第五章 矩阵的相似对角化
矩阵的相似对角化
5.1 特征值与特征向量
1.特征值与特征向量的概念
设A是n阶矩阵,如果存在数 λ 0 \lambda_0 λ0和n维非零列向量 α \alpha α使得等式
A α = λ 0 α A\alpha=\lambda_0\alpha Aα=λ0α
成立,则称 λ 0 \lambda_0 λ0为矩阵A的一个特征值, α \alpha α为矩阵A属于特征值 λ 0 \lambda_0 λ0的特征向量。
2.特征值与特征向量的求法
设A为n阶矩阵,关于变量 λ \lambda λ的n次多项式 ∣ λ E − A ∣ = 0 | \lambda E-A|=0 ∣λE−A∣=0称为矩阵A的特征方程。
由上述分析与定义知,n阶矩阵A的特征值恰是特征方程 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0的根。由于一元n次方程(在复数范围)恰好有n个根,所以任意一个n阶矩阵恰好有n个特征值(可能有重复)如果 λ 0 \lambda_0 λ0是矩阵A的特征值,齐次线性方程组 ( λ 0 E − A ) x = 0 (\lambda_0 E -A)x=0 (λ0E−A)x=0的全部非零解就是矩阵A属于特征值 λ 0 \lambda_0 λ0的全部特征向量。
求矩阵的特征值的特征向量的计算步骤:
(1)计算矩阵A的特征多项式 f ( λ ) = ∣ λ E − A ∣ f(\lambda)=|\lambda E-A| f(λ)=∣λE−A∣;
(2)求出特征方程 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0的全部根,它们就是矩阵A的全部特征值;
(3)对每一个特征值 λ 0 \lambda_0 λ0求出次线性方程 ( λ 0 E − A ) x = 0 基础解系 (\lambda_0E-A)x=0基础解系 (λ0E−A)x=0基础解系
α 1 , α 2 , . . . α t , \alpha_1,\alpha_2,...\alpha_t, α1,α2,...αt,
则矩阵A属于特征值 λ 0 \lambda_0 λ0的全部特征向量为
k 1 α 1 + k 2 α 2 + . . . + k t α t , k_1\alpha_1+k_2\alpha_2+...+k_t\alpha_t, k1α1+k2α2+...+ktαt,
其中, k 1 , k 2 , . . . , k t k_1,k_2,...,k_t k1,k2,...,kt是任意一组不全为零的常数。
3.特征值与特征向量的性质
(1)若 λ 0 \lambda_0 λ0是矩阵A的一个特征值, φ ( x ) \varphi(x) φ(x)是一个一元m次多项式,则 φ ( λ 0 ) \varphi(\lambda_0) φ(λ0)就是矩阵 Φ ( A ) \varPhi(A) Φ(A)的一个特征值。
(2)设n阶矩阵 A = ( a i j ) m ∗ n A=(a_{ij})_{m*n} A=(aij)m∗n的全部特征值是 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn则
λ 1 + λ 2 + . . . + λ n = a 11 + a 22 + . . . + a n n = t r ( A ) λ 1 λ 2 . . . λ n = ∣ A ∣ \lambda_1+\lambda_2+...+\lambda_n=a_{11}+a_{22}+...+a_{nn}=tr(A)\\ \lambda_1\lambda_2...\lambda_n=|A| λ1+λ2+...+λn=a11+a22+...+ann=tr(A)λ1λ2...λn=∣A∣
这里记号tr(A)表示矩阵A的迹,其定义为A主对角线上的所有元素的和。
(3)设 λ 1 , λ 2 , . . . , λ m \lambda_1,\lambda_2,...,\lambda_m λ1,λ2,...,λm是矩阵A互不相同的特征值,向量 α 1 , α 2 , . . . α m \alpha_1,\alpha_2,...\alpha_m α1,α2,...αm是矩阵A依次属于 λ 1 , λ 2 , . . . λ m \lambda_1,\lambda_2,...\lambda_m λ1,λ2,...λm的特征向量,则向量组 α 1 , α 2 , . . . , α m \alpha_1,\alpha_2,...,\alpha_m α1,α2,...,αm线性无关。
5.2相似矩阵与矩阵的对角化
1.相似矩阵的概念
设A,B都是n阶矩阵,如果存在n阶可逆矩阵P使得 P − 1 A P = B P^{-1}AP=B P−1AP=B,则称矩阵A与B相似,记作 A ∽ B A\backsim B A∽B.
2.相似矩阵的性质
(1)矩阵的相似关系具用如下三条性质
- 1 反身性: A ∽ A A\backsim A A∽A
- 2 对称性:如果 A ∽ B A\backsim B A∽B,则 B ∽ A B\backsim A B∽A
- 3 传递性:如果 A ∽ B , B ∽ C A \backsim B,B\backsim C A∽B,B∽C,则 A ∽ C A\backsim C A∽C
(2)相似矩阵有相同的特征多项式。
(3)相似矩阵有相同的特征值。
(4)相似的矩阵具有相同的特征值,但具有相同特征值的矩阵不一定相似,此外相似的矩阵还有相同的秩,相同的迹,相同的行列式。
(5)若 A ∽ B A\backsim B A∽B,则 k A ∽ k B , A T ∽ B T , A k ∽ B k , A − 1 ∽ B − 1 , A ∗ ∽ B ∗ , f ( A ) ∽ f ( B ) kA\backsim kB,A^T\backsim B^T,A^k\backsim B^k,A^{-1}\backsim B^{-1},A^*\backsim B^*,f(A)\backsim f(B) kA∽kB,AT∽BT,Ak∽Bk,A−1∽B−1,A∗∽B∗,f(A)∽f(B)
(6)若存在可逆矩阵P,使 P − 1 A P = B P^{-1}AP = B P−1AP=B, ξ \xi ξ为A的属于A的属于特征值 λ \lambda λ的特征向量,则 λ \lambda λ也为B的特征值, P − 1 ξ P^{-1}\xi P−1ξ对应的特征向量。
3.矩阵可以相似对角化的条件
设A为n阶矩阵,如果存在可逆矩阵P,使得 P − 1 A P P^{-1}AP P−1AP为对角矩阵,称矩阵可以对角化,否则称矩阵A不能对角化。
(1)n阶矩阵A可以对角化的充分必要条件是A有n个线性无关的特征向量。
(2)如果n阶矩阵A有n个互不相同的特征值,则A一定可以对角化。
事实上,n阶矩阵A属于不同特征值的特征向量线性无关,所以此时矩阵A有n个线性无关的特征向量,从而可以对角化。
设A为n阶矩阵 λ 1 , λ 2 , . . . , λ s \lambda_1,\lambda_2,...,\lambda_s λ1,λ2,...,λs是特征方程 ∣ λ A − A ∣ = 0 |\lambda A-A|=0 ∣λA−A∣=0的全部不同的根,它们的重数依次为 n 1 , n 2 , . . . , n s ( n 1 + n 2 + . . . + n s = n ) n_1,n_2,...,n_s(n_1+n_2+...+n_s=n) n1,n2,...,ns(n1+n2+...+ns=n)这时有如下结论:
(3)n阶矩阵A可以对角化的充分必要条件是对特征值 λ i ( 1 ⪕ i ⪕ s ) \lambda_i(1\eqslantless i \eqslantless s) λi(1⪕i⪕s)A有 n i n_i ni个属于特征值 λ i \lambda_i λi的线性无关的特征向量。
(4)若对某个 i ( 1 ⪕ i ⪕ s ) i(1\eqslantless i\eqslantless s) i(1⪕i⪕s),矩阵A属于特征值 λ i \lambda_i λi的线性无关的特征向量少于 n i n_i ni个,则矩阵A不能对角化。
4.将矩阵化为相似对角矩阵的方法
判断矩阵A能否对角化,在能对角化时将A对角化的计算步骤如下:
(1)写出矩阵A的特征多项式 f ( λ ) = ∣ λ E − A ∣ f(\lambda)=|\lambda E-A| f(λ)=∣λE−A∣,由特征方程 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0求出A的全部特征值;
(2)若对某个特征值 λ 0 \lambda_0 λ0方程组 ( λ 0 E − A ) x = 0 (\lambda_0 E-A)x=0 (λ0E−A)x=0的基础解系中解向量的个数小于 λ 0 \lambda_0 λ0重数,则矩阵不能对角化。
(3)若对每个特征值 λ 1 \lambda_1 λ1,方程组 ( λ i E − A ) x = 0 (\lambda_i E-A)x=0 (λiE−A)x=0的基础解系中解向量的个数都等 λ i \lambda_i λi的重数 n i n_i ni,则矩阵可以对角化,这时属于特征值 λ i \lambda_i λi的线性无关的特征向量个数为 n i n_i ni,且 n 1 + n 2 + . . . + n s = n n_1+n_2+...+n_s=n n1+n2+...+ns=n用这些特征向构成矩阵P,则P可逆,且有 P − 1 A P P^{-1}AP P−1AP为对角矩阵A,其主对线上元素为矩阵A的特征,特征值的排序与P中特征向量的排序一致。
5.3实对称矩阵的对角化。
1.实对称矩阵特征值与特征向量的性质。
当n阶矩阵A为实矩阵时,其特征多项式 f ( λ ) = ∣ λ E − A ∣ f(\lambda)=|\lambda E-A| f(λ)=∣λE−A∣为实系数多项式,但特征方程 ∣ λ E − A ∣ = 0 |\lambda E-A|=0 ∣λE−A∣=0的根,即矩阵A的特征值不一定是实数。而实对称矩阵的特征值一定是实数,并且一定可以对角化。
(1)实对称矩阵的特征值是实数。
(2)实对称矩阵属于不同特征值的特征向量一定是正交的。
(3)对任意的n阶实对称矩阵A,存在n阶正交矩阵Q,使得
Q − 1 A Q = ∣ λ 1 , , , , λ 2 , , . . . , , , λ n ∣ Q^{-1}AQ=\left| \begin{matrix} \lambda_1,\ ,\ ,\ \\ \ ,\lambda_2,\ ,\ \\ ...\\ \ ,\ ,\ ,\lambda_n \end{matrix} \right| Q−1AQ= λ1, , , ,λ2, , ... , , ,λn
这里 λ 1 , λ 2 , . . . λ n \lambda_1,\lambda_2,...\lambda_n λ1,λ2,...λn是A的全部特征值.
- 用正交矩阵将实对称矩阵化为对角矩阵。
用正交矩阵将实对称矩阵对角化的步骤如下:
(1)求出实对称矩阵A的全部不同特征值 λ 1 , λ 2 , . . . , λ s \lambda_1,\lambda_2,...,\lambda_s λ1,λ2,...,λs
(2)对每一个 λ i \lambda_i λi(i=1,2,…,s)求出 ( λ i E − A ) = 0 (\lambda_i E-A)=0 (λiE−A)=0
α i 1 , α i 2 , . . . α i n i \alpha_{i1},\alpha_{i2},...\alpha_{in_{i}} αi1,αi2,...αini
正交单位化之后(单根只需单位化)得到一个正交向量组
p i 1 , p i 2 , . . . , p i n i p_{i1},p_{i2},...,p_{in_{i}} pi1,pi2,...,pini
(3)令 Q = ( p 11 , . . p 1 n 1 , p 21 , . . . , p 2 n 2 , . . . , p s 1 , . . . , p s n s ) Q=(p_{11},..p_{1n_{1}},p_{21},...,p_{2n_{2}},...,p_{s1},...,p_{sn_{s}}) Q=(p11,..p1n1,p21,...,p2n2,...,ps1,...,psns),则Q为正交矩阵,且 Q − 1 A Q Q^-1AQ Q−1AQ为对角矩阵,对角线上的元素为A的全部特征值,且特征值的排序与特征向量的排序相对应
第五章 矩阵的相似对角化相关推荐
- MATLAB学习第五章矩阵
MATLAB学习第五章 5.1矩阵 矩阵元素修改 矩阵运算 5.1矩阵 eye(n):创建n×n的矩阵 eye(m,n):创建m×n的矩阵 eye(size(A)):创建与A维数相同的单位阵 ones ...
- 《机器人动力学与控制》第五章——速度运动学之机械臂的雅各比矩阵 5.0 导言
文章目录 <机器人动力学与控制>第五章--速度运动学之机械臂的雅各比矩阵 5.0 导言 参考文献 <机器人动力学与控制>第五章--速度运动学之机械臂的雅各比矩阵 5.0 导言 ...
- 实对称矩阵的性质_浅谈矩阵的相似对角化(一)
森屿瑾年:浅谈线性变换和矩阵之间的关系zhuanlan.zhihu.com 通过前面的讨论,我们引出了线性变换在不同基下的矩阵之间的关系,知道了线性变换在不同基下的矩阵是相似的,进而我们可以通过选取 ...
- Introduction to 3D Game Programming with DirectX 12 学习笔记之 --- 第十五章:第一人称摄像机和动态索引...
Introduction to 3D Game Programming with DirectX 12 学习笔记之 --- 第十五章:第一人称摄像机和动态索引 原文:Introduction to 3 ...
- 【数理知识】《矩阵论》方保镕老师-第3章-矩阵的分解
上一章 回到目录 下一章 第3章 矩阵的分解 3.1 矩阵的三角分解 3.1.1 消元过程的矩阵描述 3.1.2 矩阵的三角分解 3.1.3 常用的三角分解公式 3.2 矩阵的 QR(正交三角) 分解 ...
- 第五章-分布式并行编程框架MapReduce
第五章-分布式并行编程框架MapReduce 文章目录 第五章-分布式并行编程框架MapReduce MapReduce概述 分布式并行编程 MapReduce模型和函数 MapReduce体系结构 ...
- MFC与Matlab编程总结 (以《Matlab与C/C++混合编程技术(第三版)》-刘维 第五章 生成DLL为例)
近期要完成一个任务,把人脸超分辨率的算法集成在一个系统中,嵌入人脸库及字典集等.老板的要求是有比较好的界面,目前也只能是VS那一套了,前一段时间完成的项目是用的MFC,这次也就是用MFC来完成吧.但是 ...
- 神经网络(补充)(第五章)
文章目录 神经网络(补充)(第五章) 感知机 与门 与非门 或门 感知机的局限:异或门 神经网络开始 激活函数引入 阶跃函数 sigmoid函数 sigmoid函数与阶跃函数的比较 Relu函数 三层 ...
- 假设以邻接矩阵作为图的存储结构_学习数据结构第五章:图(图的存储方法)...
第五章:图(图的存储方法) 1.邻接矩阵法 下面是一个无向图的表示,我们使用一个一维数组存放点集,使用一个二维数组存放边集 二维数组表示边:行号表示其实端点,列号表示结束端点,值表示该边是否存在,以及 ...
最新文章
- 【长篇连载】桌面管理演义 第八回 电脑中毒很危险 告警隔离防传染
- strip lstrip rstrip
- java php des加密 byte数组16进制 DESTools
- java中同步锁的原理和实现
- 复制网页上无法选中的文字
- angular路由模块(二)
- A useful link to learn PDF
- 题目263-精 挑 细 选
- 泛化误差,偏差方差分解
- 高效率笔记——5R笔记法(康奈尔笔记法)
- Puppet erb模板介绍(三十二)
- 这十个时间千万别受孕
- CSS学习笔记 10.字体
- 精品基于Uniapp+SSM实现的作业管理app
- 正则表达式字符串匹配和字符串提取
- C语言/Python经典算法冒泡排序
- 软件的4种维护(更正性、完善性、预防性、适应性)的区别
- shopyy独立站开发功能分析
- 谷歌浏览器打不开网址解决办法
- UWA学堂|渲染模块知识Tree汇总
热门文章
- ubuntu宽带拨号
- Pycharm下载、安装、配置及校验 — 全程图文详细教程
- 【Gorho】springboot整合Shiro+jwt 前后端分离 超级详细的shiro+jwt鉴权过程
- opencv(python)使用knn最近邻算法识别手写数字
- matlab频谱校正方法,离散频谱的比值校正法
- 非常可乐(九度 OJ 1457)
- java毕业生设计兴澜幼儿园管理系统计算机源码+系统+mysql+调试部署+lw
- Microsoft Visual Studio
- PhotoShop如何去除图片上的污点、水印
- linux中安装redis报错