线性代数(14): 对称矩阵与矩阵的SVD分解

本文介绍了对称矩阵的特性,包括特征值为实数、正交对角化等,并探讨了奇异值的概念及其几何意义。进一步,文章详细阐述了矩阵的奇异值分解(SVD)以及在numpy中的实现方法。
摘要由CSDN通过智能技术生成

在这里插入图片描述


注:转载请标明原文出处链接:https://xiongyiming.blog.csdn.net/article/details/103947162


1 完美的对称矩阵

在这里插入图片描述



为什么说对称矩阵是完美的?

(1) 对称矩阵的特征值一定是实数;
(2) 对称矩阵的多重特征值,其对应的特征空间的维度一定等于重数;
(3 )对称矩阵的几何重数等于代数重数;
(4) 对称矩阵一定有n个线性无关的特征向量;
(5) 对称矩阵一定可以被对角化;




2 正交对角化


(1) 对称矩阵的所有不同的特征值对应的特征向量互相垂直。

在这里插入图片描述


(2) 对称矩阵一定可以被正交对角化。

在这里插入图片描述




3 什么是奇异值

在这里插入图片描述




4 奇异值的几何意义

  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TechArtisan6

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值