5.矩阵分析

矩阵分析

文章目录

  • 矩阵分析
    • 一、方阵范数
      • 1.1 矩阵范数
      • 1.2 与矩阵乘积相容的矩阵范数
          • 【定义】自相容范数 / 方阵范数
      • 1.3 与向量范数相容的矩阵范数
          • 【定义】矩阵范数与向量范数相容
            • 【定理】任意自相容范数必存在与它相容的向量范数
    • 二、算子范数
      • 2.1 方阵的算子范数
          • 【定理】由向量范数诱导的算子范数是自相容范数,且方阵的算子范数与该向量范数是相容的
          • 【定理】二范数之间的关系
          • 【定理】方阵范数与谱半径关系
    • 三、方阵序列与方阵幂级数
      • 3.1 方阵序列
          • 【定义】方阵序列收敛
          • 【定理】方阵序列收敛的性质
          • 【定理】方阵序列收敛于零矩阵的充要条件
      • 3.2 方阵级数
          • 【定义】 方阵级数收敛
          • 【定义】方阵级数绝对收敛
          • 【定理】方阵级数绝对收敛,则该方阵级数收敛
      • 3.3 方阵幂级数
          • 【定义】方阵幂级数
          • 【定义】方阵幂级数收敛
          • 【定理】谱半径推导方阵幂级数的敛散性(收敛半径的推广)
          • 【定理】特征值+收敛半径推导方阵幂级数敛散性
    • 四、方阵的函数及其计算
      • 4.1 方阵函数的幂级数表示
          • 【定义】常见方阵函数的Taylor展开(常见Taylor展开的推广)
      • 4.2 方阵函数的Jordan标准型法
          • 【定理】方阵函数与Jordan标准型
      • 4.3 方阵函数的谱方法

一、方阵范数

1.1 矩阵范数

范数与方阵范数的对比1

范数方阵范数
x = ( ξ 1 , ξ 2 , ⋯ , ξ n ) ∈ C n x=(\xi_1,\xi_2,\cdots,\xi_n)\in\mathbb C^n x=(ξ1,ξ2,,ξn)Cn A = [ a i j ] ∈ C m × n A=[a_{ij}]\in\mathbb C^{m\times n} A=[aij]Cm×n
$|x|\infty=\max{1\leq i\leq n}\xi_i
$|x|p=\left( \sum{i=1}^n\xi_i
$|x|2=\left( \sum{i=1}^n\xi_i
$|x|=\sum_{i=1}^n\xi_i
行和范数:$|A|\infty=\max{\substack{i\}} \sum_{j=1}^n
谱范数: ∣ A ∣ 2 = max ⁡ ∣ x ∣ 2 = 1 ∣ A x ∣ 2 = ρ ( A H A ) |A|_2=\max_{\substack{|x|_2=1\\}}|Ax|_2=\sqrt{\rho(A^HA)} A2=maxx2=1Ax2=ρ(AHA) ;这里 ρ ( ⋅ ) \rho(\cdot) ρ() 为方阵全部特征值的模的最大值,称为方阵的谱半径(简记:特征值的最大模)
通式: ∣ A ∣ α = sup ⁡ x ≠ 0 ∣ A x ∣ α ∣ x ∣ α = sup ⁡ ∣ x ∣ = 1 ∣ A x ∣ α |A|_\alpha=\sup_{\substack{x\neq0}}\frac{|Ax|_\alpha}{|x|_\alpha}=\sup_{\substack{|x|=1}}|Ax|_\alpha Aα=supx=0xαAxα=supx=1Axα
ρ ( A ) = inf ⁡ { 方阵范数 ∣ A ∣ } \rho(A)=\inf\{方阵范数|A|\} ρ(A)=inf{方阵范数A}

1.2 与矩阵乘积相容的矩阵范数

【定义】自相容范数 / 方阵范数

∥ ⋅ ∥ \|\cdot\| 为线性空间 C n × n \mathbb C^{n\times n} Cn×n 中一种范数。如果 ∀ A , B ∈ C n × n \forall A,B\in\mathbb C^{n\times n} A,BCn×n,均有
∥ A B ∥ ≤ ∥ A ∥ ∥ B ∥ \|AB\|\leq\|A\|\|B\| ABA∥∥B
则称 ∥ ⋅ ∥ \|\cdot\| 为矩阵乘积相容的矩阵范数,简称为 自相容范数 or 方阵范数

1.3 与向量范数相容的矩阵范数

【定义】矩阵范数与向量范数相容

∥ ⋅ ∥ \|\cdot\| 为线性空间 C n × n \mathbb C^{n\times n} Cn×n 中范数。 ∥ ⋅ ∥ a \|\cdot\|_a a 为线性空间 C n \mathbb C^n Cn 中的范数。如果 ∀ A ∈ C n × n \forall A\in\mathbb C^{n\times n} ACn×n ∀ x ∈ C n \forall x\in \mathbb C^n xCn,均有
∥ A x ∥ a ≤ ∥ A ∥ ∥ x ∥ a \|Ax\|_a\leq\|A\|\|x\|_a AxaA∥∥xa
则称矩阵范数 ∥ ⋅ ∥ \|\cdot\| 与向量范数 ∥ ⋅ ∥ a \|\cdot\|_a a 相容

【定理】任意自相容范数必存在与它相容的向量范数

对于 C n × n \mathbb C^{n\times n} Cn×n 上任意一种 自相容范数 ∥ ⋅ ∥ \|\cdot\| ,必存在 C n \mathbb C^n Cn 中一个与它相容的 向量范数

二、算子范数

2.1 方阵的算子范数

【定理】由向量范数诱导的算子范数是自相容范数,且方阵的算子范数与该向量范数是相容的

由向量范数诱导的算子范数是自相容范数,且方阵的算子范数与该向量范数是相容的

【定理】二范数之间的关系

A ∈ C n × n A\in\mathbb C^{n\times n} ACn×n,则

  • ∥ A ∥ 2 = ∥ A H ∥ 2 = ∥ A T ∥ 2 = ∥ A ‾ ∥ 2 \|A\|_2=\|A^H\|_2=\|A^T\|_2=\|\overline A\|_2 A2=AH2=AT2=A2
  • ∥ A H A ∥ 2 = ∥ A A H ∥ 2 = ∥ A ∥ 2 2 \|A^HA\|_2=\|AA^H\|_2=\|A\|_2^2 AHA2=AAH2=A22
  • ∀ \forall n 阶酉矩阵 U U U V V V,有 ∥ U A ∥ 2 = ∥ A V ∥ 2 = ∥ U A V ∥ 2 = ∥ A ∥ 2 \|UA\|_2=\|AV\|_2=\|UAV\|_2=\|A\|_2 UA2=AV2=UAV2=A2
【定理】方阵范数与谱半径关系

A ∈ C n × n A\in\mathbb C^{n\times n} ACn×n ρ ( A ) \rho(A) ρ(A) A A A 的谱半径,则 ρ ( A ) = inf ⁡ { ∥ A ∥ ∣ ∥ ⋅ ∥ 为 C n × n 上方阵范数 } \rho(A)=\inf\{ \|A\|\mid \|\cdot\| 为\mathbb C^{n\times n}上方阵范数 \} ρ(A)=inf{ACn×n上方阵范数}

三、方阵序列与方阵幂级数

3.1 方阵序列

【定义】方阵序列收敛

KaTeX parse error: Undefined control sequence: \C at position 22: …_{ij}^{(m)}]\in\̲C̲^{n\times n}KaTeX parse error: Undefined control sequence: \C at position 14: A=[a_{ij}]\in\̲C̲^{n\times n}

方阵序列 { A m } \{A_m\} {Am} 收敛于 A A A ⟺ \Longleftrightarrow ∀ i , j = 1 , 2 , ⋯ , n \forall i,j=1,2,\cdots,n i,j=1,2,,n,都有 { a i j ( m ) } \{a_{ij}^{(m)}\} {aij(m)} 收敛于 a i j a_{ij} aij

【定理】方阵序列收敛的性质
  • lim ⁡ m → ∞ A m = A , lim ⁡ m → ∞ B m = B \lim_{m\to\infty}A_m=A,\lim_{m\to\infty}B_m=B limmAm=A,limmBm=B ⇒ \Rightarrow lim ⁡ m → ∞ ( A m + B m ) = A + B \lim_{m\to\infty}(A_m+B_m)=A+B limm(Am+Bm)=A+B
  • lim ⁡ m → ∞ A m = A , lim ⁡ m → ∞ B m = B \lim_{m\to\infty}A_m=A,\lim_{m\to\infty}B_m=B limmAm=A,limmBm=B ⇒ \Rightarrow lim ⁡ m → ∞ ( A m B m ) = A B \lim_{m\to\infty}(A_mB_m)=AB limm(AmBm)=AB
  • lim ⁡ m → ∞ A m = A \lim_{m\to\infty}A_m=A limmAm=A,且 A − 1 A^{-1} A1 A m − 1 A^{-1}_m Am1 存在, ⇒ \Rightarrow lim ⁡ m → ∞ A m − 1 = A − 1 \lim_{m\to\infty}A^{-1}_m=A^{-1} limmAm1=A1
【定理】方阵序列收敛于零矩阵的充要条件

KaTeX parse error: Undefined control sequence: \C at position 5: A\in\̲C̲^{n\times n},则方阵序列 { A m } m = 0 ∞ \{A^m\}^\infty_{m=0} {Am}m=0 收敛于零矩阵的充要条件为 ρ ( A ) < 1 \rho(A)<1 ρ(A)<1

注:设 A ∈ C n × n A\in\mathbb C^{n\times n} ACn×n ρ ( A ) \rho(A) ρ(A) A A A 的谱半径,则 ρ ( A ) = inf ⁡ { ∥ A ∥ ∣ ∥ ⋅ ∥ 为 C n × n 上方阵范数 } \rho(A)=\inf\{ \|A\|\mid \|\cdot\| 为\mathbb C^{n\times n}上方阵范数 \} ρ(A)=inf{ACn×n上方阵范数}

3.2 方阵级数

【定义】 方阵级数收敛

方阵级数 ∑ m = 0 ∞ A m \sum_{m=0}^\infty A_m m=0Am 收敛于 S = [ S i j ] S=[S_{ij}] S=[Sij] 当且仅当 ∀ i , j = 1 , 2 , ⋯ , n \forall i,j =1,2,\cdots,n i,j=1,2,,n,数项级数 ∑ m = 0 ∞ a i j ( m ) \sum_{m=0}^\infty a_{ij}^{(m)} m=0aij(m) 收敛于 S i j S_{ij} Sij

【定义】方阵级数绝对收敛

方阵级数 ∑ m = 0 ∞ A m \sum_{m=0}^\infty A_m m=0Am 绝对收敛,当且仅当 ∀ i , j = 1 , 2 , ⋯ , n \forall i,j =1,2,\cdots,n i,j=1,2,,n,数项级数 ∑ m = 0 ∞ a i j ( m ) \sum_{m=0}^\infty a_{ij}^{(m)} m=0aij(m) 绝对收敛

【定理】方阵级数绝对收敛,则该方阵级数收敛

如果 ∑ m = 0 ∞ A m \sum_{m=0}^\infty A_m m=0Am 绝对收敛,则 ∑ m = 0 ∞ A m \sum_{m=0}^\infty A_m m=0Am 收敛

3.3 方阵幂级数

下面的 A m A^m Am m m m 次方

【定义】方阵幂级数

X X X 是任意 n 阶方阵, { c m } \{c_m\} {cm} 是复数列,称 ∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_m A^m m=0cmAm A A A 的幂级数, c m c_m cm 称为第 m m m 项系数,约定 A 0 = E A^0=E A0=E

【定义】方阵幂级数收敛

∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_mA^m m=0cmAm 收敛(绝对收敛)到 f ( A ) f(A) f(A),即
f ( A ) = ∑ m = 0 ∞ c m A m f(A)=\sum_{m=0}^\infty c_mA^m f(A)=m=0cmAm
则称 ∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_mA^m m=0cmAmKaTeX parse error: Undefined control sequence: \C at position 5: A\in\̲C̲^{n\times n} 处收敛(绝对收敛)

【定理】谱半径推导方阵幂级数的敛散性(收敛半径的推广)

设复幂级数 ∑ m = 0 ∞ c m z m \sum_{m=0}^\infty c_mz^m m=0cmzm 的收敛半径为 R R RKaTeX parse error: Undefined control sequence: \C at position 5: A\in\̲C̲^{n\times n} 的谱半径为 ρ ( A ) \rho(A) ρ(A),则

  • ρ ( A ) < R \rho(A)<R ρ(A)<R 时, ∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_mA^m m=0cmAm 绝对收敛
  • ρ ( A ) > R \rho(A)>R ρ(A)>R 时, ∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_mA^m m=0cmAm 发散

若复幂级数 ∑ m = 0 ∞ c m z m \sum_{m=0}^\infty c_mz^m m=0cmzm 在全平面收敛,则

  • ∑ m = 0 ∞ c m A m \sum_{m=0}^\infty c_mA^m m=0cmAm 在全空间 KaTeX parse error: Undefined control sequence: \C at position 1: \̲C̲^{n\times n} 中绝对收敛
【定理】特征值+收敛半径推导方阵幂级数敛散性

∑ m = 0 ∞ c m ( z − λ 0 ) m \sum_{m=0}^\infty c_m(z-\lambda_0)^m m=0cm(zλ0)m 的收敛半径为 R R R

KaTeX parse error: Undefined control sequence: \C at position 5: A\in\̲C̲^{n\times n} 的所有特征值满足不等式 ∣ λ j − λ 0 ∣ < R |\lambda_j-\lambda_0|<R λjλ0<R j = 1 , 2 , ⋯ , n j=1,2,\cdots,n j=1,2,,n,则

  • 方阵幂级数 ∑ m = 0 ∞ c m ( A − λ 0 E ) m \sum_{m=0}^\infty c_m(A-\lambda_0E)^m m=0cm(Aλ0E)m 绝对收敛

若存在 A A A 的特征值 λ k \lambda_k λk 使得 ∣ λ k − λ 0 ∣ > R |\lambda_k-\lambda_0|>R λkλ0>R,则

  • 方阵幂级数 ∑ m = 0 ∞ c m ( A − λ 0 E ) m \sum_{m=0}^\infty c_m(A-\lambda_0E)^m m=0cm(Aλ0E)m 发散

每一个特征值距离该特定点( λ 0 \lambda_0 λ0)均小于收敛半径,则绝对收敛

四、方阵的函数及其计算

4.1 方阵函数的幂级数表示

方阵也可以构成函数,即方阵函数

既然有方阵函数,就可以通过 Taylor 展开来分析

【定义】常见方阵函数的Taylor展开(常见Taylor展开的推广)

在这里插入图片描述

在这里插入图片描述

4.2 方阵函数的Jordan标准型法

【定理】方阵函数与Jordan标准型

设复幂级数 f ( z ) = ∑ m = 0 ∞ c m z m f(z)=\sum_{m=0}^\infty c_mz^m f(z)=m=0cmzm 的收敛半径为 R R RKaTeX parse error: Undefined control sequence: \C at position 5: A\in\̲C̲^{n\times n} 的 Jordan 标准型为 J = d i a g ( J 1 , J 2 , ⋯ , J s ) J=diag(J_1,J_2,\cdots,J_s) J=diag(J1,J2,,Js),即有相似变换矩阵 P P P 使得 P − 1 A P = J P^{-1}AP=J P1AP=J,则

  • ρ ( A ) < R \rho(A)<R ρ(A)<R 时,有:

f ( A ) = ∑ m = 0 ∞ c m A m = P ⋅ d i a g ( f ( J 1 ) , f ( J 2 ) , ⋯ , f ( J s ) ) ⋅ P − 1 f(A)=\sum_{m=0}^\infty c_mA^m=P\cdot diag(f(J_1),f(J_2),\cdots,f(J_s))\cdot P^{-1} f(A)=m=0cmAm=Pdiag(f(J1),f(J2),,f(Js))P1

4.3 方阵函数的谱方法

在这里插入图片描述

在这里插入图片描述



  1. 方阵范数:1)非负. 2)齐次. 3) 三角不等式. 4)乘法相容性 ↩︎

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/623570.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

PVE虚拟机安装qemu guest agent

pve虚拟机安装guest agent&#xff0c;使web平台可以直接显示虚拟机的ip&#xff0c;方便管理。 一、虚拟机需开启Qemu代理 首先&#xff0c;虚拟机需开启Qemu代理&#xff0c;需要关闭虚拟机再启动虚拟机并安装agent。网上有些文章说要把网卡配置为virtio&#xff0c;经测试是…

可协作植物管理工具HortusFox

什么是 HortusFox &#xff1f; HortusFox 是一个自托管的协作植物管理系统&#xff0c;您可以在自己的环境中使用它来管理所有的植物。您可以添加植物&#xff0c;并附带各种详细信息和照片&#xff0c;并将它们分配到环境中的位置。系统提供了一个仪表板&#xff0c;显示所有…

小程序系列--6.全局配置

一. 全局配置文件及常用的配置项 二、window 1. 小程序窗口的组成部分 2. 了解 window 节点常用的配置项 3. 设置导航栏的标题 4. 设置导航栏的背景色 5. 设置导航栏的标题颜色 6. 全局开启下拉刷新功能 7. 设置下拉刷新时窗口的背景色 8. 设置下拉刷新时 loading 的样…

Git 使用与问题记录 二(公司快速上手版)

写在前面 记录自己学习的内容&#xff0c;方便后面忘记的时候查看。给像我一样的新手提供一点参考 正文 上一章已经安装好了Git&#xff0c;如何使用呢。我这里会分享两种办法&#xff0c;第一种是在VS2022中克隆代码&#xff0c;修改和提交&#xff1b;第二种是用命令提交。…

【计算机网络】TCP原理 | 可靠性机制分析(四)

个人主页&#xff1a;兜里有颗棉花糖 欢迎 点赞&#x1f44d; 收藏✨ 留言✉ 加关注&#x1f493;本文由 兜里有颗棉花糖 原创 收录于专栏【网络编程】 本专栏旨在分享学习计算机网络的一点学习心得&#xff0c;欢迎大家在评论区交流讨论&#x1f48c; 这里写目录标题 &#x1…

小程序使用仿vue使用watch函数

watch,js /*** 设置Watcher* param {Object} page - 页面对象*/function setWatcher(page) {let data page.data;let watch page.watch;Object.keys(watch).forEach(v > {let key v.split(.); // 将watch中的属性以.切分成数组let nowData data; // 将data赋值给nowDat…

C函数详解 | 函数的作用、定义与声明、函数的调用、函数与指针

欢迎关注博主 Mindtechnist 或加入【智能科技社区】一起学习和分享Linux、C、C、Python、Matlab&#xff0c;机器人运动控制、多机器人协作&#xff0c;智能优化算法&#xff0c;滤波估计、多传感器信息融合&#xff0c;机器学习&#xff0c;人工智能等相关领域的知识和技术。关…

RISC-V是如何与X86、ARM三分天下

目录 1.行业CPU指令集格局 2.汽车中的RISC-V进展 2.1 国际进展 2.2 国内进展 3.小结 2023年3月2日&#xff0c;在平头哥牵头举办的玄铁RISC-V生态大会上&#xff0c;工程院院士倪光南表示&#xff0c;基于RISC-V模块化、可扩展、容易定制、不受垄断制约等优势&#xff0c;…

rime中州韵小狼毫 保姆级安装配置教程 100种增强功能

教程目录&#xff1a;rime中州韵小狼毫须鼠管安装配置教程 保姆级教程 100增强功能配置教程 零基础教学&#xff0c;由前入深&#xff0c;手把手配置rime&#xff0c;100增强功能非你莫属 &#x1f387; &#x1f449; rime中州韵小狼毫 输入效果 rime中州韵小狼毫 输入效果一…

使用百度网盘 不小心下载多了一份文件 几千个文件夹 递归查询删除重复下载的元素

使用python 编写代码 因为百度网盘下载的第二份文件里包含 (1). 只需要递归遍历删除所包含(1).的文件夹 一下是实现代码 import osdef delete_files_with_pattern(folder_path, pattern):for root, dirs, files in os.walk(folder_path):for file in files:file_path os.path…

电商API接口|Javascript抓取京东、淘宝商品数据

“ 不知怎么建站&#xff1f;就找怎么建站&#xff01; ” 背景&#xff1a; EDI许可证网站和ICP许可证网站需要有丰富的商品数据来应付EDI、ICP许可证下证审核。下面介绍的这种方法是我之前主要的抓取数据的方法&#xff0c;大概用了一年多。这几天又对这个方法进行了一些优…

11.云原生分布式数据库之TIDB

云原生专栏大纲 文章目录 为什么使用TIDB后端视角运维视角基础架构视角 TiDB Operator 简介软件版本要求部署tidbTIDB工具helm常用命令TIDB学习推荐资料 为什么使用TIDB 从后端视角、运维视角和基础架构视角来看&#xff0c;使用 TiDB 作为数据库系统可以获得分布式架构、高可…

学习Java API(二):基础知识点一文通✅

推荐阅读 智能化校园&#xff1a;深入探讨云端管理系统设计与实现&#xff08;一&#xff09; 智能化校园&#xff1a;深入探讨云端管理系统设计与实现&#xff08;二&#xff09; 文章目录 推荐阅读正则表达式正则表达式语法捕获组和分组matches 和 lookingAt 方法split方法r…

LeeCode前端算法基础100题(20)找出字符串中第一个匹配项的下标

一、问题详情: 给你两个字符串 haystack 和 needle ,请你在 haystack 字符串中找出 needle 字符串的第一个匹配项的下标(下标从 0 开始)。如果 needle 不是 haystack 的一部分,则返回 -1 。 示例 1: 输入:haystack = "sadbutsad", needle = "s…

安全生产管理平台——革新传统安全生产管理方式,重塑企业安全文化

安全生产管理在现代企业中占据着至关重要的地位。传统的安全生产管理方式虽然在一定程度上能够保障企业的生产安全&#xff0c;但随着企业规模的不断扩大和生产环境的日益复杂&#xff0c;其局限性也愈发凸显。而安全生产管理平台的出现&#xff0c;正是为了解决这一问题。 平台…

从六西格玛到DFSS:提升企业创新能力的关键方法——张驰咨询

DFSS&#xff08;Design for Six Sigma&#xff0c;即六西格玛设计&#xff09;是一种结合了六西格玛思想和创新设计方法的质量管理方法。它的目标是在产品或服务的设计阶段&#xff0c;通过优化设计过程和减少变异性&#xff0c;以确保产品或服务达到高质量水平&#xff0c;满…

Linux多网卡绑定实现负载均衡详解

将多块网卡绑定同一IP地址对外提供服务&#xff0c;可以实现高可用或者负载均衡。直接给两块网卡设置同一IP地址是不可以的。通过 bonding&#xff0c;虚拟一块网卡对外提供连接&#xff0c;物理网卡的被修改为相同的MAC地址。 目录 1、bond的作用 2、Bonding聚合链路工作模…

反射助你无痛使用Semantic Kernel接入离线大模型

本文主要介绍如何使用 llama 的 server 部署离线大模型&#xff0c;并通过反射技术修改 Semantic Kernel 的 OpenAIClient 类&#xff0c;从而实现指定端点的功能。最后也推荐了一些学习 Semantic Kernel 的资料&#xff0c;希望能对你有所帮助。 封面图片&#xff1a; Dalle3 …

win开发Golang

目录 编译exeVscode开发 编译exe go build main.go编译的exe文件点击后会有cmd弹窗&#xff0c;如果去掉弹框&#xff0c;使用编译命令&#xff1a; go build -ldflags"-Hwindowsgui" -o name.exe main.go 或 go build -ldflags"-s -w -H windowsgui" -…

软信天成:数据安全管理解决方案分享

近年来&#xff0c;随着数据环境日趋复杂多变和潜在的数据隐私泄露风险潜伏&#xff0c;如何确保企业数据安全已成为众多企业亟待面对与妥善处理的重要问题。 为了应对这一严峻的现实挑战&#xff0c;软信天成凭借专业的知识体系和丰富的实战经验积累&#xff0c;总结出了一套…