鲁棒控制数学基础与相关概念(二)矩阵
矩阵的逆方阵
对 n n n阶方阵(square matrix)
A = [ a 11 a 12 ⋯ a 1 n a 11 a 12 ⋯ a 1 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ] A=\left[ \begin{matrix} a_{11} & a_{12} & \cdots & a_{1n}\\ a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots& \vdots& \ddots & \vdots\\ a_{n1} & a_{n2} & \cdots & a_{nn}\\ \end{matrix} \right] A= a11a11⋮an1a12a12⋮an2⋯⋯⋱⋯a1na1n⋮ann
定义1 : 如果
d
e
t
(
A
)
≠
0
det(A)\neq 0
det(A)=0,则称
n
n
n阶方阵
A
A
A为非奇异的。
引理 : 设
A
A
A和
B
B
B各为
n
×
m
n\times m
n×m和
m
×
n
m\times n
m×n矩阵,则有
d e t ( A B ) = { 0 n > m d e t ( A ) d e t ( B ) n = m ∑ 1 ≤ j 1 < ⋯ < j n ≤ m d e t A ( 1 2 ⋯ n j 1 j 2 ⋯ j n ) d e t B ( j 1 j 2 ⋯ j n 1 2 ⋯ n ) n < m det(AB) = \begin{cases} \ 0 & n>m \\ det(A)det(B) & n=m \\ \sum_{1\leq j_1 < \cdots <j_n \leq m} detA \begin{pmatrix}1 & 2 & \cdots & n\\j_1 & j_2 & \cdots & j_n \\ \end{pmatrix}detB\begin{pmatrix}j_1 & j_2 & \cdots & j_n \\1 & 2 & \cdots & n\\ \end{pmatrix} & n<m \\ \end{cases} det(AB)=⎩ ⎨ ⎧ 0det(A)det(B)∑1≤j1<⋯<jn≤mdetA(1j12j2⋯⋯njn)detB(j11j22⋯⋯jnn)n>mn=mn<m
关于逆方阵还有以下性质:
- ( A B ) − 1 = B − 1 A − 1 ; (AB)^{-1}=B^{-1}A^{-1}; (AB)−1=B−1A−1;
- ( k A ) − 1 = A k , k ∈ R , k ≠ 0 ; (kA)^{-1}=\frac{A}{k},k\in\R,k\neq0; (kA)−1=kA,k∈R,k=0;
- ( A T ) − 1 = ( A − 1 ) T (A^{T})^{-1} =(A^{-1})^{T} (AT)−1=(A−1)T
- d e t ( A − 1 ) = 1 d e t ( A ) ≠ 0 det(A^{-1})=\frac{1}{det(A)}\neq0 det(A−1)=det(A)1=0
秩
定义2 :在矩阵
A
A
A中,任取
k
k
k行和
k
k
k列 ,位于这些行和列的交点上的
k
×
k
k\times k
k×k个元素原来的次序所组成的k阶方阵的行列式,叫做
A
A
A的一个
k
k
k阶子式。
定义3 :数域
P
P
P上
n
×
m
n\times m
n×m非零矩阵
A
A
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
A
A的秩,记作
r
a
n
k
(
A
)
rank(A)
rank(A)。
由于矩阵 A A A的子式的阶数不超过 A A A的行数及列数,所以 0 ≤ r a n k ( A ) ≤ m i n ( m , n ) 0\leq rank(A) \leq min(m,n) 0≤rank(A)≤min(m,n)。如果 A A A不是一个方阵,则称 A A A矩阵为满秩,当且仅当 r a n k ( A ) = m i n ( n , m ) rank(A)=min(n,m) rank(A)=min(n,m)。
对于方阵而言, n n n阶方阵 A A A的秩小于 n n n的必要且充分条件为 d e t ( A ) = 0 det(A)=0 det(A)=0,称矩阵 A A 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
A,B,C
A,B,C分别为数域
P
P
P上
n
×
m
,
p
×
q
,
n
×
q
n\times m,p \times q,n\times q
n×m,p×q,n×q矩阵,则有
r
a
n
k
[
A
C
0
B
]
≥
r
a
n
k
[
A
0
0
B
]
=
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
\quad\quad\quad rank\left[\begin{matrix}A & C\\0 & B \\\end{matrix}\right] \geq rank\left[\begin{matrix}A & 0\\0 & B \\\end{matrix}\right]=rank(A)+rank(B)
rank[A0CB]≥rank[A00B]=rank(A)+rank(B)。
r
a
n
k
(
A
B
)
≤
m
i
n
(
r
a
n
k
(
A
)
,
r
a
n
k
(
B
)
)
\quad\quad\quad rank(AB)\leq min(rank(A),rank(B))
rank(AB)≤min(rank(A),rank(B))
定理2 : 设
A
A
A为
n
×
m
n\times m
n×m矩阵,
P
P
P为
n
n
n阶非奇异方阵,
Q
Q
Q为
m
m
m阶非奇异方阵,则有
r
a
n
k
(
P
A
)
=
r
a
n
k
(
A
Q
)
=
r
a
n
k
(
A
)
\quad\quad\quad rank(PA)=rank(AQ)=rank(A)
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
A
A为
n
×
m
n\times m
n×m矩阵,
B
B
B为
m
×
p
m\times p
m×p矩阵,则有
r
a
n
k
(
A
)
+
r
a
n
k
(
B
)
≤
r
a
n
k
(
A
B
)
+
m
\quad\quad\quad rank(A)+rank(B)\leq rank(AB)+m
rank(A)+rank(B)≤rank(AB)+m
特征值与特征向量
定义4 :设 A A A是数域 P P P上线性空间 V n V^{n} Vn的一个线性变换(矩阵),如果存在 λ ∈ P \lambda\in P λ∈P以及非零向量 x ∈ V n x\in V^{n} x∈Vn,使得 A ( x ) = λ x A(x)=\lambda x A(x)=λx,则称 λ \lambda λ为 A A A的特征值, x x x为 A A A的特征向量。
定理4 : 设
n
n
n阶矩阵有特征值
λ
\lambda
λ,对应于的特征向量为
x
x
x,则
1)
n
n
n阶矩阵
μ
A
\mu A
μA有特征值
μ
λ
\mu \lambda
μλ,特征向量不变;
2)矩阵
A
m
A^{m}
Am有特征值
λ
m
\lambda^{m}
λm,对应的特征向量仍然不变;
3)矩阵
A
−
1
A^{-1}
A−1有特征值
λ
−
1
\lambda^{-1}
λ−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 V^{n} Vn是数域上的 n n n维线性空间, A A A是 V n V^{n} Vn上的线性变换, V 1 V_1 V1是 V n V_{n} Vn的子空间,如果对于任何 x ∈ V 1 x\in V_1 x∈V1恒有 A ( x ) ∈ V 1 A(x)\in V_1 A(x)∈V1,则说 V 1 V_1 V1是关于 A A A的不变子空间。
定义6 :设 A A A是线性空间 V n V_{n} Vn上的一个线性变换, V n V^{n} Vn中所有向量的像构成的集合称为线性变换 A A 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 A A变成零向量的原像构成的集合成为 A A 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 A A的值域的维数是线性变换 A A A的秩,核的维数称为 A A A的零度,记作 n u l l ( A ) null(A) null(A),满足 r a n k ( A ) + n u l l ( A ) = n rank(A)+null(A)=n rank(A)+null(A)=n
正交性、标准正交与酉矩阵
定义7 :设 x , y x,y x,y为欧氏空间 V V V的两个向量,如果 ( x , y ) = 0 (x,y)=0 (x,y)=0,则说 x x x与 y y y正交,记为 x ⊥ y x\bot y x⊥y。如果向量 x x x与 y y y正交,则有 ∣ x + y ∣ 2 = ∣ x ∣ 2 + ∣ y ∣ 2 |x+y|^{2}=|x|^{2}+|y|^{2} ∣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 V^{n} Vn中,由 n n n个向量构成的正交向量组称为 V n V^{n} Vn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 , ⋯ , ϵ n \epsilon_1,\epsilon_2,\epsilon_3,\cdots,\epsilon_n ϵ1,ϵ2,ϵ3,⋯,ϵn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 ) = δ i j = { 1 i = j 0 i ≠ j (\epsilon_i,\epsilon_j)=\delta_{ij}= \begin{cases} \ 1 & i=j\\ \ 0 & i\neq j \\ \end{cases} (ϵi,ϵj)=δij={ 1 0i=ji=j
我们知道关于线性算子,如果设某一个线性算子
ξ
\xi
ξ满足以下条件之一:
1)对于该算子所处线性空间
V
V
V中的任一向量
x
x
x,
(
ξ
(
x
)
,
ξ
(
x
)
)
=
(
x
,
x
)
(\xi(x),\xi(x))=(x,x)
(ξ(x),ξ(x))=(x,x);
2)
V
V
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
V
V的标准正交基;
3)
ξ
\xi
ξ在任一组标准正交基下的矩阵
U
U
U,满足
U
H
U
=
I
U^HU=I
UHU=I,称该矩阵为酉矩阵。
则称该线性变换为酉变换。