线性代数之——正定矩阵
这部分我们关注有正特征值的对称矩阵。如果对称性使得一个矩阵重要,那么所有特征值大于零这个额外属性则让这个矩阵真正特殊。但我们这里的特殊并不是稀少,事实上在各种应用中具有正特征值的对称矩阵非常常见,它们被称作正定矩阵。
我们可以通过检查特征值是否大于零来识别正定矩阵,但计算特征值是一项工作,当我们真正需要它们的时候我们可以进行计算,而如果我们仅仅想知道它们是否是正的,我们有更快的方式。
1. 正定矩阵的判断
首先,由于矩阵是对称的,所有的特征值自然都是实数。让我们以一个 2×2 的矩阵开始,
A=[abbc]A = \begin{bmatrix} a&b \\b&c\end{bmatrix}A=[abbc]
A 的特征值是正的当且仅当 a>0a > 0a>0 并且 ac−b2>0ac-b^2>0ac−b2>0。
如果 2×2 矩阵的特征值 λ1>0\lambda_1>0λ1>0,λ2>0\lambda_2>0λ2>0,那么它们的乘积等于行列式, λ1λ2=∣A∣=ac−b2>0\lambda_1\lambda_2=|A|=ac-b^2>0λ1λ2=∣A∣=ac−b2>0,它们的和等于矩阵的迹,λ1+λ2=a+c>0\lambda_1+\lambda_2=a+c>0λ1+λ2=a+c>0,所以 aaa 和 ccc都必须是正的。
A 的特征值是正的当且仅当主元是正的。
这连接了线性代数的两大部分,正的特征值意味着正的主元,反之亦然。而且,主元往往比特征值计算得更快。
- 基于能量的定义
Ax=λx→xTAx=λxTx=λ∣∣x∣∣2>0Ax=\lambda x \to x^TAx=\lambda x^Tx=\lambda ||x||^2>0Ax=λx→xTAx=λxTx=λ∣∣x∣∣2>0
所以,如果特征值大于零,xTAxx^TAxxTAx 对于所有的特征向量也大于零。事实上,不仅仅是特征向量,针对任意非零向量 xxx,上式也同样成立。
A 是正定的,如果有 xTAx>0x^TAx > 0xTAx>0 对任意非零向量都成立。
从这个定义中我们可以得出,如果 A,BA, BA,B 是对称的正定矩阵,那么 A+BA+BA+B 也是.
如果 RRR 的列是不相关的,那么 A=RTRA=R^TRA=RTR 是正定的。
xTAx=xTRTRx=(Rx)TRx=∣∣Rx∣∣2x^TAx=x^TR^TRx=(Rx)^TRx=||Rx||^2xTAx=xTRTRx=(Rx)TRx=∣∣Rx∣∣2
因为 RRR 的列是不相关的,所以针对任意非零向量 xxx,Rx≠0Rx \not = \boldsymbol{0}Rx=0。
当一个对称的矩阵具有下列五个属性之一,那么它一定满足所有的属性。
- 所有的 nnn 个主元是正的。
- 所有的 nnn 个左上行列式是正的,也就是 1×1,2×2⋯n×n1×1, 2×2 \cdots n×n1×1,2×2⋯n×n 的行列式。
- 所有的 nnn 个特征值是正的。
- xTAx>0x^TAx>0xTAx>0 除了零向量。
- A=RTRA=R^TRA=RTR 对于一个有着不相关列的矩阵 RRR。
2. 半正定矩阵
经常情况我们会在正定的边缘,行列式为零,最小的特征值为零,这些在边缘的矩阵被称为半正定矩阵。
AAA 的特征值为 5 和 0,左上行列式为 1 和 0,它的秩为 1,可以被分解为具有相关列的矩阵 RTRR^TRRTR。
如果将元素 4 增加一个任意小的数字,那么矩阵将会变成正定的。同样地, BBB 也可以写成 RTRR^TRRTR 的形式,但是 RRR 的列肯定是相关的。
3. 第一个应用:椭圆 ax2+2bxy+cy2=1ax^2+2bxy+cy^2=1ax2+2bxy+cy2=1
- 倾斜的椭圆和矩阵 A 联系在一起,xTAx=1x^TAx=1xTAx=1。
- 排好的椭圆和矩阵 Λ\LambdaΛ 联系在一起,XTΛX=1X^T\Lambda X=1XTΛX=1。
- 将椭圆排好的旋转矩阵则是特征向量矩阵 QQQ。
针对椭圆方程 5x2+8xy+5y2=15x^2+8xy+5y^2=15x2+8xy+5y2=1,我们有:
[xy][5445][xy]=1A=[5445]\begin{bmatrix} x & y \end{bmatrix} \begin{bmatrix} 5 &4 \\ 4& 5 \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} = 1 \quad A = \begin{bmatrix} 5 &4 \\ 4& 5 \end{bmatrix} [xy][5445][xy]=1A=[5445]
将 AAA 分解为 QΛQTQ\Lambda Q^TQΛQT 我们得到:
[5445]=12[111−1][9001]12[111−1]\begin{bmatrix} 5 &4 \\ 4& 5 \end{bmatrix} = \frac{1}{\sqrt 2}\begin{bmatrix} 1&1 \\ 1&-1 \end{bmatrix} \begin{bmatrix} \boldsymbol 9&0 \\ 0&\boldsymbol 1 \end{bmatrix} \frac{1}{\sqrt 2} \begin{bmatrix} 1&1 \\ 1&-1 \end{bmatrix} [5445]=21[111−1][9001]21[111−1]
椭圆方程则也可以重写为:
5x2+8xy+5y2=1=9∗(x+y2)2+1∗(x−y2)25x^2+8xy+5y^2=1 = 9*(\frac{x+y}{\sqrt 2})^2+1*(\frac{x-y}{\sqrt 2})^25x2+8xy+5y2=1=9∗(2x+y)2+1∗(2x−y)2
可以看到,方程的系数是两个特征值 9 和 0,而在平方内部则是两个特征向量 (1,1)/2(1, 1)/\sqrt 2(1,1)/2 和 (1,−1)/2(1, -1)/\sqrt 2(1,−1)/2。椭圆的坐标轴是沿着特征向量的方向,这也就是为什么 A=QΛQTA=Q\Lambda Q^TA=QΛQT 被称作主轴定理,特征向量指出了坐标轴的方向,特征值则指出了长度。
将椭圆排好后,较大的特征值 9 给出了短半轴的长度 1/λ1=1/31/\sqrt \lambda_1 = 1/31/λ1=1/3,较小的特征值 1 给出了长半轴的长度 1/λ2=11/\sqrt \lambda_2 = 11/λ2=1。在 xyxyxy 系统中,坐标轴沿着 AAA 的特征向量的方向,而在 XYXYXY 系统中,坐标轴沿着 Λ\LambdaΛ 的特征向量的方向。
获取更多精彩,请关注「seniusen」!
线性代数之——正定矩阵相关推荐
- 半正定矩阵的判定方法_线性代数30——正定矩阵和最小值
我们经常在判定一个函数是否有最小值时使用正定矩阵,正定矩阵和最小值有什么关系呢? 1 判断正定矩阵 给出一个矩阵: 有4个途径可以判定该矩阵是否是正定矩阵(注意这个矩阵的4个元素中有2个b,这是因为正 ...
- HSIC简介:一个有意思的判断相关性的思路
作者丨苏剑林 单位丨追一科技 研究方向丨NLP,神经网络 个人主页丨kexue.fm 前段时间在机器之心看到这样的一个推送彻底解决梯度爆炸问题,新方法不用反向传播也能训练 ResNet,当然,媒体的标 ...
- HSIC and MMD
1. HSIC 博客链接:HSIC简介:一个有意思的判断相关性的思路 前几天,在机器之心看到这样的一个推送<彻底解决梯度爆炸问题,新方法不用反向传播也能训练ResNet>,当然,媒体的标题 ...
- 线性代数学习笔记8-4:正定矩阵、二次型的几何意义、配方法与消元法的联系、最小二乘法与半正定矩阵A^T A
正定矩阵Positive definite matrice 之前说过,正定矩阵是一类特殊的对称矩阵: 正定矩阵满足对称矩阵的特性(特征值为实数并且拥有一套正交特征向量.正 / 负主元的数目等于正 / ...
- MIT公开课18.06 Gilbert Strang 线性代数 笔记3 - 正定矩阵及其应用
文章目录 第26讲:对称矩阵及正定性 对称矩阵 性质 描述 证明 谱定理,对称矩阵的分解 对称矩阵特征值的符号 正定性 定义 例子 第27讲:复数矩阵和快速傅里叶变换 复数矩阵运算 计算复向量的模 计 ...
- 清华大学公开课线性代数2——第1讲:正定矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击 此处 清华大学线性代数2笔记汇总:线性代数总结 笔记源自:清华大学公开课:线性代数2--第1讲:正定矩阵,涉及:正定矩阵.二次型.合 ...
- 线性代数基础12--对称矩阵,正定矩阵与快速傅里叶变换
1,对称矩阵与正定矩阵 对于实对称矩阵,其特征值都是实数,其不同特征值对应的特征向量相互正交. 所以对于是对称矩阵,其特征矩阵可以用正交矩阵代替,也就是常说的对称矩阵可以用正交矩阵进行相似对角化, 并 ...
- 线性代数及其应用:第六章 正定矩阵与奇异值分解
文章目录 正定矩阵 1. 正定矩阵 1.1. 实对称矩阵是正定矩阵的充要条件 1.2. 实对称矩阵是半正定矩阵的充要条件 1.3. 实对称矩阵与正定矩阵的分解 2. 惯性定理 2.1. 合同变换 2. ...
- 【线性代数】深入理解矩阵乘法、对称矩阵、正定矩阵
问题提出 今天做到一道线性代数的证明题,如下: 设A,BA, BA,B都是nnn阶正定矩阵,且AB=BAAB=BAAB=BA,证明:ABABAB也是正定矩阵. 想了好半天没想出来,结果一翻答案,竟 ...
- 线性代数学习笔记8-2:对称矩阵和Hermitian矩阵、共轭转置、正定矩阵
对称矩阵特征值为实数并且拥有一套正交特征向量,正定矩阵的性质则更好. 对称矩阵 Symmetric matrices 对称矩阵: 实矩阵 A \mathbf A A满足 A = A T \mathbf ...
最新文章
- 向窗体中拖放图片并显示
- ITK:观察过滤器Watch A Filter
- linux汇编中的注释,Linux 汇编器:对照 GAS 和 NASM
- Java SE 基础知识(一)
- 手机通讯录备份代码实现三
- 运动目标跟踪(十四)--MIL跟踪
- 300万高清车牌识别一体机Http推送
- Spring Bean生命周期总结
- canvas 圆角矩形填充_canva绘制圆角矩形
- Linux日志管理之搭建日志服务器
- 怎么设置圆角html5,css怎么设置圆角?
- Android审计平台,Android系统安全审计方法研究
- 将正方形矩阵顺时针转动90度(Java)
- html中图片放css还是,图片到底是写在html还是写在css呢
- 叠积木/银河系英雄传说[NOI2002]题解
- Python 注册表作业制作
- 选择语句switch和循环语句while
- 空间圆弧插补算法,matlab实现封装函数
- rocketmq中broker的端口
- 《The One!团队》第八次作业:ALPHA冲刺(五)