当前位置: 首页 > news >正文

【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 λ \lambda λ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 r a n k ( A ) rank(A) rank(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())

相关文章:

【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 设 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 v∈V,如果存在一个 λ ∈ F \lambda \in F λ∈F使得 σ (…...

Linux 进程地址空间

知识回顾 在 C 语言的学习过程中,我们知道内存是可以被划分为栈区,堆区,全局数据区,字符常量区,代码区的。他的空间排布可能是下面的样子: 其中,全局数据区,可以划分为已初始化全局…...

websocket vue操作

let websocket: WebSocket; /** websocket测试 */ function connectWebsocket() {if (typeof WebSocket "undefined") {console.log("您的浏览器不支持WebSocket");return;}// let ip window.location.hostname ":8080";let ip "10.192…...

腾讯云CentOS8 jenkins war安装jenkins步骤文档

腾讯云CentOS8 jenkins war安装jenkins步骤文档 一、安装jdk 1.1 上传jdk-11.0.20_linux-x64_bin.tar.gz 1.2 解压jdk安装包文件 tar -zxvf jdk*.tar.gz 1.3 在/usr/local 目录下创建java目录 cd /usr/local mkdir java 1.4 切到java目录,把jdk解压文件改名为jd…...

Linux: glibc: net/if.h vs linux/if.h

最近看到一段代码改动,用net/if.h替换了linux/if.h。仔细看了看这两个的区别: https://stackoverflow.com/questions/20082433/what-is-the-difference-between-linux-if-h-and-net-if-h 从网上搜了一下看到如下的一个编译错误,如果同时使用这两个if.h文件,需要将net/if.h…...

使用Android Studio导入Android源码:基于全志H713 AOSP,方便解决编译、编码问题

文章目录 一、 篇头二、 操作步骤2.1 编译AOSP AS工程文件2.2 将AOSP导入Android Studio2.3 切到Project试图2.4 等待index结束2.5 下载缺失的JDK 1.82.6 导入完成 三、 导入AS的好处3.1 本文案例演示源码编译错误AS对比同文件其余地方的调用AS错误提示依赖AS做错误修正 一、 篇…...

python random详解

文章目录 random简单示例1. 生成随机浮点数:2. 生成指定范围内的随机整数:3. 从序列中随机选择元素:4. 打乱序列顺序: 常用的方法及其解释和例子:1. random():该方法返回一个0到1之间的随机浮点数。例如&am…...

java-两个列表进行比较,判断那些是需要新增的、删除的、和更新的

文章目录 前言两个列表进行比较,判断那些是需要新增的、删除的、和更新的 前言 如果您觉得有用的话,记得给博主点个赞,评论,收藏一键三连啊,写作不易啊^ _ ^。   而且听说点赞的人每天的运气都不会太差,实…...

【WPF.NET开发】WPF中的对话框

目录 1、消息框 2、通用对话框 3、自定义对话框 实现对话框 4、打开对话框的 UI 元素 4.1 菜单项 4.2 按钮 5、返回结果 5.1 模式对话框 5.2 处理响应 5.3 非模式对话框 Windows Presentation Foundation (WPF) 为你提供了自行设计对话框的方法。 对话框是窗口&…...

NLP项目实战01之电影评论分类

介绍: 欢迎来到本篇文章!在这里,我们将探讨一个常见而重要的自然语言处理任务——文本分类。具体而言,我们将关注情感分析任务,即通过分析电影评论的情感来判断评论是正面的、负面的。 展示: 训练展示如下…...

一款可无限扩展的软件定时器开源框架项目代码

摘自链接 时间片轮询架构如何稳定高效实现,取代传统的标志位判断方式,更优雅更方便地管理程序的时间触发操作。 可以在STM32单片机上运行。...

GRE与顺丰圆通快递盒子

1. DNS污染 随想: 在输入一串网址后,会发生如下变化如果你在系统中配置了 Hosts 文件,那么电脑会先查询 Hosts 文件如果 Hosts 里面没有这个别名,就通过域名服务器查询域名服务器回应了,那么你的电脑就可以根据域名服…...

12.Mysql 多表数据横向合并和纵向合并

Mysql 函数参考和扩展&#xff1a;Mysql 常用函数和基础查询、 Mysql 官网 Mysql 语法执行顺序如下&#xff0c;一定要清楚&#xff01;&#xff01;&#xff01;运算符相关&#xff0c;可前往 Mysql 基础语法和执行顺序扩展。 (8) select (9) distinct (11)<columns_name…...

线性回归与逻辑回归:深入解析机器学习的基石模型

目录 一、线性回归 二、逻辑回归 逻辑回归算法和 KNN 算法的区别 分类算法评价维度...

电脑待机怎么设置?让你的电脑更加节能

在日常使用电脑的过程中&#xff0c;合理设置待机模式是一项省电且环保的好习惯。然而&#xff0c;许多用户对于如何设置电脑待机感到困扰。那么电脑待机怎么设置呢&#xff1f;本文将深入探讨三种常用的电脑待机设置方法&#xff0c;通过详细的步骤&#xff0c;帮助用户更好地…...

数据库对象介绍与实践:视图、函数、存储过程、触发器和物化视图

文章目录 一、视图&#xff08;View&#xff09;1、概念2、基本操作1&#xff09;创建视图2&#xff09;修改视图3&#xff09;删除视图4&#xff09;使用视图 3、使用场景4、实践 二、函数&#xff08;Function&#xff09;1、概念2、基本操作1&#xff09;创建函数2&#xff…...

arm平台编译so文件回顾

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、几个点二、回顾过程 1.上来就执行Makefile2.编译第三方开源库.a文件 2.1 build.sh脚本2.2 Makefile3.最终编译三、其它知识点总结 前言 提示&#xff1a;这…...

【数据结构】顺序表的定义和运算

目录 1.初始化 2.插入 3.删除 4.查找 5.修改 6.长度 7.遍历 8.完整代码 &#x1f308;嗨&#xff01;我是Filotimo__&#x1f308;。很高兴与大家相识&#xff0c;希望我的博客能对你有所帮助。 &#x1f4a1;本文由Filotimo__✍️原创&#xff0c;首发于CSDN&#x1f4da;。 &…...

idea使用maven的package打包时提示“找不到符号”或“找不到包”

介绍&#xff1a;由于我们的项目是多模块开发项目&#xff0c;在打包时有些模块内容更新导致其他模块在引用该模块时不能正确引入。 情况一&#xff1a;找不到符号 情况一&#xff1a;找不到包 错误代码部分展示&#xff1a; Failure to find com.xxx.xxxx:xxx:pom:0.5 in …...

MetricBeat监控MySQL

目录 一、安装部署 二、开启mysql监控模块 三、编辑mysql配置文件 四、启动Metricbeat 五、查看监控图表 一、安装部署 metriceat的安装部署参考章节&#xff1a; Metricbeat安装使用&#xff0c;这里不再赘述。 二、开启mysql监控模块 进入metricbeat安装目录 ./metricb…...

Python爬虫实战:研究MechanicalSoup库相关技术

一、MechanicalSoup 库概述 1.1 库简介 MechanicalSoup 是一个 Python 库,专为自动化交互网站而设计。它结合了 requests 的 HTTP 请求能力和 BeautifulSoup 的 HTML 解析能力,提供了直观的 API,让我们可以像人类用户一样浏览网页、填写表单和提交请求。 1.2 主要功能特点…...

css实现圆环展示百分比,根据值动态展示所占比例

代码如下 <view class""><view class"circle-chart"><view v-if"!!num" class"pie-item" :style"{background: conic-gradient(var(--one-color) 0%,#E9E6F1 ${num}%),}"></view><view v-else …...

【WiFi帧结构】

文章目录 帧结构MAC头部管理帧 帧结构 Wi-Fi的帧分为三部分组成&#xff1a;MAC头部frame bodyFCS&#xff0c;其中MAC是固定格式的&#xff0c;frame body是可变长度。 MAC头部有frame control&#xff0c;duration&#xff0c;address1&#xff0c;address2&#xff0c;addre…...

【HarmonyOS 5.0】DevEco Testing:鸿蒙应用质量保障的终极武器

——全方位测试解决方案与代码实战 一、工具定位与核心能力 DevEco Testing是HarmonyOS官方推出的​​一体化测试平台​​&#xff0c;覆盖应用全生命周期测试需求&#xff0c;主要提供五大核心能力&#xff1a; ​​测试类型​​​​检测目标​​​​关键指标​​功能体验基…...

STM32+rt-thread判断是否联网

一、根据NETDEV_FLAG_INTERNET_UP位判断 static bool is_conncected(void) {struct netdev *dev RT_NULL;dev netdev_get_first_by_flags(NETDEV_FLAG_INTERNET_UP);if (dev RT_NULL){printf("wait netdev internet up...");return false;}else{printf("loc…...

将对透视变换后的图像使用Otsu进行阈值化,来分离黑色和白色像素。这句话中的Otsu是什么意思?

Otsu 是一种自动阈值化方法&#xff0c;用于将图像分割为前景和背景。它通过最小化图像的类内方差或等价地最大化类间方差来选择最佳阈值。这种方法特别适用于图像的二值化处理&#xff0c;能够自动确定一个阈值&#xff0c;将图像中的像素分为黑色和白色两类。 Otsu 方法的原…...

【AI学习】三、AI算法中的向量

在人工智能&#xff08;AI&#xff09;算法中&#xff0c;向量&#xff08;Vector&#xff09;是一种将现实世界中的数据&#xff08;如图像、文本、音频等&#xff09;转化为计算机可处理的数值型特征表示的工具。它是连接人类认知&#xff08;如语义、视觉特征&#xff09;与…...

快刀集(1): 一刀斩断视频片头广告

一刀流&#xff1a;用一个简单脚本&#xff0c;秒杀视频片头广告&#xff0c;还你清爽观影体验。 1. 引子 作为一个爱生活、爱学习、爱收藏高清资源的老码农&#xff0c;平时写代码之余看看电影、补补片&#xff0c;是再正常不过的事。 电影嘛&#xff0c;要沉浸&#xff0c;…...

Python 训练营打卡 Day 47

注意力热力图可视化 在day 46代码的基础上&#xff0c;对比不同卷积层热力图可视化的结果 import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader import matplotlib.pypl…...

数据结构:递归的种类(Types of Recursion)

目录 尾递归&#xff08;Tail Recursion&#xff09; 什么是 Loop&#xff08;循环&#xff09;&#xff1f; 复杂度分析 头递归&#xff08;Head Recursion&#xff09; 树形递归&#xff08;Tree Recursion&#xff09; 线性递归&#xff08;Linear Recursion&#xff09;…...