《矩阵理论》大萌课程笔记 - 矩阵函数

《矩阵理论》大萌课程笔记 - 矩阵函数

---

总目录

章节名称与链接
线性空间与线性变换	线性空间与子空间
	有限维线性空间、基、维数
	线性变换
内积空间
特征值与特征向量
特殊矩阵
矩阵分解
矩阵函数

---

声明

  本专栏博客用于记录上海交通大学研究生课程《矩阵理论》笔记，课程任教老师为邓大萌老师。所有内容均为博主个人的课堂笔记，包括课堂例题与证明。如有不妥、错误之处欢迎大家指正。

---

---

1 范数

1.1 向量范数

定义：$\alpha \in C^n,\alpha =(x_1,x_2,...,x_n{)}^T\in C^n$，当运算满足以下三个条件时称为向量范数：

1）正定性：$f(\alpha )>0$

2）齐次性：$f(k\cdot \alpha )=k\cdot f(\alpha )$

3）三角关系：$f(\alpha +\beta )\le f(\alpha )+f(\beta )$

常用范数及其符号表示：

$l_1$范数：${\Sigma }_{i=1}^n|x_i|$

$l_2$范数：$||\alpha ||=({\Sigma }_{i=1}^n{x}_i^2{)}^{\frac{1}{2}}$

$l_p$范数：$||\alpha |{|}_p=({\Sigma }_{i=1}^n{x}_i^p{)}^{\frac{1}{p}}$

$l_{\infty }$范数：$ma{x}_{1\le i\le n}(x_i)$

1.2 矩阵范数

定义：$A=(a_{ij}{)}_{n\times n},1\le i,j\le n,|||A||{|}_p=({\Sigma }_{i=1,j=1}^{n\times n}|a_{ij}{|}^p{)}^{\frac{1}{p}}$，除了需要满足上面的三个条件外还需要满足额外的第四个条件：

4）$|||AB|||\le |||A|||\cdot |||B|||$

衍生定义：

$F$范数：取$p=2,|||A||{|}_2=({\Sigma }_{i=1,j=1}^{n\times n}|a_{ij}{|}^2{)}^{\frac{1}{2}}=(tr(A{A}^{\ast }){)}^{\frac{1}{2}}$

相容：若$||Ax||\le |||A|||\cdot ||x||$称$A$与$x$相容

1.3 算子范数

定义：已知某向量范数为$a$范数，取矩阵$A$使得$|||A|||=ma{x}_{x\in C^n,x\ne 0}\frac{||Ax|{|}_a}{||x|{|}_a}=ma{x}_{x\in C^n,||x|{|}_a=1}||Ax|{|}_a$，此时的$|||A|||$与$||x||$相容，称$|||A|||$为算子范数；

例：向量$x$的二范数导出的与其相容的算子范数是什么？

解：$|||A|||=ma{x}_{x\in C^n,||x|{|}_2=1}||Ax|{|}_2$

​ $||Ax|{|}_2^2=(Ax,Ax)=x^{\ast }{A}^{\ast }Ax$

​ 又易知$A^{\ast }A$是半正定矩阵，可以酉对角化，设${\lambda }_1,{\lambda }_2,...,{\lambda }_n$是其特征值，${\alpha }_1,{\alpha }_2,...,{\alpha }_n$是其对应的单位正交特征向量；

​ 则$x=x_1{\alpha }_1+x_2{\alpha }_2+...+x_n{\alpha }_n$

​ $\Rightarrow ||Ax|{|}_2^2=x^{\ast }{A}^{\ast }Ax=({\overline{x}}_1{\alpha }_1^{\ast }+{\overline{x}}_2{\alpha }_2^{\ast }+...+{\overline{x}}_n{\alpha }_n^{\ast })A^{\ast }A(x_1{\alpha }_1+x_2{\alpha }_2+...+x_n{\alpha }_n)$

​ $=({\overline{x}}_1{\alpha }_1^{\ast }+{\overline{x}}_2{\alpha }_2^{\ast }+...+{\overline{x}}_n{\alpha }_n^{\ast })\cdot (x_1{\lambda }_1{\alpha }_1+x_2{\lambda }_2{\alpha }_2+...+x_n{\lambda }_n{\alpha }_n)={\lambda }_1|x_1{|}^2+{\lambda }_2|x_2{|}^2+...{\lambda }_n|x_n{|}^2$

​ $\le ma{x}_{1\le i\le n}({\lambda }_i)$，不妨令${\lambda }_1=ma{x}_{1\le i\le n}({\lambda }_i)$，当$x={\alpha }_1$时取等。

​ $\Rightarrow |||A|||=ma{x}_{x\in C^n,||x|{|}_2=1}||Ax|{|}_2=\sqrt{{\lambda }_1}=\sqrt{\rho (A^{\ast }A)}，\rho (A^{\ast }A)$为谱半径。

​ 因此称为谱范数。

2 序列收敛性

2.1 向量序列的收敛性

定义：设向量序列$x^{(k)}=(x_1^{(k)},x_2^{(k)},...,x_n^{(k)}{)}^T$，其中$x_i^{(k)}$表示一个$k$维向量，若$x^k$收敛，则存在$x=(x_1,x_2,...,x_n{)}^T$使得$li{m}_{k\to \infty }{x}^{(k)}=x=(x_1,x_2,...,x_n{)}^T$，或者表示为$li{m}_{k\to \infty }{x}_i^{(k)}=x_i,1\le i\le n$

性质：$li{m}_{k\to \infty }{x}^{(k)}=x⟺li{m}_{k\to \infty }|x^{(k)}-x|=0$

2.2 矩阵序列的收敛性

定义：设矩阵序列$A^{(k)}=(a_{ij}^{(k)}{)}_{m\times n}$，其中$a_{ij}^{(k)}$表示一个$k$维向量，若$A^{(k)}$收敛，则存在$A=(a_{ij}{)}_{m\times n}$使得$li{m}_{k\to \infty }{A}^{(k)}=A=(a_{ij}{)}_{m\times n}$，或者表示为$li{m}_{k\to \infty }{a}_{ij}^{(k)}=a_{ij},1\le i\le m,1\le j\le n$

矩阵幂序列的收敛性：

矩阵幂序列形如$A^0,A^1,A^2,...$

第一步：化约旦标准型$P^{-1}AP=J=\left[\begin{array}{cccc}{J}_1& & & \\ & J_2& & \\ & & ...& \\ & & & J_s\end{array}\right],J_i={\left[\begin{array}{cccc}{\lambda }_1& 1& & \\ & {\lambda }_2& 1& \\ & & ...& ...\\ & & & {\lambda }_{n_i}\end{array}\right]}_{n_i\times n_i}$

第二步：求解单个约旦块$k$次方表达式$J_i^k=\left[\begin{array}{cccc}{\lambda }_i^k& C_k^1{\lambda }_i^{k-1}& ...& C_k^{k-n_i+1}{\lambda }_i^{k-n_i+1}\\ & {\lambda }_i^k& ...& ...\\ & & ...& ...\\ & & & {\lambda }_i^k\end{array}\right]$

第三步：计算收敛性,case1: ${\lambda }_i<1$；case2 : ${\lambda }_i=1且n_i=1$

推论：$\rho (A)<1⟺A^k=0$

例：证明：$\rho (A)\le |||A|||$

证明：设$B=\frac{A}{ϵ+|||A|||},ϵ>0\Rightarrow |||B|||<1\Rightarrow li{m}_{k\to \infty }|||B||{|}^k=0\Rightarrow li{m}_{k\to \infty }|||B^k|||=0\Rightarrow li{m}_{k\to \infty }{B}^k=0\Rightarrow \rho (B)<1$

​ $\Rightarrow \rho (\frac{A}{ϵ+|||A|||})<1\Rightarrow \rho (A)<ϵ+|||A|||\Rightarrow \rho (A)\le |||A|||$

矩阵幂级数

$A^{(k)}$是一个矩阵序列，则${\Sigma }_{k=0}^{\infty }{A}^{(k)}$称之为矩阵级数，${\Sigma }_{k=0}^{\infty }{A}^{(k)}=\left[\begin{array}{ccc}{\Sigma }_{k=0}^{\infty }{a}_{11}^{(k)}& ...& {\Sigma }_{k=0}^{\infty }{a}_{1n}^{(k)}\\ ...& ...& ...\\ {\Sigma }_{k=0}^{\infty }{a}_{n1}^{(k)}& ...& {\Sigma }_{k=0}^{\infty }{a}_{nn}^{(k)}\end{array}\right]$，${\Sigma }_{k=0}^{\infty }{a}_k\cdot A^k$称为矩阵幂级数。

3 矩阵函数求解

定义：未知量为矩阵的函数称为矩阵函数

方法：使用Hamilton-Cayley定理

例1：已知$A^2=A$，求$e^A$

解：由$A^2=A$可得知矩阵$A$的一个零化多项式为$f(\lambda )={\lambda }^2-\lambda$

​ $\Rightarrow$设$e^{\lambda }=\varphi (\lambda )\cdot f(\lambda )+a\lambda +b$，将$\lambda =0,\lambda =1$分别代入方程有：

​ $\{\begin{array}{l}b=e^0=1\\ a+b=e^1=e\end{array}$，解得$\{\begin{array}{l}a=e-1\\ b=1\end{array}$

​ $\Rightarrow e^{\lambda }=\varphi (\lambda )\cdot f(\lambda )+(e-1)\lambda +1$

​ $\Rightarrow e^A=(e-1)A+I$（注意，常数项要改为$I$）

例2：已知$A^2+2A+E=0$，求$cos2A$

解：易知$A$的最小多项式可以表示为$f(\lambda )={\lambda }^2+2\lambda +1$

​ $cos2\lambda =\varphi (\lambda )\cdot f(\lambda )+a\lambda +b$，将$\lambda =-1$带入

​ $\Rightarrow \{\begin{array}{l}cos(-2)=-a+b\\ -2sin(-2)=a\end{array}\Rightarrow \{\begin{array}{l}a=2sin(2)\\ b=2sin(2)+cos(2)\end{array}$

​ $\Rightarrow cos2\lambda =\varphi (\lambda )\cdot f(\lambda )+2sin(2)\lambda +2sin(2)+cos(2)$

​ $\Rightarrow cos2A=2sin(2)A+(2sin(2)+cos(2))I$

例3：已知矩阵$A=\left[\begin{array}{ccc}0& 1& 1\\ & 0& 1\\ & & 0\end{array}\right]$，求$cos2A-sin2A$

解：易知$A^3=0\Rightarrow A$的零化多项式为$f(\lambda )={\lambda }^3$

​ 设$cos2\lambda -sin2\lambda =\varphi (\lambda )\cdot f(\lambda )+a{\lambda }^2+b\lambda +c$，将$\lambda =0$带入得

​ $\{\begin{array}{l}c=cos0-sin0=1\\ b=-2sin0-2cos0=-2\\ 2a=-4cos0+4sin0=-4\end{array}\Rightarrow \{\begin{array}{l}a=-2\\ b=-2\\ c=1\end{array}$

​ $\Rightarrow cos2\lambda -sin2\lambda =\varphi (\lambda )\cdot f(\lambda )-2{\lambda }^2-2\lambda +1$

​ $\Rightarrow cos2A-sin2A=-2A^2-2A+E=\left[\begin{array}{ccc}1& -2& -4\\ & 1& -2\\ & & 1\end{array}\right]$

注意：如果给出了$A$的具体形式，就要写出结果的具体形式

例4（大题）：已知$A=\left[\begin{array}{ccc}2& 1& 4\\ 0& 2& 0\\ 0& 3& 1\end{array}\right]$，求$A$的约旦标准型以及$e^{At}$

解：

第一步：求$A$的特征值

设$\lambda$是$A$的特征值，则计算$|A-\lambda I|=0$得$(\lambda -2{)}^2(\lambda -1)=0$

第二步：求约旦标准型

计算$n-r(A-2I)=1$可知特征值$\lambda =2$对应1个特征向量，因此$A$的约旦标准型为$\left[\begin{array}{ccc}1& & \\ & 2& 1\\ & & 2\end{array}\right]$

第三步：求最小多项式

$\Rightarrow A$的最小多项式为$f(\lambda )=(\lambda -2{)}^2(\lambda -2)$

第四步：用Hermite-Cayley定理求得矩阵函数

设$e^{\lambda t}=\varphi (\lambda )\cdot f(\lambda )+a{\lambda }^2+b\lambda +c$

$\Rightarrow \{\begin{array}{l}{e}^t=a+b+c\\ e^{2t}=4a+2b+c\\ t{e}^{2t}=4a+b\end{array}\Rightarrow$略

注意：也要写出具体的表达式

例5：已知矩阵$A_{4\times 4}、B_{4\times 4}$的最小多项式分别为$m_A(\lambda )=(\lambda -1{)}^2(\lambda -2),m_B(\lambda )=(\lambda -1)(\lambda -2{)}^2$，求$\left[\begin{array}{cc}A& A-B\\ & B\end{array}\right]$的最小多项式。

解：已知相似矩阵的最小多项式相同，$\left[\begin{array}{cc}A& A-B\\ & B\end{array}\right]=\left[\begin{array}{cc}E& E\\ & E\end{array}\right]\left[\begin{array}{cc}A& \\ & B\end{array}\right]\left[\begin{array}{cc}E& -E\\ & E\end{array}\right]$

​ 又因为$\left[\begin{array}{cc}E& E\\ & E\end{array}\right]\cdot \left[\begin{array}{cc}E& -E\\ & E\end{array}\right]=E_{8\times 8}\Rightarrow \left[\begin{array}{cc}A& A-B\\ & B\end{array}\right]$与$\left[\begin{array}{cc}A& \\ & B\end{array}\right]$相似

​ $\Rightarrow \left[\begin{array}{cc}A& A-B\\ & B\end{array}\right]$的最小多项式为$m_A(\lambda ),m_B(\lambda )$的最小公倍数，即$(\lambda -1{)}^2(\lambda -2{)}^2$