一个代数例子。
5.1.3 紧奇异值分解
若
1. 应用:无损压缩
5.1.4 截断奇异值分解
若
1. 应用:有损压缩。实际应用中提到矩阵的SVD时,通常指截断SVD哟!
5.1.5 主要性质
(1) 矩阵
(2) 奇异值、左奇异向量和右奇异向量之间存在对应关系:(a)
(3) 奇异值分解中,奇异值
(4) 矩阵
(5)
(6) 等式关系:(a)
(7) 不等式关系:(a)
5.1.6 应用
5.1.6.1 矩阵的最优近似
奇异值分解是在平方损失(费罗贝尼乌斯范数
5.1.6.2 矩阵的外积展开式
5.2 谱分解
1. 研究目的:相似矩阵具有相同的特征值,因而人们总希望在相似矩阵中找到结构最简单的矩阵,利用简单矩阵来表示已知矩阵。(有点像线性空间的向量叠加表示,这里只不过推广到矩阵了,正如量子力学中推广到函数一样吧)
5.2.1 形式一:单纯矩阵
5.2.1.1 单纯矩阵的定义
若矩阵
1. 基本概念:设是
的
个相异特征值,其重数分别为
,则称
为矩阵
的特征值
代数重复度。齐次方程组的
的解空间
称为
的 对于特征值
的特征子空间,而
的维数称为
的特征值
几何重复度。的
5.2.1.2 单纯矩阵的谱分解步骤
(a) 算
(b) 算特征值对应的特征向量
(c) 对
(d) 得谱分解形式
1. 推广:可以推广至矩阵函数的谱分解,当是
的多项式或者是
的函数时,则有
。
2.的性质:(a) 幂等性:
(b) 分离性:
(c)可加性:
(这一条性质用来验证谱分解的正确性,证明在【1】的P97)。
5.2.1.3 定理
设矩阵
5.2.2 形式二:正规矩阵
5.2.2.1 正规矩阵的定义
若
1. 举例:比如单位矩阵, 对称矩阵, Hermite矩阵, 反Hermite矩阵(,
) 都是正规矩阵,这些常见的十分有必要记住,因为要对一个矩阵进行谱分解前,首先应该判断它是单纯矩阵还是正规矩阵,再选择相应的分解方法进行谱分解。
2. 一些性质:(a) 设为正规矩阵,
与
酉相似,则
为正规矩阵(【1】P100-101证明); (b) (Schur分解)设
,则存在酉矩阵,使得
,其中
是一个上三角矩阵且主对角元线上的元素为
的特征值(证明【1】P101); (c) 设
为正规矩阵且是三角矩阵,则
是对角矩阵(证明【1】P101-102)。
5.2.2.2 正规矩阵的谱分解步骤
就和5.2.1.2是相似的,这里只不过换成复矩阵罢了~
1.的性质:(a)
是正交投影算子;(b)
是唯一的;(c)
,
;(d) 若
,则
;(e) 从属于不同特征值的特征向量正交。(【1】P104-105证明)
5.2.2.3 定理
设
5.3 最大秩分解(
5.3.1 分解步骤
(a) 设
(b) 根据行简化阶梯型矩阵写出矩阵
(c) 得最大秩分解
5.3.2 定理
设
(1) 存在
(2)
1. 注意:(1); (2)
,则
那么
; (3)
则
那么
。(【1】P116-117证明)