【矩阵论】Chapter 4—特征值和特征向量知识点总结复习

文章目录

    • 1 特征值和特征向量
    • 2 对角化
    • 3 Schur定理和正规矩阵
    • 4 Python求解

1 特征值和特征向量

  • 定义

    σ \sigma σ为数域 F F F上线性空间 V V V上的一个线性变换,一个非零向量 v ∈ V v\in V vV,如果存在一个 λ ∈ F \lambda \in F λF使得 σ ( v ) = λ v \sigma(v)=\lambda v σ(v)=λv,则 λ \lambda λ称为 σ \sigma σ特征值 σ \sigma σ的特征值的集合称为 σ \sigma σ。并称 v v v σ \sigma σ的属于(或对应于)特征值$\lambda $的特征向量。

  • 特征值和特征向量的求法

    V V V是数域 F F F上的 n n n维线性空间, v 1 , ⋯ , v n v_1,\cdots,v_n v1,,vn V V V的一组基,线性变换 σ \sigma σ在这组基下的矩阵为 A A A,如果 λ \lambda λ σ \sigma σ的特征值, α \alpha α是相应的特征向量。则
    α = ( v 1 , ⋯ , v n ) ( x 1 ⋮ x n ) \alpha=(v_1,\cdots,v_n)\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} α=(v1,,vn) x1xn
    将上式代入 σ ( v ) = λ v \sigma(v)=\lambda v σ(v)=λv得到
    σ ( α ) = ( v 1 , ⋯ , v n ) A ( x 1 ⋮ x n ) λ α = λ ( v 1 , ⋯ , v n ) ( x 1 ⋮ x n ) \sigma(\alpha)=(v_1,\cdots,v_n)A\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}\\ \lambda \alpha=\lambda (v_1,\cdots,v_n)\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}\\ σ(α)=(v1,,vn)A x1xn λα=λ(v1,,vn) x1xn
    由于 v 1 , ⋯ , v n v_1,\cdots,v_n v1,,vn线性无关,所以
    A ( x 1 ⋮ x n ) = λ ( x 1 ⋮ x n ) A\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix}=\lambda \begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} A x1xn =λ x1xn
    则说明特征向量 α \alpha α的坐标 x = ( x 1 ⋮ x n ) x=\begin{pmatrix}x_1\\\vdots\\x_n\end{pmatrix} x= x1xn 满足齐次线性方程组 ( λ I − A ) x = 0 (\lambda I-A)x=0 (λIA)x=0

    因为 α ≠ 0 \alpha\neq 0 α=0,则 x ≠ 0 x\neq 0 x=0,即齐次线性方程组 ( λ I − A ) x = 0 (\lambda I-A)x=0 (λIA)x=0有非零解。有非零解的充要条件是它的系数矩阵它的系数矩阵行列式 ∣ λ I − A ∣ = 0 |\lambda I-A|=0 λIA=0

  • 相关定义

    A A A是数域 F F F上的 n n n阶矩阵, λ \lambda λ是一个符号,也是未知的特征值,矩阵 λ I − A \lambda I-A λIA称为 A A A特征矩阵,其行列式 ∣ λ I − A ∣ |\lambda I-A| λIA称为 A A A特征多项式。方程 ∣ λ I − A ∣ = 0 |\lambda I-A|=0 λIA=0称为 A A A的特征方程,它的根(即 λ \lambda λ的值)称为 A A A的特征根(或特征值)。以 A A A的特征值 λ \lambda λ代入 A x = λ x Ax=\lambda x Ax=λx中所得到的非零解 x x x称为 A A A对应于 λ \lambda λ特征向量

  • 定理

    A A A n × n n\times n n×n矩阵, λ \lambda λ是一个数值,以下命题等价:

    1. λ \lambda λ A A A的特征值
    2. ( λ I − A ) x = 0 (\lambda I-A)x=0 (λIA)x=0有一个非平凡的解(即有非零向量的解)
    3. N ( λ I − A ) ≠ { 0 } N(\lambda I-A)\neq\{0\} N(λIA)={0}
    4. λ I − A \lambda I-A λIA矩阵是奇异矩阵
    5. det ⁡ ( λ I − A ) = 0 \det(\lambda I-A)=0 det(λIA)=0
  • 特征多项式的系数

    如果
    p ( λ ) = det ⁡ ( λ I − A ) = λ n + ∑ k = 1 n ( − 1 ) k c k λ n − k = λ n − c 1 λ n − 1 + ⋯ + ( − 1 ) n − 1 c n − 1 λ + ( − 1 ) n c n p(\lambda)=\det(\lambda I-A)=\lambda^n+\sum_{\\k=1}^n(-1)^kc_k\lambda^{n-k}\\=\lambda ^n-c_1\lambda^{n-1}+\cdots+(-1)^{n-1}c_{n-1}\lambda+(-1)^nc_n p(λ)=det(λIA)=λn+k=1n(1)kckλnk=λnc1λn1++(1)n1cn1λ+(1)ncn
    c k ( 1 ≤ k ≤ n ) c_k(1\leq k\leq n) ck(1kn)是所有 k k k阶主子式(选择 k k k k k k列形成的行列式)的和,特别的, c 1 = t r ( A ) , c n = det ⁡ ( A ) c_1=tr(A),c_n=\det(A) c1=tr(A),cn=det(A)

  • 定理

    1. A ∈ C n × n A\in C^{n\times n} ACn×n,如果 A A A有特征值 λ 1 , ⋯ , λ n \lambda_1,\cdots,\lambda_n λ1,,λn,则
      t r ( A ) = ∑ i = 1 n λ i , det ⁡ ( A ) = ∏ i = 1 n λ i tr(A)=\sum_{\\i=1}^n\lambda_i,\det(A)=\prod_{i=1}^n\lambda_i tr(A)=i=1nλi,det(A)=i=1nλi

    2. 如果 A A A相似 B B B,则两个矩阵有相同的特征值和特征多项式。

    3. A ∈ C m × n A\in C^{m\times n} ACm×n,则 A H A A^HA AHA A A H AA^H AAH特征值都是非负实数,且它们都有相同的非零特征值和相同的重数,并且非零特征值(包含重数)的数量等于KaTeX parse error: Undefined control sequence: \rank at position 1: \̲r̲a̲n̲k̲(A)

2 对角化

  • 定义

    设矩阵 A ∈ F n × n A\in F^{n\times n} AFn×n,如果存在一个非奇异矩阵 P ∈ F n × n P\in F^{n\times n} PFn×n和一个对角矩阵 D ∈ F n × n D\in F^{n\times n} DFn×n,使得 P − 1 A P = D P^{-1}AP=D P1AP=D,则称 A A A可被对角化。

  • 定理

    1. A A A可以被对角化当且仅当 A A A n n n个线性无关的特征向量
    2. λ 1 , ⋯ , λ k \lambda_1,\cdots,\lambda_k λ1,,λk A A A的不同的特征值,则对应的特征向量 x 1 , ⋯ , x k x_1,\cdots,x_k x1,,xk它们是线性无关的
    3. 由以上两条定理即可推出如果 A A A n n n个不同的特征值,则 A A A可被对角化
    4. 不同特征值对应的特征向量的集合的并集是线性无关的。即取每个特征值的所有特征向量,无论这些向量属于哪个特征值,它们的并集都是线性无关的。
  • 代数重数

    A ∈ F n × n A\in F^{n\times n} AFn×n,如果 det ⁡ ( λ I − A ) = ( λ − λ i ) r 1 ⋯ ( λ − λ k ) r k \det(\lambda I-A)=(\lambda -\lambda_i)^{r_1}\cdots(\lambda-\lambda_k)^{r_k} det(λIA)=(λλi)r1(λλk)rk,其中 λ 1 , ⋯ , λ k \lambda_1,\cdots,\lambda_k λ1,,λk A A A的特征值,它们是不同的。则特征值 λ i \lambda_i λi的代数重数是 r i r_i ri,即特征值 λ i \lambda_i λi出现的次数。

  • 几何重数

    与特征值 λ i \lambda_i λi对应的特征子空间是 N ( λ i I − A ) N(\lambda_i I-A) N(λiIA),则特征值 λ i \lambda_i λi的几何重数为 dim ⁡ ( N ( λ i I − A ) ) \dim(N(\lambda_i I-A)) dim(N(λiIA))

    几何重数$\leq $代数重数

  • 几何重数看可对角化

    矩阵 A ∈ F n × n A\in F^{n\times n} AFn×n可对角化当且仅当 A A A中不同特征值的几何重数和等于 n n n(即每个特征值的代数重数都要等于几何重数)

3 Schur定理和正规矩阵

  • 酉(正交)相似定义

    A ∈ C n × n ( R n × n ) A\in C^{n\times n}(R^{n\times n}) ACn×n(Rn×n),如果存在一个酉(正交)矩阵 U U U使得 U H A U = B ( U H = U − 1 ) U^HAU=B\space\space\space(U^H=U^{-1}) UHAU=B   (UH=U1),则可称 A A A酉(正交)相似 B B B

  • Schur定理

    ∀ A ∈ C n × n \forall A\in C^{n\times n} ACn×n A A A都与上三角矩阵相似,且存在酉矩阵 U U U和上三角矩阵 T T T使得 U H A U = U − 1 A U = T U^HAU=U^{-1}AU=T UHAU=U1AU=T

    仅适用于复数域,实数域上不一定适用

  • 正规矩阵定义

    A ∈ C n × n A\in C^{n\times n} ACn×n,如果 A A A满足 A H A = A A H A^HA=AA^H AHA=AAH,则称 A A A是正规矩阵。

    Hermite矩阵,酉(正交)矩阵都是正规矩阵

  • 谱定理

    A ∈ C n × n A\in C^{n\times n} ACn×n,如果 A A A是Hermite矩阵,则 A A A酉相似于一个实对角矩阵,换句话说,Hermite矩阵的特征值都是实数。

  • 引理

    A ∈ C n × n A\in C^{n\times n} ACn×n A A A是正规矩阵当且仅当 ∀ λ , x \forall \lambda,x λ,x使得 ∣ ∣ A x − λ x ∣ ∣ = ∣ ∣ A H x − λ ˉ x ∣ ∣ ||Ax-\lambda x||=||A^Hx-\bar{\lambda}x|| ∣∣Axλx∣∣=∣∣AHxλˉx∣∣

  • 同时对角化

    A , B A,B A,B都是相同阶数的正规矩阵,则存在一个酉矩阵可以同时酉对角化 A , B A,B A,B当且仅当 A B = B A AB=BA AB=BA

4 Python求解

import numpy as np
from sympy import symbols, Matrix
import pprint# 定义符号变量
lambda_ = symbols('lambda')A = np.array([[0, 2, 1], [-2, 0, 3], [-1, -3, 0]])
A = Matrix(A)# 求特征矩阵
characteristic_matrix = A - lambda_ * np.eye(3)
pprint.pprint("关于 lambda 的特征矩阵:")
pprint.pprint(characteristic_matrix)# 计算特征多项式
characteristic_polynomial = A.charpoly(lambda_)
pprint.pprint("关于 lambda 的特征多项式:")
pprint.pprint(characteristic_polynomial)# 求特征值
eigenvalues = A.eigenvals()
# 打印特征值、其代数重数、特征向量和几何重数for k, v in eigenvalues.items():pprint.pprint("特征值 %s 的代数重数为 %s" % (k, v))pprint.pprint("特征值 %s 的几何重数为 %s" % (k, A.eigenvects()[list(eigenvalues.keys()).index(k)][1]))pprint.pprint("特征值 %s 的特征向量为 %s" % (k, A.eigenvects()[list(eigenvalues.keys()).index(k)][2]))# 判断A是否可对角化,如果可以,打印出对角化矩阵
if A.is_diagonalizable():pprint.pprint("A可对角化")pprint.pprint("对角化矩阵为:")pprint.pprint(A.diagonalize()[0])# 求A的行空间、列空间、零空间
pprint.pprint("A的行空间为:")
pprint.pprint(A.rowspace())
pprint.pprint("A的列空间为:")
pprint.pprint(A.columnspace())
pprint.pprint("A的零空间为:")
pprint.pprint(A.nullspace())

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/199393.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

一文带你了解Java中synchronized原理

🌈🌈🌈今天给大家分享的是Java中 synchronized 的基本原理 清风的CSDN博客 🛩️🛩️🛩️希望我的文章能对你有所帮助,有不足的地方还请各位看官多多指教,大家一起学习交流&#xff…

分享Python给自己写的函数添加注释的小功能

def get_ips(prefix: str, suffix: int) -> List[str]:"""获取 IP 地址段。Args:prefix: IP 地址的前缀。suffix: IP 地址的后缀。Returns:IP 地址列表。"""... """ """ 就是注释开始以及注释结束。 效果&a…

C语言学习笔记之数组篇

数组是一组相同类型元素的集合。 目录 一维数组 数组的创建 数组的初始化 数组的使用 数组在内存中的存储 二维数组 数组的创建 数组的初始化 数组的使用 数组在内存中的存储 数组名 数组名作函数参数 一维数组 数组的创建 type_t arr_name [const_n]; //type_…

华为 ArkTS 边框怎么设置,单边边框怎么设置以及条件设置边框(鸿蒙开发)

一、实例代码: border(params) 接收一个对象参数,对象参数的属性为width?: Lenght,color?: ,radius?: Length,style?: BorderStyle 注意:以下实例包含了我说知道的 边框的单位 以及 颜色 的各种用法 Column() {Im…

【独家OD2023C卷真题】20天拿下华为OD笔试【二分查找】2023C-部门人力分配【欧弟算法】全网注释最详细分类最全的华为OD真题题解

题目描述与示例 题目描述 部门在进行需求开发时需要进行人力安排。当前部门需要完成 N 个需求,需求用 requirements[i] 表示,requirements[i] 表示第 i 个需求的工作量大小,单位:人月。这部分需求需要在 M 个月内完成开发&#…

【已解决】MySQL:执行存储过程报错(MySQL字符集和排序方式冲突)

目录 问题现象: 问题分析: 解决方法: 拓展: 1、转换条件两边的字段或值为二进制数据: 2、转换条件两边的字段或值的字符集和排序方式: 3、修改列、表、库的字符集和排序方式 参考链接: 问…

spring webflux文件上传与下载

1、文件上传: Controller: PostMapping("/import")public void importImage(RequestPart("file") FilePart filePart) {imageService.importImage(filePart);}Service: public void importImage(FilePart filePart) {Fi…

java之arraylist的用法

java之arraylist的用法 Java中的ArrayList是一种基于动态数组实现的List接口。它允许使用索引访问和操作元素&#xff0c;并提供了高效的插入、查找和删除操作。 以下是关于Java ArrayList的详细用法介绍&#xff1a; 1&#xff09;创建ArrayList对象&#xff1a; List<S…

微信商城小程序怎么制作?做一个小程序需要什么流程?

小程序商城对商家有哪方面的帮助&#xff1f; 随着移动互联网的快速发展&#xff0c;小程序商城已经成为了越来越多商家的选择。那么&#xff0c;小程序商城到底对商家有哪些方面的帮助呢&#xff1f; 一、提高商家曝光度 在小程序平台上开设自己的小程序商城&#xff0c;可以…

AI之火是如何燎原的?始于马斯克与佩奇的一场激辩

丨划重点 ①在2015年, 马斯克44岁生日派对上&#xff0c;他与谷歌联合创始人佩奇曾就AI产生严重分歧&#xff0c;甚至终结了十多年的友谊。佩奇认为人类最终将与AI机器融合&#xff0c;将会有许多种智能争夺资源, 马斯克则担心机器可能会毁灭人类。 ②在收购AI创企DeepMind时…

acwing1209.带分数暴力与优化(java版)

//n a b / c n是确定的,只需找到其中两个。判断剩下一个数是否满足条件即可 //由题目条件可知,每个数不能重复使用,需要一个st全局数组判断每个数是否使用过 //递归实现排列型枚举,cn ac b //对于枚举出来的每一个a,再去枚举每一个c,再在c的枚举里判断b是否满足条件 //…

人工智能学习3(特征变换:特征数值化)

编译工具&#xff1a;PyCharm 有些编译工具不用写print可以直接将数据打印出来&#xff0c;pycharm需要写print才会打印出来。 文章目录 编译工具&#xff1a;PyCharm 概念1.特征类型分类型二值型顺序型数值型 2.特征数值化练习13.特征数值化练习24.特征二值化使用sklearn库自…

day69

今日回顾 Django与Ajax 一、什么是Ajax AJAX&#xff08;Asynchronous Javascript And XML&#xff09;翻译成中文就是“异步Javascript和XML”。即使用Javascript语言与服务器进行异步交互&#xff0c;传输的数据为XML&#xff08;当然&#xff0c;传输的数据不只是XML,现在…

YOLOv8优化策略:简单高效的模块-现代反向残差移动模块 (iRMB) | | ICCV2023 EMO

🚀🚀🚀本文改进:设计了一种面向移动端应用的简单而高效的现代反向残差移动模块 (Inverted Residual Mobile Block, iRMB),它吸收了类似 CNN 的效率来模拟短距离依赖和类似 Transformer 的动态建模能力来学习长距离交互,引入YOLOV8 🚀🚀🚀YOLOv8改进专栏:http:…

三个角度(握手、挥手、传输)优化TCP

TCP 三次握手的性能提升 客户端的优化 当客户端发起 SYN 包时&#xff0c;可以通过 tcp_syn_retries 控制其重传的次数。 服务端的优化 当服务端 SYN 半连接队列溢出后&#xff0c;会导致后续连接被丢弃&#xff0c;可以通过 netstat -s 观察半连接队列溢出的情况&#xff0c;如…

【Java GUI 窗体开发实践】基于抽象模板设计模式下实现Windows SSH连接Linux服务器

系列文章目录 文章目录 系列文章目录一、项目实现功能二、使用步骤1.引入抽象类模板2.子类实现具体业务一、项目实现功能 Java GUI 本地输入需要连接的虚拟机 ip地址、端口号、用户名和密码就可以连接上主机。 后续基于SFTP协议传输文件到虚拟机或者在虚拟机上的文件更改,本地…

对标Gen-2!Meta发布新模型进军文生视频赛道

随着扩散模型的飞速发展&#xff0c;诞生了Midjourney、DALLE 3、Stable Difusion等一大批出色的文生图模型。但在文生视频领域却进步缓慢&#xff0c;因为文生视频多数采用逐帧生成的方式,这类自回归方法运算效率低下、成本高。 即便使用先生成关键帧,再生成中间帧新方法。如…

在线客服系统有哪些?如何选择呢?

当我们谈论在线客服系统时&#xff0c;我们可能会面临着一系列的问题和疑惑&#xff0c;比如&#xff1a; 在线客服系统有哪些&#xff1f; 如何选择合适的在线客服系统&#xff1f; 首先&#xff0c;让我们看看目前市场上存在的在线客服系统。这些系统包括但不限于&#xff1a…

Windows下使用AndroidStudio及CMake编译Android可执行程序或静态库动态库

Windows下使用AndroidStudio及CMake编译Android可执行程序或静态库动态库 文章目录 Windows下使用AndroidStudio及CMake编译Android可执行程序或静态库动态库一、前言二、编译环境三、示例C/CPP程序1、总体工程结构2、示例代码3、CMakeLists.txt&#xff08;重要&#xff09;4、…

Python中删除文件和目录

python中分别提供os包下的os.remove()与shutil包下的shutil.rmtree()函数&#xff0c;其中os.remove(&#xff09;的主要作用是删除一个具体的文件&#xff0c;shutil.rmtree()主要作用是删除一个具体的目录。 os.remove() 这个函数需要一个参数&#xff0c;即要删除的文件的…