矩阵分析(2)--正规矩阵、正交矩阵
正规矩阵
正规矩阵是很重要也很特殊的一类矩阵,因为它能使得谱定理成立,也一定能够酉相似对角化
在数学中,正规矩阵 (英语: normal matrix) A\mathbf{A}A 是与自己的共轭转置满 足交换律的实系数方块矩阵,也就是说, A\mathbf{A}A 满足
A∗A=AA∗\mathbf{A}^{*} \mathbf{A}=\mathbf{A} \mathbf{A}^{*} A∗A=AA∗
其中 A∗\mathbf{A}^{*}A∗ 是 A\mathbf{A}A 的共轭转置。
如果 A\mathbf{A}A 是实系数矩阵, 则 A∗=AT\mathbf{A}^{*}=\mathbf{A}^{T}A∗=AT, 从而条件简化为 ATA=AAT\mathbf{A}^{T} \mathbf{A}=\mathbf{A} \mathbf{A}^{T}ATA=AAT 其 中 AT\mathbf{A}^{T}AT 是 A\mathbf{A}A 的转置矩阵。
- 前面说到,一个线性变换可以用矩阵来表示。而正规算子用矩阵来表示,得到的就是一个正规矩阵。任何一个正规矩阵,都是某个正规算子在一组标准正交基下的矩阵;反之,任一正规算子在一组标准正交基下的矩阵都为正规矩阵。从这里看出来,因为正规算子是很稀少的,所以正规矩阵也是很稀少的一种矩阵
- 矩阵的正规性是检验矩阵是否可对角化的一个简便方法: 任意正规矩阵都 可在经过一个酉变换后变为对角矩阵,反过来所有可在经过一个酉变换后 变为对角矩阵的矩阵都是正规矩阵。矩阵可酉相似对角化的充要条件是它为正规矩阵(注意是对角化不是三角化)。还要注意一点,相似对角化的条件很弱(特征向量够多),酉相似对角化的条件很强(需要正规矩阵)
对二阶方阵的一些分析
首先明白一个定理: 任何矩阵都可以通过相似变换变换为上三角矩阵
- 标准形式
Thm. T2×2⇒T≅[ab0c],b≥0, uniquely (except a,c may interchange) \text { Thm. } T \quad 2 \times 2 \Rightarrow T \cong\left[\begin{array}{ll} a & b \\ 0 & c \end{array}\right], \mathrm{b} \geq 0 \text {, uniquely (except a,c may interchange) } Thm. T2×2⇒T≅[a0bc],b≥0, uniquely (except a,c may interchange)
- 酉等价
T1,T22×2T_{1}, T_{2} 2 \times 2T1,T22×2
(i) T1≅T2⇔T_{1} \cong T_{2} \LeftrightarrowT1≅T2⇔ same canonical form.
(ii) T1≅T2⇔trT1=trT2,trT12=trT22⏟↓&tr(T1∗T1)=tr(T2∗T2)T_{1} \cong T_{2} \Leftrightarrow \underbrace{\operatorname{tr} T_{1}=\operatorname{tr} T_{2}, \operatorname{tr} T_{1}^{2}=\operatorname{tr} T_{2}^{2}}_{\mathbb{\downarrow}} \& \operatorname{tr}\left(T_{1}^{*} T_{1}\right)=\operatorname{tr}\left(T_{2} * T_{2}\right)T1≅T2⇔↓trT1=trT2,trT12=trT22&tr(T1∗T1)=tr(T2∗T2)
T1,T2T_{1}, T_{2}T1,T2 same eigenvalues. Hilbert-Schmidt norm same
(Reason: trT=\operatorname{tr} T=trT= sum of eigenvalues of TTT )
(iii) T1≅T2⇔trT1=trT2,detT1=detT2⏟↓&∥T1∥F=∥T2∥FT_{1} \cong T_{2} \Leftrightarrow \underbrace{\operatorname{tr} T_{1}=\operatorname{tr} T_{2}, \operatorname{det} T_{1}=\operatorname{det} T_{2}}_{\mathbb{\downarrow}} \&\left\|T_{1}\right\|_{F}=\left\|T_{2}\right\|_{F}T1≅T2⇔↓trT1=trT2,detT1=detT2&∥T1∥F=∥T2∥F.
same eigenvalues.
(Reason: detT=\operatorname{det} T=detT= product of eigenvalues of TTT )
(iv) T1≅T2⇔W(T1)=W(T2)T_{1} \cong T_{2} \Leftrightarrow W\left(T_{1}\right)=W\left(T_{2}\right)T1≅T2⇔W(T1)=W(T2).
- 一些数值性质
Def. T∈n×n,W(T)={⟨Tx,x⟩:x∈Cn;∥x∥=1}⊆CT \in n \times n, W(T)=\left\{\langle T x, x\rangle: x \in \mathbb{C}^{n} ;\|x\|=1\right\} \subseteq \mathbb{C}T∈n×n,W(T)={⟨Tx,x⟩:x∈Cn;∥x∥=1}⊆C
Hausdorff-Toeplitz:
W(T)W(T)W(T) is convex in C\mathbb{C}C.
Thm. (O. Toeplitz, 1918)
T=[ab0c]⇒W(T)=T=\left[\begin{array}{ll}a & b \\ 0 & c\end{array}\right] \Rightarrow W(T)=T=[a0bc]⇒W(T)= elliptic disc, foci at a,ca, ca,c & length of minor axis =∣b∣=|\mathrm{b}|=∣b∣.
即对长度为1的向量来说,用内积<Tx,x>张成的一定是一个凸集。不仅如此,海是一个以a、c为焦点、以b为短轴长度的椭圆
矩阵的四个基本子空间
矩阵 Am×n的四个基本子空间 : 列空间 C(A),行空间 C(AT), 零空间 N(A), AT的零空间 N(AT)若 rank(A)=r, 则 dim(C(A))=dim(C(AT))=r, dim(N(A))=n−r,dim(N(AT))=m−r\begin{aligned} &\text { 矩阵 } A_{m \times n} \text { 的四个基本子空间 : } \\ &\text { 列空间 } C(A) \text { ,行空间 } C\left(A^{T}\right) \text { , } \\ &\text { 零空间 } N(A) \text { , } A^{T} \text { 的零空间 } N\left(A^{T}\right) \\ &\text { 若 } \operatorname{rank}(A)=r \text { , } \\ &\text { 则 } \operatorname{dim}(C(A))=\operatorname{dim}\left(C\left(A^{T}\right)\right)=r \text { , } \\ &\operatorname{dim}(N(A))=n-r , \operatorname{dim}\left(N\left(A^{T}\right)\right)=m-r \end{aligned} 矩阵 Am×n 的四个基本子空间 : 列空间 C(A) ,行空间 C(AT) , 零空间 N(A) , AT 的零空间 N(AT) 若 rank(A)=r , 则 dim(C(A))=dim(C(AT))=r , dim(N(A))=n−r,dim(N(AT))=m−r
- 矩阵"三秩合一",行秩=列秩=矩阵秩。这个定理的证明都是一些很不直观的证法,很技巧化,不用深究
- 所谓零空间是指Ax=0的解空间。显然有dim(N(A))+dim(C(A))=r(A)dim(N(A))+dim(C(A))=r(A)dim(N(A))+dim(C(A))=r(A),从而可以得到dim(N(A))=dim(C(A))−rdim(N(A))=dim(C(A))-rdim(N(A))=dim(C(A))−r
正交矩阵
正交矩阵(更合适的说法是正交规范矩阵,因为它不仅要求列列正交,还要求每列的模为1)是比正规矩阵更特殊的矩阵,它要求
QTQ=QQT=IQ^{T} Q=Q Q^{T}=I QTQ=QQT=I
而正规矩阵只要求
Q∗Q=QQ∗\mathbf{Q}^{*} \mathbf{Q}=\mathbf{Q} \mathbf{Q}^{*} Q∗Q=QQ∗
几个特殊的正交矩阵
旋转矩阵与反射矩阵
rotation matrix: reflection matrix:
二维的旋转代表某个点(或者)绕着原点逆时针旋转θ\thetaθ度,三维的旋转代表绕着某个轴旋转$\theta $度,下面的左式即旋转矩阵
反射矩阵的含义是,使某个向量绕某个与之成θ2\frac{\theta}{2}2θ射线进行反射
[cosθ−sinθsinθcosθ][cosθsinθsinθ−cosθ]\left[\begin{array}{cc} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right] \quad\left[\begin{array}{cc} \cos \theta & \sin \theta \\ \sin \theta & -\cos \theta \end{array}\right] [cosθsinθ−sinθcosθ][cosθsinθsinθ−cosθ]
小波矩阵
wavelet matrix:
W4=[111011−101−1011−10−1],W8=?W_{4}=\left[\begin{array}{cccc} 1 & 1 & 1 & 0 \\ 1 & 1 & -1 & 0 \\ 1 & -1 & 0 & 1 \\ 1 & -1 & 0 & -1 \end{array}\right], \quad W_{8}=? W4=⎣⎢⎢⎡111111−1−11−100001−1⎦⎥⎥⎤,W8=?
哈达玛矩阵
Hadamard matrix:
H2为2X2的方阵,H4由H2构造出来,为4X4的矩阵,H8用相同方法构造出来,为8X8的矩阵
H2=[111−1],H4=[H2H2H2−H2],H8=…H_{2}=\left[\begin{array}{cc} 1 & 1 \\ 1 & -1 \end{array}\right], H_{4}=\left[\begin{array}{cc} H_{2} & H_{2} \\ H_{2} & -H_{2} \end{array}\right], H_{8}=\ldots H2=[111−1],H4=[H2H2H2−H2],H8=…
Householder矩阵
Householder matrix:
其中向量u为一个nX1的模长为1的向量,下面构造出来的就是一个Householder矩阵,注意他其实是一个很特殊的矩阵(正交规范、厄密特对称)
H=I−2uuTH=I-2 u u^{T} H=I−2uuT
判断矩阵是否正定
Symmetric positive definite matrix S:
- All λi>0\lambda_{i}>0λi>0;
- Energy xTSx>0x^{T} S x>0xTSx>0, for x≠0x \neq 0x=0;
- S=ATAS=A^{T} AS=ATA, columns in AAA are indep.;
- All leading determinants >0>0>0;
- All pivots in elimination >0>0>0.
矩阵分析(2)--正规矩阵、正交矩阵相关推荐
- 数字图像处理:第十一章基于特征向量的变换
第十一章基于特征向量的变换 目录 1. 主分量分析(PCA).K-L变换(Hotelling变换) 2. 奇异值分解(SVD) 3. DCT与K-L变换的关系 1. 主分量分析(PC ...
- 图神经网路入门(1)
图神经网络入门(1) 本文主要介绍图神经网路背景和必须的数学知识.下一部分会介绍模型和应用. 1.为什么会出现GCN(图卷积神经网络) 普通卷积网络都是研究的具备欧几里得领域的数据,例如规则的正方形, ...
- 机器学习应该了解的十大算法
毫无疑问,近些年机器学习和人工智能领域受到了越来越多的关注.随着大数据成为当下工业界最火爆的技术趋势,机器学习也借助大数据在预测和推荐方面取得了惊人的成绩.比较有名的机器学习案例包括Netflix根据 ...
- 机器学习工程师需要了解的十种算法
毫无疑问,近些年机器学习和人工智能领域受到了越来越多的关注.随着大数据成为当下工业界最火爆的技术趋势,机器学习也借助大数据在预测和推荐方面取得了惊人的成绩.比较有名的机器学习案例包括Netflix根据 ...
- SVD奇异值分解(Singular Value Decomposition)
奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,是矩阵分析中正规矩阵酉对角化的推广.在信号处理.统计学等领域有重要应用. 假设M是一个m×n阶矩阵 ...
- 常见矩阵:对称矩阵、Hermite矩阵、正交矩阵、酉矩阵、奇异矩阵、正规矩阵、幂等矩阵
看文献的时候,经常见到各种各样矩阵,本篇总结了常见的对称矩阵.Hermite矩阵.正交矩阵.酉矩阵.奇异矩阵.正规矩阵.幂等矩阵七种矩阵的定义,作为概念备忘录吧,忘了可以随时查一下. 1.对称矩阵(文 ...
- 对称矩阵、Hermite矩阵、正交矩阵、酉矩阵、奇异矩阵、正规矩阵、幂等矩阵
原文链接: http://blog.csdn.net/jbb0523/article/details/50596604 主要讲了常用的矩阵定义: 对称矩阵.Hermite矩阵.正交矩阵.酉矩阵.奇异矩 ...
- 对称矩阵、Hermite矩阵、正交矩阵、酉矩阵、奇异矩阵、正规矩阵、幂等矩阵、合同矩阵、正定矩阵...
http://blog.csdn.net/jbb0523/article/details/50596604 看文献的时候,经常见到各种各样矩阵,本篇总结了常见的对称矩阵.Hermite矩阵.正交矩阵. ...
- 矩阵笔记3:矩阵分析(第三版)-史荣昌-第三章:内积空间、正规矩阵、Hermite矩阵
文章目录 0 笔记说明 1 书本内容 1.1 欧氏空间.酉空间 1.2 标准正交基.Schmidt方法 1.3 酉变换.正交变换 1.4 幂等矩阵.正交投影 1.5 对称与反对称变换 1.6 Schu ...
- 矩阵分析 第三章 内积空间 正规矩阵 Hermite矩阵
第一节 欧式空间和酉空间 欧式空间:在实数域的线性空间的基础上,有了内积的定义(两个空间元素相乘等于一个实数) 酉空间: 在复数域的线性空间基础上,有了内积的定义(两个空间元素相乘等于一个复数) 注意 ...
最新文章
- 使用pytest对django项目单元测试
- (11)zabbix item types监控类型
- oracle 字符串转为正数用 to_number()……
- [译] 2018 年七个通过脑电图分析实现“读心术”的 Javascript 库
- 渥太华大学计算机工程,渥太华大学电气与计算机工程硕士专业.pdf
- 后端拼接html能做判断吗,怎么判断是前端bug还是后端bug?
- 倍福(Beckhoff)嵌入式控制器PLC
- php 命令链模式,设计模式之------命令链模式
- list(链表)容器
- iperf3使用方法 linux,iperf3命令使用
- 蜂鸣器c51汇编语言,51单片机蜂鸣器奏乐实验汇编代码.doc
- Wireshark 使用教程
- Windows 2008系统关闭端口
- elasticsearch与kibana踩过的坑
- 朱淑真 潸然看断梨花落
- 麻将判断胡牌 java_麻将胡牌逻辑 java
- SpringBoot测试:pom文件版本重复和不一致导致的问题xxxConfigurationPropertySource和Assert.state(ZLjava/util/function/Supp
- 使用lettuce和redisTemplate操作redis cluster踩坑日记
- 计算机网络中OUI是什么意思,抓包出现oui Unknown是什么意思,请各位高手指教!!
- WEB前端打开摄像头
热门文章
- 使用VC6.0缺少Dll或头文件解决方法
- 机器学习导论(二)-模型评估与选择
- linux snmp 命令oid,snmpwalk命令_Linux snmpwalk命令使用详解:通过SNMP GET-NEXT类型PDU
- android singleInstance 和 singleTask 的区别
- uniapp实现签名板效果
- QQ音乐下载的flac文件转码mp3文件
- Python游戏开发实战:飞机大战(含代码)
- usbasp下载器制作
- esp8266教程 零基础入门学用物联网 基础知识篇(1)
- 服务器系统用哪个版本好,windows服务器系统哪个版本好用