矩阵分析 (八) 矩阵的直积
矩阵分析系统学习笔记
本系列所有文章来自东北大学韩志涛老师的矩阵分析课程学习笔记,系列如下:
矩阵分析 (一) 线性空间和线性变换
矩阵分析 (二) 内积空间
矩阵分析 (三) 矩阵的标准形
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (五) 矩阵的分解
矩阵分析 (六) 矩阵的函数
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (八) 矩阵的直积
文章目录
- 矩阵分析系统学习笔记
- 直积的定义和性质
- 直积的应用
- 拉直
- 线性矩阵方程组
矩阵的直积(Kronecher 积)是一种重要的矩阵乘积,它在矩阵理论研究中起着重要的作用,是一种基本的数学工具。本文介绍矩阵直积的基本性质,并利用矩阵的直积求解线性矩阵方程组和矩阵微分方程组。
直积的定义和性质
- 定义8.1:设矩阵:
A=(aij)m×n,B=(bij)p×qA=(a_{ij})_{m \times n},B=(b_{ij})_{p \times q} A=(aij)m×n,B=(bij)p×q
称如下的分块矩阵:
A⊗B=(a11Ba12B⋯a1nB⋮⋮⋮am1Bam2B⋯amnB)A \otimes B =\left(\begin{array}{cccc} {a_{11} B} & {a_{12} B} & {\cdots} & {a_{1 n} B} \\ {\vdots} & {\vdots} & {} & {\vdots} \\ {a_{m 1} B} & {a_{m 2} B} & {\cdots} & {a_{m n} B} \end{array}\right) A⊗B=⎝⎜⎛a11B⋮am1Ba12B⋮am2B⋯⋯a1nB⋮amnB⎠⎟⎞
为AAA与BBB的直积或者Kronecher积。
可见A⊗BA \otimes BA⊗B是mp×nqmp \times nqmp×nq矩阵。
矩阵的直积有下列性质:
1、设KKK为常数,则:
k(A⊗B)=(kA)⊗B=A⊗(kB)k(A\otimes B) = (kA) \otimes B=A \otimes (kB) k(A⊗B)=(kA)⊗B=A⊗(kB)2、设A1,A2A_{1},A_{2}A1,A2为同阶矩阵,则:
(A1+A2)⊗B=A1⊗B+A2⊗B(A_{1}+A_{2}) \otimes B = A_{1} \otimes B+A_{2} \otimes B (A1+A2)⊗B=A1⊗B+A2⊗B
B⊗(A1+A2)=B⊗A1+B⊗A2B \otimes (A_{1}+A_{2}) = B \otimes A_{1}+B \otimes A_{2} B⊗(A1+A2)=B⊗A1+B⊗A23、:
(A⊗B)T=AT⊗BT(A \otimes B)^{T}=A^{T} \otimes B^{T} (A⊗B)T=AT⊗BT4、:
(A⊗B)⊗C=A⊗(B⊗C)(A \otimes B) \otimes C = A \otimes (B \otimes C) (A⊗B)⊗C=A⊗(B⊗C)5、设:A=(aij)m×nA=(a_{ij})_{m \times n}A=(aij)m×n,B=(bij)p×qB=(b_{ij})_{p\times q}B=(bij)p×q,C=(cij)n×sC=(c_{ij})_{n \times s}C=(cij)n×s,D=(dij)q×tD=(d_{ij})_{q \times t}D=(dij)q×t,则:
(A⊗B)(C⊗D)=(AC)⊗(BD)(A \otimes B)(C \otimes D) = (AC) \otimes (BD) (A⊗B)(C⊗D)=(AC)⊗(BD)6、设:
A∈Cn×n,B∈Cn×nA \in C^{n \times n},B \in C^{n\times n} A∈Cn×n,B∈Cn×n
都可逆,则A⊗BA \otimes BA⊗B也可逆,且:
(A⊗B)−1=A−1⊗B−1(A \otimes B)^{-1} = A^{-1} \otimes B^{-1} (A⊗B)−1=A−1⊗B−1
7、设A∈Cn×nA \in C^{n \times n}A∈Cn×n,设B∈Cn×nB \in C^{n \times n}B∈Cn×n都是酉矩阵,则A×BA \times BA×B也是酉矩阵。
8、设A∈Cm×mA \in C^{m \times m}A∈Cm×m的全体特征值是λ1\lambda_{1}λ1,λ2\lambda_{2}λ2,⋯\cdots⋯,λm\lambda_{m}λm,B∈Cn×nB \in C^{n \times n}B∈Cn×n的全体特征值是μ1\mu_{1}μ1,μ2\mu_{2}μ2,⋯\cdots⋯,μn\mu_{n}μn,则A⊗BA \otimes BA⊗B的全体特征值是:
λiμi\lambda_{i}\mu_{i} λiμi9、设A∈Cm×mA \in C^{m \times m}A∈Cm×m,B∈Cn×nB \in C^{n \times n}B∈Cn×n,则∣A⊗B∣=∣A∣n⋅∣B∣m|A \otimes B| = |A|^{n} ·|B|^{m}∣A⊗B∣=∣A∣n⋅∣B∣m。
10、设A∈Cm×mA \in C^{m \times m}A∈Cm×m的特征值是λ1\lambda_{1}λ1,λ2\lambda_{2}λ2,⋯\cdots⋯,λm\lambda_{m}λm,B∈Cn×nB \in C^{n \times n}B∈Cn×n的特征值是μ1\mu_{1}μ1,μ2\mu_{2}μ2,⋯\cdots⋯,μn\mu_{n}μn则:
A⊗En+Em⊗BA \otimes E_{n} + E_{m} \otimes B A⊗En+Em⊗B
的特征值是:
λi+μj\lambda_{i} + \mu_{j} λi+μj
11、设A∈Cm×mA \in C^{m \times m}A∈Cm×m的特征值是λ1\lambda_{1}λ1,λ2\lambda_{2}λ2,⋯\cdots⋯,λm\lambda_{m}λm,B∈Cn×nB \in C^{n \times n}B∈Cn×n的特征值是μ1\mu_{1}μ1,μ2\mu_{2}μ2,⋯\cdots⋯,μn\mu_{n}μn,则A⊗En+Em⊗BTA \otimes E_{n} + E_{m} \otimes B^{T}A⊗En+Em⊗BT的特征值也是λi\lambda_{i}λi+μj\mu_{j}μj。
设xxx是A∈Cm×mA\in C^{m \times m}A∈Cm×m的特征向量,yyy是B∈Cn×nB \in C^{n \times n}B∈Cn×n的特征向量,则x⊗yx \otimes yx⊗y是A⊗BA \otimes BA⊗B的特征向量。
设A∈Cn×nA \in C^{n \times n}A∈Cn×n,则:
eE⊗A=E⊗eA,eA⊗E=eA⊗Ee^{E \otimes A} = E \otimes e^{A},e^{A \otimes E} = e^{A} \otimes E eE⊗A=E⊗eA,eA⊗E=eA⊗E
- 设A∈Cm×mA \in C^{m \times m}A∈Cm×m,B∈Cn×nB \in C^{n \times n}B∈Cn×n则:
eA⊗En+Em⊗B=eA⊗eBe^{A \otimes E_{n} + E_{m} \otimes B} = e^{A} \otimes e^{B} eA⊗En+Em⊗B=eA⊗eB
直积的应用
本节讨论直积在解线性矩阵方程组中的应用。
拉直
- 定义8.2:设矩阵A=(aij)m×nA=(a_{ij})_{m \times n}A=(aij)m×n,称mnmnmn维列向量:
→A=(a11⋯a1n,a21⋯a2n,⋯,am1⋯amn)T\underset{A}{\rightarrow} = (a_{11} \cdots a_{1n},a_{21} \cdots a_{2n},\cdots ,a_{m1} \cdots a_{m n})^{T} A→=(a11⋯a1n,a21⋯a2n,⋯,am1⋯amn)T
为AAA的拉直。
拉直具有下面的性质:
- 设A,B∈Cm×nA,B \in C^{m \times n}A,B∈Cm×n,kkk与lll为常数,则:
kA+lB→=kA→+lB→\overrightarrow{k A+l B}=k \overrightarrow{ A}+ l \overrightarrow{ B} kA+lB=kA+lB
- 设A=(aij(t))m×nA=(a_{ij}(t))_{m \times n}A=(aij(t))m×n则:
dA→dt=dA→dt\frac{\overrightarrow{dA}}{dt}=\frac{d \overrightarrow{A}}{dt} dtdA=dtdA
- 定理8.1 设:
A∈Cm×n,B∈Cp×q,X∈Cn×pA \in C^{m \times n},B \in C^{p \times q},X \in C^{n \times p} A∈Cm×n,B∈Cp×q,X∈Cn×p
则:
AXB→=(A⊗En)(Em⊗BT)X→\overrightarrow{AXB} = (A \otimes E_{n})(E_{m} \otimes B^{T}) \overrightarrow{X} AXB=(A⊗En)(Em⊗BT)X
=(A⊗BT)X→= (A \otimes B^{T}) \overrightarrow{X} =(A⊗BT)X
AX+BX→=(A⊗En+Em⊗BT)X→\overrightarrow{AX+BX} = (A \otimes E_{n} + E_{m} \otimes B^{T}) \overrightarrow{X} AX+BX=(A⊗En+Em⊗BT)X
线性矩阵方程组
- 下面讨论几种类型方程组的解:设
A∈Cm×m,B∈Cn×n,F∈Cm×nA \in C^{m \times m},B \in C^{n \times n},F \in C^{m \times n} A∈Cm×m,B∈Cn×n,F∈Cm×n
解Lyapunov矩阵方程:
解 将矩阵两边拉直:
(A⊗En+En⊗BT)X→=F→(A \otimes E_{n}+E_{n} \otimes B^{T}) \overrightarrow{X} = \overrightarrow{F} (A⊗En+En⊗BT)X=F
因为矩阵方程与所得的线性方程组等价,得到矩阵方程组有解的充要条件是:
r(A⊗En+Em⊗BT,F)r(A \otimes E_{n} + E_{m }\otimes B^{T},F) r(A⊗En+Em⊗BT,F)
=r(A⊗En+Em⊗BT)= r(A \otimes E_{n} + E_{m }\otimes B^{T}) =r(A⊗En+Em⊗BT)
有唯一解的充要条件是:
∣A⊗En+Em⊗BT∣≠0|A \otimes E_{n} + E_{m} \otimes B^{T}| \neq 0 ∣A⊗En+Em⊗BT∣=0
- 设A,F∈Cn×nA,F \in C^{n \times n}A,F∈Cn×n,且AAA的特征值都是实数,证明矩阵方程:
X+AXA+A2XA2=FX + AXA + A^{2}XA^{2} =F X+AXA+A2XA2=F
有唯一解。
- 例10 设
A∈Cm×m,B∈Cn×n,X(t)∈Cm×nA \in C^{m \times m},B \in C^{n \times n},X(t) \in C^{m \times n} A∈Cm×m,B∈Cn×n,X(t)∈Cm×n
求解矩阵微分方程组的初值问题:
{dXdt=AX+XBX(0)=X0\left\{\begin{array}{l} {\frac{d X}{d t}=A X+X B} \\ {X(0)=X_{0}} \end{array}\right. {dtdX=AX+XBX(0)=X0
解 将矩阵两边拉直:
{dX→dt=(A⊗En+En⊗BT)X⃗X⃗(0)=X⃗0\left\{\begin{array}{l} {\frac{\overrightarrow{dX}}{\mathrm{d} t}=\left(A \otimes E_{n}+E_{n} \otimes B^{\mathrm{T}}\right) \vec{X}} \\ {\vec{X}(0)=\vec{X}_{0}} \end{array}\right. {dtdX=(A⊗En+En⊗BT)XX(0)=X0
这是常系数齐次线性微分方程组,它的解:
X→(t)=eA⊗En+Em⊗BTtX0→\overrightarrow{X}(t) = e^{A \otimes E_{n} + E_{m} \otimes B^{T} t} \overrightarrow{X_{0}} X(t)=eA⊗En+Em⊗BTtX0
=(eAt⊗eBTt)X0→= (e^{At} \otimes e^{B^{T}t}) \overrightarrow{X_{0}} =(eAt⊗eBTt)X0
再由:
AXB→=(A⊗BT)X→\overrightarrow{AXB} = (A \otimes B^{T})\overrightarrow{X} AXB=(A⊗BT)X
(eAt⊗eBTt)X0→=eAtX0eBt→(e^{At} \otimes e^{B^{T}t}) \overrightarrow{X_{0}}=\overrightarrow{e^{At}X_{0}e^{Bt}} (eAt⊗eBTt)X0=eAtX0eBt
所以:
X→(t)=eAtX0eBt→\overrightarrow{X}(t) = \overrightarrow{e^{At}X_{0}e^{Bt}} X(t)=eAtX0eBt
X(t)=eAtX0eBtX(t) =e^{At}X_{0}e^{Bt} X(t)=eAtX0eBt
我的微信公众号名称:深度学习与先进智能决策
微信公众号ID:MultiAgent1024
公众号介绍:主要研究分享深度学习、机器博弈、强化学习等相关内容!期待您的关注,欢迎一起学习交流进步!
矩阵分析 (八) 矩阵的直积相关推荐
- <微机原理>[汇编语言]-[实验八]矩阵键盘应用实验
实验八 矩阵键盘应用实验 实验八 矩阵键盘应用实验.doc 一.实验目的 掌握矩阵式键盘识别技术 进一步掌握数码管显示原理 二.实验主要仪器和环境 Keil5 普中A2开发板 stc-isp 三.实验 ...
- 矩阵分析:矩阵序列,矩阵级数,矩阵函数,微积分,函数应用
1,矩阵序列 1.1,矩阵序列 设 中的矩阵序列 ,其中 .若: 则称矩阵序列 收敛于 ,或称 为矩阵序列 的极限,记为: 或 (1)不收敛的矩阵序列称为发散. (2)矩阵序列收敛的本质是矩阵 ...
- 矩阵分析L4矩阵的相似标准形
一.矩阵相似 1.定义 2.特征值与特征向量 二.矩阵的约当标准形 1.行列式因子 为啥D2 = 1? 因为这三个2阶非零子式的最大公因子是1啊.... 宋老师真的是太好了,矩阵分析不多考几分简直对不 ...
- 矩阵分析 (二) 内积空间
矩阵分析系统学习笔记 本系列所有文章来自东北大学韩志涛老师的矩阵分析课程学习笔记,系列如下: 矩阵分析 (一) 线性空间和线性变换 矩阵分析 (二) 内积空间 矩阵分析 (三) 矩阵的标准形 矩阵分析 ...
- 矩阵分析与应用(二)——矩阵微分
文章目录 部分符号约定 一阶偏导: Jacobian 矩阵与梯度矩阵 偏导算子 标量函数的Jacobian 矩阵 矩阵函数的Jacobian 梯度矩阵 二阶偏导: Hessian 矩阵 实Hessia ...
- 视频课程更新,机器学习、数理统计、矩阵分析、运筹视频教程
如果各位读者朋友读到了这里,不妨移步到B zhan(五道口纳什),那里我将进行每周至少一次的更新,更多视频课程等待各位的阅读和反馈. 导览传送门如下: 1. 数据&算法 [手推公式]指数族分布 ...
- 组合数学(5)——拉丁方与H矩阵例题
文章目录 1.前言 2. 构造N阶矩阵的方法 2.1直积 2.2使用定理7.2.3 2.3使用定理7.2.2 3.拉丁方 3.1构造ST(21) 3.2 若n为奇数,证明必存在一对正交的n阶拉丁方 4 ...
- re矩阵论_矩阵论 [张凯院,徐仲 等编著] 2013年版
矩阵论 出版时间:2013年版 内容简介 <矩阵论>分为7章,主要介绍线性空问与线性变换.向量范数与矩阵范数.矩阵分析.矩阵分解.矩阵的特征值估计.广义逆矩阵以及特殊矩阵,各章均配有适量的 ...
- 读书笔记:《群论彩图版》
VISUAL GROUP THEORY 一.群是什么 群不是关于数字的,而是关于模式的.群论研究的是关于旋转模式的对称. 群的法则: 存在一个预先定义的.不会改变的作用列表. 每个作用都是可逆的. 每 ...
- Matlab函数参考
http://www.ilovematlab.cn/thread-13621-2-1.html 分类总表 一.一般函数命令 十一.稀疏矩阵 二.运算符号与特殊字符 十二.二维图形 三.程序语言设计 十 ...
最新文章
- python3 的 zip
- win7 安装openssh_Win732位旗舰版老友纯净版安装OpenSSH的方法
- [云炬创业基础笔记]第五章创业机会评估测试2
- VTK:图像转结构化点用法实战
- 关系数据库模式和完整性约束相关概念
- 云电脑是什么_云电脑和我们现在平时用的电脑有什么区别?
- 爱护身体之简易程序员健身操
- 循环神经网络 递归神经网络_递归神经网络-第5部分
- 利用电力声类比与有限元仿真方法分析亥姆霍兹共振器
- 共阳极管的代码_共阳极数码管-共阳极数码管显示
- 基于卫星高度计海面高度异常资料获取潮汐调和常数方法及应用matlab代码
- 科技巨头们在SaaS市场“雷声大雨点小”背后的症结
- 阿里云DataWorks数据集成(DataX)架构实践分享
- java 组合实现汽车类 问题描述:一辆Car有(has)四个轮子(Wheels)和一个发动机(Engine)。现在要求用组合方法设计类Car、类Wheel和类Engine。
- for update造成的锁表以及解锁
- Lasso 的 python实现
- python调用函数实现银行ATM典型案例练习
- 【多项式最小二乘拟合实验】
- 2.Python3标准库--文本
- 全国医师资格考试计算机化模拟考试系统考生操作流程
热门文章
- java用url创建imageview,Android中ImageView使用网络图片资源的方法
- NYOJ--456--邮票分你一半
- NYOJ-111分数加减法
- 你知道怎么解决DB读写分离,导致数据不一致问题吗?
- Apache无法加载PHP模块的解决方案
- 乌克兰发布新版《网络安全战略》
- Invalid escape sequence(valid ones are \b \t \n \f \r \ \' \\)
- Ubuntu固定ip和dns配置和查看
- Espresso unit test的输入法问题
- Centos单网卡多IP的配置