[北航矩阵理论A]课程笔记

一、特征值

  1. 特征根相关:
    设任一方阵 \(A = (a_{ij})_{n\times n} \in C^{n\times n}\)

    • 特征多项式 \(T(\lambda)=|\lambda I- A| = \Pi(\lambda-\lambda_i)\)
    • 全体特征根(含重复):\(\lambda(A) = \{\lambda_1,\cdots,\lambda_n\}\),叫做矩阵的 “谱”
    • 特征值两个性质:
      • \(\Sigma \lambda_i = tr(A)\) 特征根和等于矩阵迹和
      • \(\Pi \lambda_i = det(A)\) 特征根积等于行列式值
      • \(P可逆,P^{-1}AP = B\),叫做A的一个相似变换,相似变换特征值不变
  2. 分块求特征值:
    • 当矩阵可化为分块上(下)三角时,求主对角线上的矩阵块的特征值,并求并集,保留重复
      \[A = \bigg( \begin{matrix} B & O \\ C & D \end{matrix}\bigg)\]
      \[A = \bigg( \begin{matrix} B & C \\ O & D \end{matrix}\bigg)\]
  3. 特征根观察法:\(A = (a_{ij})_{n\times n}\)
    • 若 \(A\) 中每行和恒为常数 \(a\),则\(\lambda_1 = a \in \lambda(A)\),且 \(X = \bigg(\begin{matrix} 1\\...\\1\end{matrix}\bigg)\)为对应的特征向量
    • 若 \(A\) 中每列和恒为常数 \(a\),则...........,但\(X = \bigg(\begin{matrix} 1\\...\\1\end{matrix}\bigg)\)不一定为特征向量
  4. 平移法则:特征向量不变
    • \(A \pm CI\)与 \(A\)有相同的特征向量,且\((A \pm CI)X_i = (\lambda_i \pm C)X_i\)
  5. 多项式法则:
    • \(f(A)\)与\(A\)的特征向量相同,特征值分别为\(f(\lambda),\lambda\)

二、Jordan形

  1. 三角阵定理:

    • 任一方阵 \(A\),存在可逆阵 \(P\) 使A相似于 \(D\) (上三角)
  2. 接三角阵定理:
    • 可选取P使三角形简化为双线上三角,此时\(D\)被称为\(A\)的\(Jordan\)形

      • 其中,重复根排在一起 ,\(* = 0/1\);不同根之间 \(* = 0\)
        \[
        \exists P,P^{-1}AP = D =
        \left(
        \begin{matrix}
        \lambda_1 & * & \cdots & 0\\
        \vdots & \lambda_2 & * &\vdots\\
        \vdots & \vdots & \ddots &*\\s
        0 & 0 & 0 & \lambda_n \\
        \end{matrix}
        \right)_{n\times n}
        \]
  3. 若当块定义:
    • 一阶若当块是一个数 \((a)\)
    • k阶若当块(k重根\(\lambda\))形为:
      \[
      J_k(a) = \left(
      \begin{matrix}
      a & 1 & \cdots&\cdots & 0\\
      \vdots & a & 1 &\cdots &\vdots\\
      \vdots & \vdots & \ddots &\ddots &1\\
      0 & 0 & 0 & 0 & a
      \end{matrix}
      \right)_{k\times k}
      \]
  4. Jordan形定理:
    • 任一 :\(A = (a_{ij})_{n\times n} \in C^{n\times n},\exists P\)

      • \(A\)共有\(t\)个不同的特征根,每个特征根分别为\(k_i\)重特征根
      • 其中\(J_{k_i}^{(\lambda_i)}\)为若当块
        \[
        p =
        \left(
        \begin{matrix}
        J_{k_1}^{(\lambda_1)} & 0 & \cdots&\cdots & 0\\
        \vdots & J_{k_2}^{(\lambda_2)} & 0 &\cdots &\vdots\\
        \vdots & \vdots & \ddots &\ddots & 0 \\
        0 & 0 & 0 & 0 & J_{k_t}^{(\lambda_t)}
        \end{matrix}
        \right)_{n\times n}
        \]

三、一些基础

  1. 共轭转置:

    • \(A^H = \overline{A}^T\)
    • 一些性质:
      • \(\overline{AB} = \bar A \bar B\)
      • \((AB)^H = B^HA^H\)
      • \((ABC)^H = C^HB^HA^H\)
      • \((A+B)^H = A^H + B^H\)
      • \((kA)^H = \bar k A^H\)
    • 几个公式:
      • \(r(A^HA) = r(A) = r(AA^H)\)
      • \(AX = 0,A^HAX = 0\) 有相同解:\(X^H(A^HAX) = 0 \Rightarrow |AX|^2 = 0\),所以这两个方程解空间维数相同,所以上一行三个矩阵的秩相同
  2. 向量模长:
    • 模公式:\(|X|^2 = X^HX = \Sigma \bar x_i x_i = \Sigma |x_i|^2\)
    • 一些性质:
      • \(|kX| = |k||X|\)
    • 一些公式:
      • \(\frac{X}{|X|}\)为\(\vec X\)方向的单位向量
      • \(tr(X^HX) = tr(XX^H) = |X|^2\)
      • \(A = (a_{ij})_{n\times n} \in C^{n\times n},tr(A^HA) = tr(AA^H) = \sum \sum |a_{ij}|^2\)
        • 若 \(tr(AA^H) = 0或tr(A^HA) = 0,则A = 0\)
        • 若 \(AA^H = 0或A^HA = 0,则A = 0\)
  3. \(C^{n\times n}\)内积:
    • 定义\((X|Y) = Y^HX\),\(X\),\(Y\)为列向量
    • 内积公理
      • \(X \neq 0,(X|X)>0\)
      • \(\overline{(Y|X)} = (X|Y)\)
      • \((kX|Y) = k(X|Y),(X|kY) = \bar k(X|Y)\)
      • \((X+Y|Z) = (X|Z) + (Y|Z),(X|Y+Z) = (X|Y) + (X|Z)\)
  4. 正交:
    • 正交则内积为0
    • 正交组一定是线性无关组
    • 菱形对角线在实空间内正交
  5. 酉阵
    • 定义:

      • \(A = A_{n\times p}\)中各列相互正交,称\(A\)为预备半酉阵
      • \(B = B_{n\times p}\)中各列相互正交且都为单位向量,即 \(B^HB = I_P\),称\(B\)为半酉阵
      • 方阵\(C\)中各列相互正交且都为单位向量,即 \(C^HC = I_P\),称\(C\)为半酉阵
    • 常用酉阵等价条件:
      • \(A^HA = I_n \Leftrightarrow A^{-1} = A^H\)
      • \(A^HA = AA^H = I\)
    • 性质:
      • 保内积:\((AX,AY) = (X,Y)\)
      • 保长:\(|AX|^2 = |X|^2\)
      • 保正交:\(X_1 \perp X_2 \perp\cdots\perp X_n \Rightarrow AX_1 \perp AX_2 \perp\cdots\perp AX_n\)
  6. 镜面阵
    \[A = I - \frac{2XX^H}{|X|^2}\]

    • 性质:

      • \(A^H = A\)
      • \(A^2 = I\)
      • \(A\)为酉阵,\(A^{-1} = A^H\)
      • \(AX = -X\)
      • \(if X \perp Y,AY = Y\)
      • \(\lambda(A) = {-1,1,\cdots,1},det(A) = -1\)
    • 结论:
      • \((\alpha,\beta)\)为实数,两向量不相等,则存在镜面阵使得 \(A\alpha = \beta\)且
        \[A = I - \frac{2(\alpha-\beta)(\alpha-\beta)^H}{(\alpha-\beta)^2}\]
      • 证明:由镜面公式,取\(X = \alpha - \beta\),使用性质4、5
    • 引理(构造镜面阵)
      • \(C^{n}\)中任一 \(\alpha = (\alpha_1,\cdots,\alpha_n)^T \neq \vec 0\),令\(\beta = (\lambda|\alpha|,0,\cdots,0)^T\)
        \[\lambda =
        \begin{cases}
        \frac{\alpha_1}{|\alpha_1|}& \alpha_1 = 0\\
        1& \alpha_1 \neq 0
        \end{cases}\]
        则存在镜面阵 \(A\) 使得 \(A\alpha = \beta\)
  7. Hermite阵
    \[A^H = A,A\in C^{n\times n}\]
    斜Hermite:\(A^H = -A\),则\(\frac{A}{i},Ai\)为Hermite

    • 一些性质:

      • 若A为Hermite,则存在酉阵Q使得\(Q^{-1}AQ = D\)为正线上三角,且主对角线元素均为实数
      • \(f(X) = X^HAX\)只取实数
      • \(\lambda_1 = \frac{X^HAX}{|X|^2}\),其中X为非零特征向量
      • \(A = A^H,A \ge 0 \Leftrightarrow \lambda_i \ge 0\)
      • \(A = A^H,A > 0 \Leftrightarrow \lambda_i > 0\)
        • \(\Rightarrow : X^HAX > 0,\lambda_i = \frac{X^HAX}{|X|^2}>0\)
        • \(\Leftarrow : A = A^H \Rightarrow Q^HAQ = D\),D的主对角线为特征值,\(Y^H(Q^HAQ)Y = Y^HDY = \sum\lambda_i|y_i|^2>0\),记\((QY)^HA(QY)>0,X = QY\)
      • 若\(A\ge0 \Rightarrow \exists B B^2 =A,B \ge 0,\)
        • \(A = A^H \Rightarrow Q^HAQ = D,Q\)为酉阵,D的主对角线为特征值,且均大于等于0,令\(B = Q\sqrt{D}Q^H\),易得B为Hermite,且B相似于\(\sqrt{D}\),B为半正定
      • 任一\(A = A_{m\times n},A^HA,AA^H \ge 0\),且都是Hermite
      • 任一方阵\(A = A_{n\times n},A + A^H\)是Hermite
    • 定理:
      • 若\(A = A^H \in C^{n\times n}\),则A恰有n个正交的特征向量$

        • \(A = A^H \Rightarrow Q^HAQ = D,Q\)为酉阵,且Q每一列都是特征向量,且正交
  8. 正定性:
    • 半正定:定义:\(A = A^H \in C^{n\times n},f(X) = X^HAX \ge 0\),记为\(A\ge 0\)

四、QR分解

  1. 求法:
    \(A = A_{n\times p}\),且\(A\)列满秩,如何求 \(A = QR\):

    • 其中 \(Q = (\epsilon_1,...\epsilon_p)_{n\times p}\) 为半酉阵(或酉阵)

      • 对A使用施密特正交化方法:
        \[Y_1 = X_1\]
        \[Y_2 = X_2 - \frac{(X_2,Y_1)}{|Y_1|^2}Y_1\]
        \[Y_3 = X_3 - \frac{(X_3,Y_1)}{|Y_1|^2}Y_1 - \frac{(X_3,Y_2)}{|Y_2|^2}Y_2\]
        \[Y_p = X_p - \sum^{p-1}_{j = 0} \frac{(X_n,Y_i)}{|Y_i|^2}Y_i\]
      • 对 \(Y_i\) 进行单位化,得到 \(\epsilon_i\)
    • R为正线上三角,且主对角线上元素 \(b_i = |Y_i|\)
      • \(A = QR \Rightarrow Q^HA = R\)
  2. 结论
    • 任一方阵\(A \in C^{n\times n}\),存在酉阵\(Q\)与上三角阵\(R\),使得\(A = QR\)

      • 取\(A\)第一列,利用镜面阵引理构造镜面阵\(P\)
      • \(PA = R,A = P^{-1}R\) 形如 \(A = QR\)

五、常见矩阵分解

  1. 秩1分解:设 \(A = A_{m\times n},r(A) = rank(A) = 1\),即\(A\)各列成比例,记 \(A = \alpha\beta,\alpha = (\alpha_1,\cdots,\alpha_m)^T,\beta = (\beta_1,\cdots,\beta_n)\)

    • 当A为方阵时,\(\lambda(A) = {tr(A),0,\cdots,0}\),且\(A\alpha = tr(A)\alpha\),解\(\Sigma b_ix_i = 0\),得到另外的特征向量
  2. 满秩分解(高低分解):设 \(A = A_{m\times n},r(A) = rank(A) = P(P \ge 1)\Rightarrow A = BC\),其中\(B = B_{m\times p}\),为列满秩\(r(B) = P\) (B叫高阵);\(C = C_{p\times n}\),为行满纸\(r(C) = P\) (C叫低阵)
    • 解法:行变法,将A转化为形如D的矩阵,取\(\boldsymbol{D}\)的前\(P\)行为\(C\),取\(\boldsymbol{A}\)中前\(P\)列为\(B\):
      \[D =
      \left(
      \begin{matrix}
      1 & \cdots & 0& * &\cdots & * \\
      \vdots & \ddots & \vdots & * &\cdots & * \\
      0 & \cdots &1 & * &\cdots & * \\
      0 & \cdots & 0 & 0 &\cdots & 0 \\
      \vdots &\vdots &\vdots &\vdots &\vdots &\vdots \\
      0 &0 &0 &0 &0 &0 & \\
      \end{matrix}
      \right)_{m\times n}\\
      \]
    • 几个性质:
      • 高阵\(B\)有左侧逆\(B_L\):\(B_LB = I_P,B_L = (B^HB)^{-1}B^H\)
      • 低阵\(C\)有右侧逆\(C_R\):\(CC_R = I_P,C_R = C^H(CC^H)^{-1}\)
    • 用法:
      • 若 \(BCX = 0\),B为高阵,则 \(B_LBCX = 0 \Rightarrow CX = 0\)
      • 若 \(BX = BY\),B为高阵,则 \(B_LBX = B_LBY\)

六、换位公式

\(A = A_{n\times p},B = B_{p\times n},AB \in C^{n\times n},BA \in C^{p\times p}\)

  • 则 \(|\lambda I_n - AB| = \lambda^{n-p}|\lambda I_p - BA|\)
    \[令 M = \left(
    \begin{matrix}
    AB& O\\
    B&O_p\\
    \end{matrix}
    \right)_{n+p},N = \left(
    \begin{matrix}
    O_n& O\\
    B&BA\\
    \end{matrix}
    \right)_{n+p},P = \left(
    \begin{matrix}
    I_n& A\\
    O&I_p\\
    \end{matrix}
    \right)\]
    \[MP = \left(
    \begin{matrix}
    AB& ABA\\
    B&BA\\
    \end{matrix}
    \right) = PN,且P^{-1} = \left(
    \begin{matrix}
    I_n& -A\\
    O&I_p\\
    \end{matrix}
    \right)\]
    \[MP = PN \Rightarrow P^{-1}MP = N \Rightarrow |\lambda I - M| = |\lambda I -N| \Rightarrow |\lambda I_n - AB| = \lambda^{n-p}|\lambda I_p - BA|\]
  • \(AB\)与\(BA\) 只差 \(n-p\) 个 \(0\) 根
  • \(tr(AB) = tr(BA) = \sum {\lambda_i}\)

七、奇异值分解

正奇值:设 \(A = A_{m\times n}, r(A) = P > 0\) ,则 \(A^HA\) 与 \(AA^H\) 恰有\(P\)个正特征根,称\(\sqrt{\lambda_1},\cdots,\sqrt{\lambda_p}\)为\(A\)的正奇异值,记为\(S^+ (A) = \{\sqrt{\lambda_1},\cdots,\sqrt{\lambda_p}\}\)

简奇异值分解:任意 \(A = A_{m \times n},r(A) = r >0\),则有分解 \(A = P\Delta Q^H\),其中 \(\Delta\) 为正线上三角,主对角线上依次为\(\sqrt{\lambda_1},\cdots,\sqrt{\lambda_p}\),且\(P = P_{m\times r},Q = Q_{n\times r}\)都是半酉阵:\(P^HP = Q^HQ = I_r\)

  • 已知简奇异值分解 \(A = P\Delta Q^H,则A^H = Q\Delta P^H为A^H\)的简化奇异值分解
  • 令\(P = (Y_1,\cdots,Y_r),Q = (X_1,\cdots,X_r)\),可写\(A = \sum \sqrt{\lambda_i}Y_iX_i^H\)

解法:求\(A^HA\)的正特征值,与对应的特征向量,令\(Q = (\frac{X_1}{|X_1|},\cdots,\frac{X_p}{|X_p|}),P = (\frac{AX_1}{|AX_1|},\cdots,\frac{AX_p}{|AX_p|})\)

奇异值分解:将简奇异值分解的\(P,Q\)扩充为酉阵,并将\(\Delta\)扩充为与A同型

八、单纯阵

\(A = A_{n\times n}\)为单阵\(\Leftrightarrow A \sim D,D\)为正线上三角,对角线上为特征值 \(\Leftrightarrow P^{-1}AP = D\),也叫做可对角化

  • \(A = A_{n\times n}\)为单阵\(\Leftrightarrow A\) 有 \(n\) 个线性无关的特征向量
  • \(A = A_{n\times n}\)为单阵\(\Leftrightarrow\) 每个 \(k\) 重根,恰有\(k\)个线性无关的特征向量
  • 若\(n\)阶方阵\(A\)有n个互异根,则\(A\)为单阵
  • 若每个 \(k>1\) 重根,恰有 \(k\) 个特征向量,则 \(A\) 为单阵
  • \(A = A_{n\times n}\)恰有\(k\)个互异根,且\(\Pi (A-\lambda_i) = 0\),则\(A\)为单阵,反之亦然
  • 任意一个\(k>1\)重根\(\lambda_i \in \lambda(A)\)
    • 若 \(r(A-\lambda_i I) = n-k\),则\(A\)为单阵,反之亦然

补充定义:若方阵\(A\)与多项式\(f(x)\),\(f(A) = 0\),则称\(f(x)\)为\(A\)的一个0化式,\(A\)叫做\(f(x)\)的一个矩阵根

  • 可求出矩阵\(A\)次数最低的0化式,叫做\(A\)的极小式\(m_A(x)\)

Cayley定理:方阵\(A\)的特征多项式\(T(x) = |xI-A|\),使得\(T(A) = 0\)

  • 若\(f(x)\)无重根且为\(A\)的0化式,则\(A\)为单阵

谱分解公式:

  • 记\(P^{-1}AP = D,D\)为正线上三角,记\(D = \sum \lambda_iE_i\),有:

    • \(\sum E_i = I_n\)
    • \(E_iE_j = 0, i \ne j\)
    • \(E^2_i = E_i\)
    • \(E^H_i = E_i\)
  • 记\(P^{-1}AP = D \Rightarrow A = PDP^{-1} = \sum \lambda_i(PE_iP^{-1})\)
    • 记\(F_i = PE_iP^{-1}\)
    • 可写\(A =\sum \lambda_iF_i\)(即A的原谱分解),且:
      • \(\sum F_i = I_n\)
      • \(F_iF_j = 0, i \ne j\)
      • \(F^2_i = F_i\)
      • 但\(F^H_i \ne F_i\),当且仅当P为酉阵时成立\(F^H_i = F_i\)
  • 单阵谱分解公式:若A为单阵,全体不同根为\(t_1,\cdots,t_k,k \le n\)有:
    • \(A =\sum t_iG_i\),这些G叫做谱阵
    • \(\sum G_i = I_n\)
    • \(G_iG_j = 0, i \ne j\)
    • \(G^2_i = G_i\)
    • \(A^p =\sum t^p_iG_i\)
    • 任意多项式\(f(x)\),有\(f(A) = \sum f(t_i)G_i\)
    • 且\(G_i = \frac{(A-t_1)(A-t_2)\cdots(A-t_k)}{(t_i-t_1)(t_i-t_2)\cdots(t_i-t_k)}\),其中分子中不含\((A-t_i)\),分母中不含\((t_i-t_i)\)

[北航矩阵理论A]课程笔记的更多相关文章

  1. Linux内核分析课程笔记(一)

    linux内核分析课程笔记(一) 冯诺依曼体系结构 冯诺依曼体系结构实际上就是存储程序计算机. 从两个层面来讲: 从硬件的角度来看,冯诺依曼体系结构逻辑上可以抽象成CPU和内存,通过总线相连.CPU上 ...

  2. (1/18)重学Standford_iOS7开发_iOS概述_课程笔记

    写在前面:上次学习课程对iOS还是一知半解,由于缺乏实践,看公开课的视频有时不能很好地领会知识.带着问题去学习永远是最好的方法,接触一段时间iOS开发以后再来看斯坦福iOS公开课,又会有许多新的发现, ...

  3. Andrew Ng机器学习课程笔记(五)之应用机器学习的建议

    Andrew Ng机器学习课程笔记(五)之 应用机器学习的建议 版权声明:本文为博主原创文章,转载请指明转载地址 http://www.cnblogs.com/fydeblog/p/7368472.h ...

  4. Andrew Ng机器学习课程笔记--week1(机器学习介绍及线性回归)

    title: Andrew Ng机器学习课程笔记--week1(机器学习介绍及线性回归) tags: 机器学习, 学习笔记 grammar_cjkRuby: true --- 之前看过一遍,但是总是模 ...

  5. Andrew Ng机器学习课程笔记--汇总

    笔记总结,各章节主要内容已总结在标题之中 Andrew Ng机器学习课程笔记–week1(机器学习简介&线性回归模型) Andrew Ng机器学习课程笔记--week2(多元线性回归& ...

  6. Andrew 机器学习课程笔记

    Andrew 机器学习课程笔记 完成 Andrew 的课程结束至今已有一段时间,课程介绍深入浅出,很好的解释了模型的基本原理以及应用.在我看来这是个很好的入门视频,他老人家现在又出了一门 deep l ...

  7. 操作系统学习笔记----进程/线程模型----Coursera课程笔记

    操作系统学习笔记----进程/线程模型----Coursera课程笔记 进程/线程模型 0. 概述 0.1 进程模型 多道程序设计 进程的概念.进程控制块 进程状态及转换.进程队列 进程控制----进 ...

  8. 《CSS动画实用技巧》课程笔记

    概述 这是我学习[CSS动画实用技巧][1]的课程笔记 常用动画属性--transition [常用动画属性--transition][2] .change img{ display:block; w ...

  9. Deeplearning.ai课程笔记--汇总

    从接触机器学习就了解到Andrew Ng的机器学习课程,后来发现又出来深度学习课程,就开始在网易云课堂上学习deeplearning.ai的课程,Andrew 的课真是的把深入浅出.当然学习这些课程还 ...

随机推荐

  1. CSS Hack的一些知识

    测试环境:Windows7 主要测试:IE6.IE7.IE8.Fire Fox3.5.6 次要测试:Chrome4.0.Opera10.10.Safari4.04.360浏览器3.1 为了能够让多个H ...

  2. SpringMVC 使用JSR-303进行校验 @Valid

    注意:1 public String save(@ModelAttribute("house") @Valid House entity, BindingResult result ...

  3. 环境变量(environment variable)

    环境变量是什么 环境变量指的就是操作系统当中的一些变量.可以通过修改环境变量,来对计算机进行配置(主要是来配置一些路径的) 查看环境变量右键 计算机(此电脑),选择属性——系统界面左侧选择 高级系统设 ...

  4. BSOJ 2423 -- 【PA2014】Final Zarowki

    Description 有n个房间和n盏灯,你需要在每个房间里放入一盏灯.每盏灯都有一定功率,每间房间都需要不少于一定功率的灯泡才可以完全照亮.  你可以去附近的商店换新灯泡,商店里所有正整数功率的灯 ...

  5. ORA-245: In RAC environment from 11.2 onwards Backup Or Snapshot controlfile needs to be in shared location (Doc ID 1472171.1)

    巡检时遇到错误如下: alert日志: Wed Dec 19 01:00:29 2018Errors in file /oracle/base/diag/rdbms/usap/usap1/trace/ ...

  6. python3 练习题 day01

    #练习题:'''1.简述变量命名规范'''#变量名由数字.字母.下划线组成#变量名可以字母和下划线开头,不能以数字开头,并且不能全为数字#变量名不能太长,且要有意义#最好使用驼峰或下划线格式命令#变量 ...

  7. Echarts中太阳图(Sunburst)的实例

    Echarts中太阳图(Sunburst)的实例 目前在项目中要实现一个Echars中的太阳图,但是Echars中的太阳图的数据格式是一个树形结构,如下代码格式如下: var mapData = [ ...

  8. 理解Selection对象

    理解Selection对象 Selection对象的属性如下: var selection = window.getSelection(); console.log(selection); 通过上面的 ...

  9. 使用SatelliteMenu创建动画菜单

    一.GitHub地址:https://github.com/chenshouyin/SatelliteMenu 二.使用步骤: 第一步:在Android Studio中创建一个项目,然后在Androi ...

  10. C语言程序设计II—第六周教学

    第六周教学总结(1/4-7/4) 教学内容 本周的教学内容为:第八章 指针 8.1 密码开锁(知识点:指针和指针变量的概念),8.2 角色互换(知识点:指针作为函数的参数返回多个值) 重点.难点:指针 ...