矩阵分析与应用

一个欣语

已于 2022-08-05 19:45:45 修改

阅读量1k

点赞数

文章标签：矩阵

于 2022-08-05 19:45:33 首次发布

本文链接：https://blog.csdn.net/weixin_46007132/article/details/126180995

版权

矩阵分解的分类

矩阵分解是通过线性变换，将某个给定或已知的矩阵分解为两个或三个矩阵标准型的乘积，个别情况下会分解为两个矩阵标准型之和。

单个矩阵的分解：
根据矩阵A分解后的矩阵的标准型，可以分为以下四大类。

对角化分解：这类分解是通过正交变换，将矩阵A对角化的，包括以下三种形式。

1.奇异值分解（SVD）： $A=U\Sigma V^{H}$ 或 $UAV^{H}=\Sigma$ ，其中U和V二者为酉矩阵， $\Sigma$ 为对角矩阵。

2.特征值分解（EVD）： $A^{H}A=V\Sigma V^{H}$ $AA^{H}=U\Sigma U^{H}$

3.CS分解：可看做是正交矩阵分块的同时对角化分解

CS分解定理：若 $\left (k+j \right )\times (k+j)$ 矩阵:

$Q=\begin{bmatrix} Q_{11} &Q_{12} \\ Q_{21}& Q_{22} \end{bmatrix}$

是正交的，其中 $Q_{11}$ 是 $k\times k$ 矩阵，且 $k\geqslant j$ ，则存在正交矩阵 $U_{1},V_{1}\in R^{k\times k}$ 和正交矩阵 $U_{2},V_{2}\in R^{j\times j}$ 使得：

$\begin{bmatrix} U_{1} &O \\ O& U_{2} \end{bmatrix}\begin{bmatrix} Q_{11} &Q_{12} \\ Q_{21}& Q_{22} \end{bmatrix}\begin{bmatrix} V_{1} &O \\ O& V_{2} \end{bmatrix}=\begin{bmatrix} I_{k-j} &O &O \\ O& C& S\\ O & -S &C \end{bmatrix}$

其中

$C=diag(c_{1},c_{2},.. .,c_{j}),c_{i}=cos\theta _{i}$

$S=diag(s_{1},s_{2},.. .,s_{j}),s_{i}=sin \theta _{i}$

$0 \leqslant \theta_{1}\leqslant \theta_{2}\leqslant.. .\leqslant \theta_{j}\leqslant \pi /2$

CS分解相当于将一个正交矩阵的各个分块同时对角化。

例：矩阵

$Q=\begin{bmatrix} -0.761 &-0.698 &-0.006 \\ 0.548 & -0.555 &-0.626 \\ 0.433&-0.451 & 0.780 \end{bmatrix}$

是正交的，选择正交矩阵

$U=\begin{bmatrix} 0.999 &-0.010 &0.000 \\ -0.010 &-0.999 & 0.000\\ 0.000 & 0.000 & 1.000 \end{bmatrix}$

$V=\begin{bmatrix} -0.721 &-0.692&0.000 \\ -0.692 &0.721 & 0.000\\ 0.000 & 0.000 & 1.000 \end{bmatrix}$

则有：

$U^{T}QV=\begin{bmatrix} 1.000 &0.000 &0.000 \\ 0.000& 0.780& 0.625\\ 0.000&-0.625 &0.780 \end{bmatrix}$

即取 $k=2,j=1,c_{1}=0.780,s_{1}=0.625$

一个欣语

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
矩阵分析与应用

矩阵分解是通过线性变换，将某个给定或已知的矩阵分解为两个或三个矩阵标准型的乘积，个别情况下会分解为两个矩阵标准型之和。对角化分解：这类分解是通过正交变换，将矩阵A对角化的，包括以下三种形式。根据矩阵A分解后的矩阵的标准型，可以分为以下四大类。3.CS分解：可看做是正交矩阵分块的同时对角化分解。CS分解相当于将一个正交矩阵的各个分块同时对角化。，其中U和V二者为酉矩阵，是正交的，选择正交矩阵。...
复制链接

扫一扫