本文目的在于快速get核心点,视频请见:
【官方双语/合集】线性代数的本质 - 系列合集_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1ys411472E?p=14特征向量(eigenvector)、特征值(eigenvalue)与特征基(eigenbasis)
首先给定直角坐标系的基与,若将2个基分别变换到与,很明显变换矩阵为
1.现在原直角坐标系给定一向量在这条直线上,变换后为 ,明显并不在这条直线上。
2.但是找到了这样一个向量在这条直线上,变换后为,明显仍然在在这条直线上。这意味着矩阵对的作用仅仅是放缩而已,就像一个标量一样。同样可以找到基向量其实也是这样。由于线性性可知,与这两条直线上任意向量具有这样的性质。这些向量称为特征向量(eigenvector),缩放的因子称为特征值(eigenvalue)(特征值可为负)。
特征向量的用途:举个例子,3D空间中,某一特征向量的特征值为1,整个空间进行线性变换旋转时,这个特征向量所在直线可以充当旋转轴。
【注】eigenvector与eigenvalue并不依赖于坐标系
有了以上的探索,我们可以有,其中为变换矩阵(transformation matrix),分别为特征向量(eigenvector)与特征值(eigenvalue) 。
等式左边是矩阵相乘,右边却是矩阵数乘,解决办法:。经过处理可变成,为零向量等式自然成立,若为非零向量,则需要变换矩阵将压缩为零向量,即,求出后代入即可求特征向量。
【注1】当然可能不存在特征向量,比如旋转矩阵让向量均旋转90度偏离了原直线。此时特征值会有复数根,此处不予讨论。
【注2】同一特征值可能有不共线的特征向量。比如与都放大两倍。
特征基(eigenbasis),此时基向量恰好是特征向量。比如。
像这样的矩阵叫对角矩阵(diagonal matrix),解读方法:所有基向量均为特征向量,矩阵的对角元是它们所属的特征值。
矩阵不一定能对角化,只有存在n个线性相关的特征向量(能张成与原空间同维度)才可以对角化。这n个线性不相关的特征向量组成的矩阵即为特征基(eigenbasis)。,M线性变换是在原空间的变换,K线性变换与M为同一变换,但K的变换是在另一个坐标系中。
【注】特征基组成的的幂运算十分简单。
比如