大家好,我们又见面了
今天我们的话题与什么有关呢?
请看下图:
(deng~deng~deng~deng)
是不是有种熟悉的感觉?
没错!这就是我们的线代课本
谈到线性代数课本里面的一些概念,比如说行列式、矩阵乘积、线性变换、二次型等,或许很少人知道它们是谁发现的,这不像数分课本上定理那么明显:比如柯西收敛准则、拉格朗日中值定理、阿贝尔判别法......
下面小编就用一个表格来总结一下线性代数的发展史上做出重要贡献的数学家:
今天讲科学家? 不不不,
这只是“大餐”前的“小甜点”,
接下来,今天的重头戏就来了!
小编接到了一个任务——给大家介绍一下特征值和特征向量的意义以及他们在生活中的应用~
焦头烂额的忙碌之后,小编终于整理出来这些有趣的干货,接下来啊带你们走进特征值和特征向量的世界。
几何意义
因为线性变换总是在各种基之间变来变去,所以下面的图都会把作图所用的基和原点给画出来。
在i,j下面有个 v :
随便左乘一个矩阵 A ,图像看上去没有什么特殊的:
我调整下v的方向,图像就看上去就有点特殊了。
可以观察到,调整后的 v 和 Av 在同一根直线上,只是 Av 的长度相对 v 的长度变长了。
此时,我们就称 v 是A 的特征向量,而 Av 的长度是 v 的长度的 λ 倍, λ 就是特征值。
从而,特征值与特征向量的定义式就是这样的:
换个角度理解
下面的一个类比可以帮助我们更好的理解特征值和特征向量:
如果把矩阵看作是运动,那么特征值就是运动的速度,特征向量就是运动的方向。
特征向量在一个矩阵的作用下作伸缩运动,伸缩的幅度由特征值确定。特征值大于1,所有属于此特征值的特征向量变长;特征值大于0小于1,特征向量缩短;特征值小于0,特征向量缩过了界,反方向到原点那边去了。
为了让大家看清楚它们的变化,小编找了几个动图,我们来感受一下吧:
(1)首先,我们通过改变向量v的位置,看看向量Av有什么变化(矩阵A不动噢)
(2)然后,我们不要动向量v,改变矩阵A每一列(通过移动a1和a2),再看看向量Av有什么变化。
(3)接下来是见证奇迹的时刻!看看小编的金手指是怎么移动向量v使它变成特征向量吧!
(4)最后,我们改变矩阵A(通过移动a1和a2),重点看看特征空间(S1和S2)是怎么变化(特征值也会发生变化哟)
特征值和特征向量的应用
说了这么多,可能有同学会问:到底特征值和特征向量有什么用呢?难道只是用来考试?当然不是啦!
其实,特征值和特征向量在我们的生活中都是非常普遍的。
(1)可以用在研究物理、化学领域的微分方程、连续的或离散的动力系统中。例如,在力学中,惯量的特征向量定义了刚体的主轴。惯量是决定刚体围绕质心转动的关键数据;
(2)被数学生态学家用来预测原始森林遭到何种程度的砍伐,会造成猫头鹰的种群灭亡;
(3)著名的图像处理中的PCA方法,选取特征值最高的k个特征向量来表示一个矩阵,从而达到降维分析+特征显示的方法,还有图像压缩的K-L变换。再比如很多人脸识别,数据流模式挖掘分析等方面。
(4)在谱系图论中,一个图的特征值定义为图的邻接矩阵A的特征值,或者(更多的是)图的拉普拉斯算子矩阵,Google的PageRank算法就是一个例子。
有一句话说得好:“只要有振动就有特征值,即振动的自然频率”。如果你曾经弹过吉他,你已经求解了一个特征值问题……
好了,今天的科普就到这里,如果你们还没晕的话,小编推荐大家看看Steven J.Leon的《线性代数》,里面会有更多关于特征值的有趣应用~
我们下期再见噢。
文字编辑:胡晓莉
排版:陈晓倩
文章审核:冯清 陈晓倩
数统青年
数学与统计学院
长按二维码关注我们