鲁棒控制数学基础与相关概念系列A(二)---矩阵

矩阵的逆方阵

对$n$阶方阵(square matrix)

$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{11}& a_{12}& \cdots & a_{1n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right]$$

定义1 ： 如果$det(A)\ne 0$,则称$n$阶方阵$A$为非奇异的。
引理 ： 设$A$和$B$各为$n\times m$和$m\times n$矩阵，则有

$$det(AB)=\{\begin{array}{ll}0& n>m\\ det(A)det(B)& n=m\\ {\sum }_{1\le j_1<\cdots <j_n\le m}detA\left(\begin{array}{cccc}1& 2& \cdots & n\\ j_1& j_2& \cdots & j_n\end{array}\right)detB\left(\begin{array}{cccc}{j}_1& j_2& \cdots & j_n\\ 1& 2& \cdots & n\end{array}\right)& n<m\end{array}$$

关于逆方阵还有以下性质:

1. $(AB{)}^{-1}=B^{-1}{A}^{-1};$
2. $(kA{)}^{-1}=\frac{A}{k},k\in \mathbb{R},k\ne 0;$
3. $(A^T{)}^{-1}=(A^{-1}{)}^T$
4. $det(A^{-1})=\frac{1}{det(A)}\ne 0$

秩

定义2 ：在矩阵$A$中，任取$k$行和$k$列 ，位于这些行和列的交点上的 $k\times k$个元素原来的次序所组成的k阶方阵的行列式，叫做$A$的一个$k$阶子式。
定义3 ：数域$P$上$n\times m$非零矩阵$A$的所有子式中必有一个阶数最大的非零子式，其阶数称为矩阵$A$的秩，记作$rank(A)$。

由于矩阵$A$的子式的阶数不超过$A$的行数及列数，所以$0\le rank(A)\le min(m,n)$。如果$A$不是一个方阵，则称$A$矩阵为满秩，当且仅当$rank(A)=min(n,m)$。

对于方阵而言，$n$阶方阵$A$的秩小于$n$的必要且充分条件为$det(A)=0$,称矩阵$A$是奇异的，否则为非奇异矩阵。

下面列出一些关于矩阵秩的定理。

定理1 ：设矩阵$A,B,C$分别为数域$P$上$n\times m,p\times q,n\times q$矩阵，则有
$rank\left[\begin{array}{cc}A& C\\ 0& B\end{array}\right]\ge rank\left[\begin{array}{cc}A& 0\\ 0& B\end{array}\right]=rank(A)+rank(B)$。
$rank(AB)\le min(rank(A),rank(B))$

定理2 ： 设$A$为$n\times m$矩阵，$P$为$n$阶非奇异方阵，$Q$为$m$阶非奇异方阵，则有
$rank(PA)=rank(AQ)=rank(A)$。
换句话说，将非奇异矩阵左乘或者右乘在矩阵上，其秩保持不变。

定理3 ： 设矩阵$A$为$n\times m$矩阵，$B$为$m\times p$矩阵，则有
$rank(A)+rank(B)\le rank(AB)+m$

特征值与特征向量

定义4 ：设$A$是数域$P$上线性空间$V^n$的一个线性变换(矩阵)，如果存在$\lambda \in P$以及非零向量$x\in V^n$,使得 $A(x)=\lambda x$,则称$\lambda$为$A$的特征值，$x$为$A$的特征向量。

定理4 ： 设$n$阶矩阵有特征值$\lambda$,对应于的特征向量为$x$，则
1）$n$阶矩阵$\mu A$有特征值$\mu \lambda$,特征向量不变；
2）矩阵$A^m$有特征值${\lambda }^m$,对应的特征向量仍然不变；
3）矩阵$A^{-1}$有特征值${\lambda }^{-1}$,对应的特征值不变；
4）矩阵的转置与原矩阵有相同的特征值和特征向量；

不变子空间

定义5 ：设$V^n$是数域上的$n$维线性空间，$A$是$V^n$上的线性变换，$V_1$是$V_n$的子空间,如果对于任何$x\in V_1$恒有$A(x)\in V_1$,则说$V_1$是关于$A$的不变子空间。

定义6 ：设$A$是线性空间$V_n$上的一个线性变换,$V^n$中所有向量的像构成的集合称为线性变换$A$的值域，记为 R ( A ) = { y = A ( x ) ∣ x ∈ V n } R(A)=\left\{y=A(x)|x\in V^{n}\right\} R(A)={y=A(x)∣x∈Vn}; 所有被$A$变成零向量的原像构成的集合成为$A$的核,记作 N ( A ) = { x ∈ V n ∣ A ( x ) = 0 } N(A)=\left\{ x\in V^{n} | A(x)=0 \right\} N(A)={x∈Vn∣A(x)=0}

一般$A$的值域的维数是线性变换$A$的秩，核的维数称为$A$的零度，记作$null(A)$,满足$rank(A)+null(A)=n$

正交性、标准正交与酉矩阵

定义7 ：设$x,y$为欧氏空间$V$的两个向量,如果$(x,y)=0$,则说$x$与$y$正交，记为$x\perp y$。如果向量$x$与$y$正交，则有$|x+y{|}^2=|x{|}^2+|y{|}^2$。进而我们可以推广得到更多维数的正交向量组。

定义8 ：在欧氏空间$V^n$中，由$n$个向量构成的正交向量组称为$V^n$的正交基。由单位向量构成的正交基叫做标准正交基。

设${ϵ}_1,{ϵ}_2,{ϵ}_3,\cdots ,{ϵ}_n$为一组标准正交基，更具上面的定义我们可以将其写为:

$$({ϵ}_i,{ϵ}_j)={\delta }_{ij}=\{\begin{array}{ll}1& i=j\\ 0& i\ne j\end{array}$$

我们知道关于线性算子，如果设某一个线性算子$\xi$满足以下条件之一:
1)对于该算子所处线性空间$V$中的任一向量$x$,$(\xi (x),\xi (x))=(x,x)$;
2)$V$的任意一组标准正交基经过线性变换后的基像仍然为$V$的标准正交基；
3)$\xi$在任一组标准正交基下的矩阵$U$，满足$U^{H}U=I$,称该矩阵为酉矩阵。
则称该线性变换为酉变换。