特征值(特征向量)与相似对角化
什么是特征值/特征向量?
方阵的一个属性,描述方阵的“特征”
A u ⃗ = λ u ⃗ A\vec{u} = \lambda\vec{u} Au =λu
不改变方向,只伸缩
λ \lambda λ 称为矩阵A的特征值(eigenvalue)
u ⃗ \vec{u} u 称为A对应于 λ \lambda λ的特征向量(eigenvector)
- 求解:特征方程
特征向量不考虑零向量(平凡解) → u ⃗ ≠ 0 \rightarrow \vec{u} \ne 0 →u =0
( A − λ I ) u ⃗ = 0 (A - \lambda I)\vec{u} = 0 (A−λI)u =0
有非零解 → \rightarrow → 特征方程: d e t ( A − λ I ) = 0 det(A-\lambda I) = 0 det(A−λI)=0
对每一个 λ \lambda λ 的特征向量不唯一
λ \lambda λ 对应的特征向量 u ⃗ , k u ⃗ . . . \vec{u}, k\vec{u} ... u ,ku ... 组成了 A − λ I A-\lambda I A−λI 零空间(去除零向量)
λ \lambda λ 对应的特征空间: E λ = { O } ∪ { λ 的 特 征 向 量 } E_\lambda = \{O\} \cup \{\lambda的特征向量\} Eλ={O}∪{λ的特征向量}
特征方程是一个关于 λ \lambda λ的n次方程
简单特征值:n个不同的实数
复杂特征值:可以规避掉
1)多重特征值:同根(重数)
2)复数特征值:实数范围无解,复数根
特征值和特征向量的性质
- 与矩阵的逆关系:
0是A的特征值 ⇔ \Leftrightarrow ⇔ A u ⃗ = 0 A\vec{u} = 0 Au =0 有非零解 ⇔ \Leftrightarrow ⇔ A不可逆
- 特殊矩阵
对角矩阵D的特征值就是对角线上的元素
本质: A ∼ d i a g ( λ 1 , λ 2 . . . λ n ) A \sim diag(\lambda_1, \lambda_2 ... \lambda_n) A∼diag(λ1,λ2...λn)
推论: A m A^m Am的特征值是 λ m \lambda^m λm, A − 1 A^{-1} A−1的特征值是 λ − 1 \lambda^{-1} λ−1(数学归纳法
直观理解特征值和特征向量
- 投影变换:
首先是一个线性变换(如果变换对应一个矩阵,这个变换是线性变换),投影变换是线性变换:
T(u + v) = T(u) + T(v)
T(cu) = cT(u), c ∈ \in ∈ R
由几何含义可得到两个特征值:垂直:0, 母线上:1
- 翻转变换:
特征值:1(沿着翻转对称轴), -1(垂直翻转对称轴)
性质:不同特征向量对应的特征值线性无关(反证法
不简单的特征值
- 旋转变换:
几何角度找不到特征向量(变换后没有方向不变的)
特征值: i, -i
- 单位矩阵:
所有向量变换后都不变方向(都是自己)
特征值:1(n重)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-O0i6VYkT-1592446245660)(C:\Users\fjjnbb\AppData\Roaming\Typora\typora-user-images\image-20200609111818135.png)]
多重特征值的特征空间可能是高纬空间
n重特征值(代数重数):特征空间维度(几何重数) ≤ \le ≤n (最多有n个线性无关的特征向量)
即:几何重数 ≤ \le ≤ 代数重数
实践 numpy 中的求特征值和特征向量
主要实现:求解 λ \lambda λ的n次方程
mian_eigen
矩阵相似型
引子:相似三角形 → \rightarrow → 不同观察视角观察相同的内容
如果A, B满足: A = P − 1 B P A = P^{-1}BP A=P−1BP,则称A和B相似,记为: A ∼ B A \sim B A∼B
P是一个坐标系,则A变换是在P坐标系下观察的B变换
B变换是在标准坐标系下,而A变换是在P坐标系下
- 对于 B = P A P − 1 B = PAP^{-1} B=PAP−1:
B是标准坐标系下的一个变换,其在P坐标系中对应的变换为A
- 证明:???
A [ x ⃗ ] P = P − 1 B P [ x ⃗ ] P A[\vec{x}]_P = P^{-1}BP[\vec{x}]_P A[x ]P=P−1BP[x ]P
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-1QvnJQmf-1592447491372)(C:\Users\fjjnbb\AppData\Roaming\Typora\typora-user-images\image-20200609134605326.png)]
【解释】:若 A ∼ B A \sim B A∼B
[ x ⃗ ] P [\vec{x}]_P [x ]P 在 P坐标系下进行A变换得到的结果 和 先转换为标准坐标系( [ x ⃗ ] ε [\vec{x}]_\varepsilon [x ]ε),再在标准坐标系下进行B变换,最后将结果转回P矩阵 相同
- 性质:
A和B的特征方程相同 → \rightarrow → 特征值相同
d e t ( A − λ I ) = d e t ( P − 1 B P − λ I ) = . . . = d e t ( B − λ I ) det(A - \lambda I) = det(P^{-1}BP - \lambda I) =\ ...\ = det(B - \lambda I) det(A−λI)=det(P−1BP−λI)= ... =det(B−λI)
相似对角化
最好的观察角度: A = P D P − 1 A = PDP^{-1} A=PDP−1 (减少冗余)
D:每个维度自己伸缩的变换
D = ( λ 1 0 . . . 0 0 λ 2 . . . 0 . . . . . . . . . . . . 0 0 . . . λ n ) , P = ( ∣ ∣ ∣ u ⃗ 1 u ⃗ 2 . . . u ⃗ n ∣ ∣ ∣ ) D = \left( \begin{matrix} \lambda_1& 0 & ... & 0 \\ 0 & \lambda_2 & ... & 0 \\ ... & ... & ... & ...\\0&0&...&\lambda_n \end{matrix} \right), P = \left( \begin{matrix} | & | & &| \\ \vec{u}_1 & \vec{u}_2 & ... & \vec{u}_n \\ | & | & & | \end{matrix} \right) D=⎝⎜⎜⎛λ10...00λ2...0............00...λn⎠⎟⎟⎞,P=⎝⎛∣u 1∣∣u 2∣...∣u n∣⎠⎞
- 相似对角化 条件:A有n个线性无关的特征向量,即:P (特征向量矩阵) 可逆
A含有n个不同的特征值,或者特征值中的k重特征值对应有k个线性无关的特征向量,则A可以相似对角化
实现矩阵对角化
main_diag
矩阵对角化的应用
- 计算幂: A = P D P − 1 A = PDP^{-1} A=PDP−1
A n = P D n P − 1 A^n = PD^nP^{-1} An=PDnP−1
- 矩阵幂的作用?
动态系统: u ⃗ k = A k u ⃗ 0 \vec{u}_k = A^k \vec{u}_0 u k=Aku 0
A:一次变化
- 随机过程:概率变化过程
u ⃗ k = P D n P − 1 u ⃗ 0 \vec{u}_k = PD^nP^{-1}\vec{u}_0 u k=PDnP−1u 0
:特征值反应系统各个分量的变化速率
特征值(特征向量)与相似对角化相关推荐
- 第一次上课:特征值特征向量的几何直观
这是我上的关于模式识别领域的第一门研究生课,同往常一样,我尽量会在课程结束之后立刻对课程内容进行总结并把笔记上传到网上,供需要的人进行查阅. 第一节课并没有讲什么具体的知识,主要讲了一下从几何角度对特 ...
- 特征值_陶哲轩数学发现的故事 | 特征值特征向量等式
12月3日,陶哲轩在其个人博客上更新了一篇文章, https://terrytao.wordpress.com/2019/12/03/eigenvectors-from-eigenvalues-a-s ...
- 如何用计算机求特征值特征向量,特征值和特征向量计算器为4X4的实矩阵
特征值和特征向量计算器为4X4的实矩阵 λ 是 [A] 矩阵的特征值 (标量),如果有一个非零向量 (v) 这样满足以下关系: [A](v) = λ (v) 每个向量 (v) 满足这个方程叫做 [A] ...
- QR法求解特征值特征向量
一 QR原理 理论依据:任意一个非奇异矩阵(满秩的方阵)A都可以分解为一个正交矩阵Q和一个上三角矩阵R的乘积,且当R对角元符号确定时,分解是唯一的.QR分解是一种迭代方法,迭代格式如下: 当Ak基本收 ...
- 已知随机变量X的协方差矩阵求去X的特征值 特征向量 PCA投影矩阵
已知随机变量X的协方差矩阵求去X的特征值 特征向量 PCA投影矩阵 相关的知识都忘记了,去查的时候没有耐心看别人长篇大论讲解,就只简单记录了一下如果从协方差矩阵来计算特征值和特征向量. 定义:1.特征 ...
- Eigen 矩阵的特征值特征向量求解(EVD分解)
用Eigen库求解矩阵的特征值和特征向量. 矩阵的特征值特征向量求解(EVD分解) 一.EVD分解原理 1.特征值 2.特征值分解过程 二.EVD分解举例 三.Eigen库实求解特征值与特征向量 ...
- 从特征值特征向量到方向分析(标准差椭圆)
从特征值特征向量到方向分析(标准差椭圆) 一. 特征值与特征向量的意义 Ax=λx 几何直观解释为x向量在矩阵A作用下使得x向量方向不变,且拉伸了λ倍. ...
- python3随笔-特征值,特征向量,逆矩阵
import numpy as np x=np.diag((1,2,3))#对角阵 print(x) a,b=np.linalg.eig(x)#特征值给a,特征向量给b print(a) print( ...
- 如何用计算机求特征值特征向量,利用QR算法求解矩阵的特征值和特征向量
利用QR算法求解矩阵的特征值和特征向量 为了求解一般矩阵(不是那种幼稚到shi的2 x 2矩阵)的特征值. 根据定义的话,很可能需要求解高阶方程... 这明显是个坑...高阶方程你肿么破... 折腾了 ...
- 齐次、非齐次线性方程和特征值特征向量的联系及关系
参见线性代数: 1. 齐次.非齐次线性方程 1.1 aij 是方程组的系数,bi是常数项,如果bi不全为0,即为非齐次线性方程:如果bi全为0,即为线性方程: a11*x1 + a12*x2 + .. ...
最新文章
- ajax学习第一天。
- php开发api数据加密,php-app开发接口加密
- 几个重要的Linux系统内核文件介绍
- 华为Mate 30系列发布日期、地点再曝光:9月19日 慕尼黑见?
- 维护通讯录的方法及群组通讯录 管理平台
- 格力空调通讯协议_格力空调485-格力风管机空调内外机单片机RS485通讯协议格式是怎样的-电气资讯 - 电工屋...
- Linux查看vga分辨率,调整ubuntu启动界面vga分辨率的方法
- 信息学奥赛一本通 1296:开餐馆 | OpenJudge NOI 2.6 6045:开餐馆
- 同一个视频,360p的文件大小却大于720p?
- 为什么转置一个512x512的矩阵,会比513x513的矩阵慢很多?
- 叶节点到根节点的路径_所有根到叶路径
- 【程序源代码】微信小程序餐饮点餐商城
- 第十三章:项目相关方管理 - (13.1 识别相关方)
- dbeaver的安装和使用
- 网络推广和网络营销的区别
- PHP中curl的CURLOPT_POSTFIELDS请求时,Content-Type多出boundary=------------------------
- Memory DFX特性
- Eclipse配置gradle插件教程
- jai_codec-1.1.3
- ICDAR 2019比赛及数据集下载-任务-ICDAR2019任意形状文本的鲁棒阅读挑战