[高维随机矩阵-2] 特征值和特征向量
本系列主要按照《Introduction to random matrices theory and practice》进行,后续不再一一声明。每次使用新资料,都会在第一次使用时声明,后续也不再一一生明。
1. 本书目标读者是绝对的零基础人员。
2.随机矩阵理论random matirx theory,RMT
3.本书代码地址 https://github.com/RMT-TheoryAndPractice/RMT
4.随机矩阵:矩阵,它的元素是随机变量。用处很大,任何用矩阵表示的数据,都可以用随机矩阵重新解决。
5.randn函数,产生一个矩阵,这个矩阵的每个元素,是均值为0方差为1的正态分不。
在octave的命令行输入 “M1=rand(2)”,返回结果是:
M1 =1.64246 0.59412-0.60207 0.71315
返回的矩阵是非对称矩阵,也就是M1 != M1'
6.非对称矩阵的特征值是通常是复数
octave:54> M1 = randn(4)
M1 =0.170746 -1.035108 0.874622 -0.5724690.877188 -0.891650 1.154257 -1.806621-0.608013 0.311244 1.302612 1.0832051.015893 -0.381873 -2.076392 -0.030389octave:55> [V, LAMBDA] = eigs(M1)
V =-0.40280 - 0.41726i -0.40280 + 0.41726i 0.03448 + 0.39752i 0.03448 - 0.39752i-0.73885 + 0.00000i -0.73885 - 0.00000i 0.66694 + 0.00000i 0.66694 - 0.00000i0.11471 - 0.20462i 0.11471 + 0.20462i 0.11483 + 0.34871i 0.11483 - 0.34871i0.06845 + 0.24089i 0.06845 - 0.24089i -0.49782 + 0.11563i -0.49782 - 0.11563iLAMBDA =Diagonal Matrix-0.42527 + 1.40406i 0 0 00 -0.42527 - 1.40406i 0 00 0 0.70093 + 0.81311i 00 0 0 0.70093 - 0.81311i
其中,V是特征向量。LMBDA是特征值。能看出特征值是复数。
7.对称矩阵的特征值通常是实数
octave:123> M1 = randn(3)
M1 =0.125970 -0.480814 0.639831-0.732083 1.552481 0.0872731.740238 2.072610 -0.225293octave:124> M1 = (M1+M1')/2
M1 =0.12597 -0.60645 1.19003-0.60645 1.55248 1.079941.19003 1.07994 -0.22529octave:125> eig(3)
ans = 3
octave:126> [V, LAMBDA] = eig(M1)
V =-0.588720 0.807741 -0.031024-0.350775 -0.220707 0.9100800.728262 0.546665 0.413270LAMBDA =Diagonal Matrix-1.7075 0 00 1.0971 00 0 2.0636
8. GOE:Gaussian Orthogonal Ensemble,高斯正交系综。(具有统计独立的实或复矩阵系综H,在基变换下分布具有不变性,如果变换是正交的(orthogonal)、酉的(unitary)或辛的(symplectic),则分别得到高斯正交系综(GOE),高斯酉系综(GUE)或高斯辛系综(GSE))。
9.要注意的问题,矩阵、特征向量、特征值三者之间的关系是M*V = LAMBDA* V,但在ectave验证这个关系时,有左右方向问题,实际计算按照M*V=V*LAMBDA进行,因为LAMBDA是特征值对角阵:
生成3x3矩阵M1 =-1.207738 1.668317 1.276581-0.039147 1.698229 -0.825517-0.035371 -0.632647 -1.157629对称化,M1 = (M1+M1')/2M1 =-1.20774 0.81459 0.620600.81459 1.69823 -0.729080.62060 -0.72908 -1.15763计算特征向量和特征值, [V, LAMBDA] = eig(M1)V =-0.698040 -0.685042 0.2084650.275370 0.011927 0.9612640.660993 -0.728406 -0.180315LAMBDA =Diagonal Matrix-2.11675 0 00 -0.56203 00 0 2.01165M1*Vans =1.4775773 0.3850154 0.4193568-0.5828899 -0.0067033 1.9337235-1.3991588 0.4093869 -0.3627292LAMBDA*Vans =1.4775773 1.4500651 -0.4412678-0.1547666 -0.0067033 -0.54026081.3296841 -1.4652941 -0.3627292V*LAMBDAans =1.4775773 0.3850154 0.4193568-0.5828899 -0.0067033 1.9337235-1.3991588 0.4093869 -0.3627292
[高维随机矩阵-2] 特征值和特征向量相关推荐
- 机器学习中的数学基础:(1.1)矩阵特征值和特征向量的几何意义
给定一个二维矩阵 先求出该矩阵的特征值与特征向量,特征值分别获是:, 对应的特征向量为: (列向量)PS:此处的U是正交矩阵,根据正交矩阵的性质,可以有 如果从定义来理解特征向量的化,某一物体经过该矩 ...
- 机器学习中的数学基础:(1)实际应用中矩阵特征值与特征向量的几何意义
关于特征值.特征向量的讲解有很多的教程,对于这些枯燥的数学基础怎么运用到自己的实际计算机视觉实验中,是一项很重要的任务.算法的底层其实就是数学公式的各种结合与推导,有时间不是我们不能很好的去理解这些算 ...
- 特征值与特征向量的意义
转载地址:http://blog.csdn.net/sunshine_in_moon/article/details/45749691 从定义出发,Ax=cx:A为矩阵,c为特征值,x为特征向量. ...
- 特征值和特征向量的实际意义
特征值和特征向量的实际意义 从定义出发,Ax=cx:A为矩阵,c为特征值,x为特征向量. 矩阵A乘以x表示,对向量x进行一次转换(旋转或拉伸)(是一种线性转换),而该转换的效果为常数c乘以向量x(即只 ...
- 特征值与特征向量_机器学习和线性代数 - 特征值和特征向量
特征值和特征向量可能是线性代数中最重要的概念之一.从机器学习.量子计算.物理到许多数学和工程的问题,都可以通过找到一个矩阵的特征值和特征向量来解决. 根据定义(标量λ.向量v是特征值.特征向量A): ...
- 雅可比旋转求解对称二维矩阵的特征值和特征向量
问题描述: 给定一个矩阵,如下: A=[a11a21a12a22] A=\begin{bmatrix} a_{11}&a_{12}\\ a_{21}& a_{22} \end{bmat ...
- c++求矩阵的秩_利用Python矩阵求逆、特征值及特征向量
今日,分享点Python学习小记,利用Python实现以下目的: (1)判定是否为方阵 矩阵的本质就是映射.对于一个m×n的矩阵A,y=Ax的作用是将向量从n维原始空间中的x坐标位置,映射到m维目标空 ...
- 线代:1.6矩阵的特征值和特征向量
文章目录 任务详解: 1.向量的内积和范数 向量的内积以及正交性 定义1: 定义2 定义3 定义4 判定矩阵A可逆的小结 2.特征值特征向量以及矩阵的相似 方阵的特征值与特征向量 定义6 本课程来自 ...
- PCA和SVD,包好特征值和特征向量的理解
本文转载自LeftNotEasy的https://blog.csdn.net/u010725283/article/details/79155204 前言: 上一次写了关于PCA与LDA的文章,PCA ...
最新文章
- AppsFlyer将API网关服务从Clojure迁移到Golang
- php 画布插入图像,javascript – 如何在PHP中将html5画布图像保存到数据库
- Maven plugins和pluginManagement的区别概述
- 【转】UML基础: 第1部分 - 类图 (Class Diagram)
- 1003 Emergency
- java中调用数组参数_java中如何调用带有数组类型参数的存储过程
- h5项目打包为app
- linux最大lun空间,Linux上每个SCSI设备的最大LUN数目是多少(by quqi99)
- Word 2016封面不显示页码
- 机器学习--单细胞聚类(二)
- 计算机主机cpu图片,秒懂台式电脑处理器性能 桌面处理器天梯图2017年9月最新版...
- 微信小程序——根据当前定位查询附近商家
- Charles MOCK 数据 htpps代理
- becon帧 wifi_无线路由器Beacon时槽值设置为100同500有什么区别?是不是设置越高WIFI信号的传输距离就越远越强?...
- C语言中关于二进制的换算
- RK3568 Android11从入门到实战项目专栏目录及介绍
- 044_面向对象_17_封装
- 用手机制作pdf电子书
- 华三comware跳槽_小灰的网工日常之华三瘦转胖AP,我与华三的又一段孽缘呀~~~
- 流体力学基本流动复势推导
热门文章
- 李子柒事件:微念究竟“扮演”的是什么角色
- XY310 4G 安卓智能核心板(虎贲T310平台)
- GDAL/OGR 地理要素样式(二)
- 斯柯达老明锐遥控器汽车钥匙换电池子磁(详细操作过程)
- Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化
- 程序员也要学英语——介词攻略
- 全局唯一ID实现方案
- matlab 输出矩阵 逗号隔开,将逗号分隔的字段转换为matlab矩阵
- 手把手教你:如何利用Lizzie和LeelaZero帮你做局面分析
- 外汇交易系统-Dolly系统系列三 买卖规则