【数学和算法】特征值、特征向量、特征空间,变换矩阵的行列式和特征值
可以参考马同学
的博客: 如何理解矩阵特征值?
也可以参考B站小崔说数
的视频教程:【线性代数的本质】特征值/特征向量的几何涵义
矩阵的特征值和特征向量定义:
1、特征值是线性代数中的重要概念,设A是n阶方阵,如果存在数m和非零n维列向量x,使得
Ax=mx
成立,则称m是A的一个特征值或本征值。2、非零n维列向量x称为矩阵A的属于特征值m的特征向量或本征向量,简称A的特征向量。
3、两种有着密切关系:属于不同特征值的特征向量一定线性无关,相似矩阵有相同的特征多项式,因而有相同的特征值。
先把结论写在前面:
- 矩阵
特征值
是对特征向量进行伸缩
和旋转
程度的度量。 实数
是只进行伸缩,虚数
是只进行旋转,复数
就是有伸缩
也有旋转
。- 其实最重要的是
特征向量
,从它的定义可以看出来,特征向量是在矩阵变换下只进行“规则”变换的向量,这个“规则”就是特征值。
矩阵特征值的几何含义:
当
特征值
是实数时,特征值
是拉伸倍数,特征向量
是拉伸方向。当特征值是复数时,就表示旋转90°。可用变换矩阵
(0 -1 , 1 0)
测试一下。
因为在复平面上,横轴表示实数,纵轴表示虚数,每乘上i
就表示逆时针旋转90°,a+b*i
乘上i
变成了-b+a*i
,在复平面图上画出来,很容易就看出来是逆时针旋转了90°。再乘上i
就又旋转90°,就是180°,同时i²=-1
,a+b*i
就变成了-a-b*i
,在图像上标出来,就容易看出来是旋转了180°。再旋转两次,就回到了最初的位置,因为i^4=1
。
注意区分矩阵特征值与行列式代表的意义:
- 矩阵特征值表示在某一方向的拉伸倍数;
- 而行列式表示在所以方向的拉伸倍数的乘积。因为
矩阵A的行列式
等于矩阵A的所有特征值相乘
,这是相似矩阵的性质。 - 由上面两条可知,二维变换矩阵的行列式就是面积伸缩倍数,三维变换矩阵的行列式就是体积伸缩倍数,以此类推…
变换矩阵的特征值,表示某方向拉伸倍数。
而n阶变换矩阵A的n个特征值组成的对角矩阵,和变换矩阵A相似。相似矩阵有个性质是,相似矩阵的行列式相等
。所以可以求出变换矩阵的特征值后,使用 特征值组成的对角矩阵
来看看各个方向的拉伸倍数。
下面记得区分旋转变换与拉伸变换
变换矩阵的
行列式
为0表示不可逆变换,不为0表示可逆变换。对于旋转变换的话,旋转变换矩阵的
行列式为1
,因为只旋转不会拉伸,所以面积的拉伸倍数为1。行列式的几何意义就是面积变换的放大率
;但是行列式为1的矩阵不一定是旋转矩阵(注意这里没有限定是
正交矩阵
,所以不一定是旋转矩阵),只有当变换矩阵的四个元素满足正弦余弦,并且行列式为1的,才是旋转;旋转矩阵都是行列式为1的
正交矩阵
。反之,行列式为1的正交矩阵
也是一个旋转矩阵;(正交矩阵
即逆
为自身转置
的矩阵)变换矩阵正对角元素不为0,其他元素为0,表示拉伸,两个方向都拉伸。当某个正对角元素为1时,就表示该方向不拉伸;
变换矩阵副对角元素为±1,其他元素为0,表示顺或逆时针旋转90°。
两个矩阵M1和M2相乘的行列式等于两个行列式的乘积:
有的线性变换是可逆的,有的不行,比如行列式=0
这样的线性变换就是不可逆的。从图像上看,图形会缩成一点,或者缩成一条直线,没有矩阵可以把它们恢复成原来的样子。
注意,二维变换矩阵的行列式为1,表示面积拉伸倍数一定为1(例如可能特征值为2和0.5,即在x方向拉伸2倍,在y方向拉伸0.5倍。当然,特征值也可能是3和0.333),并不一定表示旋转。
变换矩阵的特征值,才表示某方向拉伸倍数。
而n阶变换矩阵A的n个特征值组成的对角矩阵,和变换矩阵A相似。相似矩阵有个性质是,相似矩阵的行列式相等
。所以可以求出变换矩阵的特征值后,使用 特征值组成的对角矩阵
来看看各个方向的拉伸倍数。
在刚体旋转时,由于已经确定就是旋转,所以旋转矩阵的行列式(可以证明旋转矩阵的各个特征值相乘为1)一定为1,就是正弦余弦的形式。
假设变换矩阵A的x,y特征值为2,3,那么点(x0,y0)
经过矩阵A变换后就变成了(2*x0, 3*y0)
,即在x方向拉伸了2倍,在y方向拉伸了3倍。但这并不表示x,y的特征向量进行线性组合后也是特征向量。因为只有同一个特征值
对应的特征向量进行线性组合才是特征向量。
每个特征值表示在特征向量方向上拉伸的倍数,所有三阶矩阵的特征向量并不是一样的,不是(1,0,0)
, (0,1,0)
,(0,0,1)
,而是像(1,3,0)
之类的,特征值可能一样,也可能不一样,对某个特征值对应的特征向量进行线性组合就是该特征值对应特征向量的特征空间。
变换矩阵矩阵的某一个特征值所对应的特征向量的线性组合,依然是特征向量。
如一个3阶矩阵A的特征值为2,3,4。那么特征值2满足A*(a,b,c)=2*(a,b,c)
,那么特征向量(a,b,c)
可以为(1 0 0)
,也可以为(5 0 0)
,即 任意倍数*(1 0 0)
,同理,另外两个特征值对应的特征向量为任意倍数 *(0 1 0)
和任意倍数 *(0 0 1)
。
如一个3阶矩阵A的特征值2,2,4,那么特征值2 满足A*(a,b,c)=2*(a,b,c)
,那么特征向量(a,b,c)
可以为(1,0,0)
和(0,1,0)
,也可以为(9, 8, 0)
,即(a,b,c)
满足线性组合为即任意倍数*(1 0 0)+ 任意倍数*(0 1 0)
,如(3,7,0)
也是他的特征向量,因为A*(3,7,0)=2*(3,7,0)
,这个线性组合的特征向量就代表的是XOY平面内的所有向量,因为对该平面内的每个点做矩阵变换后,都会把这个点的x,y的值放大2倍。同理,另一个特征值4对应的特征向量的特征空间为任意倍数*(0 0 1)
,他却不能表示一个平面,因为他的前两维度必须为0,也就只是一条线,成不了一个面。
【数学和算法】特征值、特征向量、特征空间,变换矩阵的行列式和特征值相关推荐
- 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 ...
- 【数学和算法】奇异值分解在【图像压缩】中的应用
图片压缩 这篇博客奇异值的物理意义是什么有例子分析使用奇异值分解来进行图像压缩与图像去噪,并且对于不是方阵的矩阵也可以分解. 下面这个图像压缩例子是以方阵图像为例,使用暴力分解得到特征值和特征向量.但 ...
- 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 ...
- 清风:数学建模算法、编程和写作培训
清风:数学建模算法.编程和写作培训 一.评价模型 1.1 层次分析法 1.2 代码详解 1.3 模型拓展 1.4 课后作业 二.插值与拟合模型 三.相关性模型 四.回归模型 五.图论模型 六.分类问题 ...
- 数学建模算法学习笔记 已完结
这是为了准备国赛突击学习的模型算法,我在原有的基础上加上自己的理解虽然不知道对不对,就是为了记录下自己学的模型他究竟是个什么东西,语言通俗,但是极不准确,只适合做一个大概的了解,建议大家详细的还是要看 ...
- 数学建模算法笔记(2)——主成分分析
数学建模算法笔记(2)–主成分分析 目的:主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异,将我 们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量,实际上是一种降维方法. ...
- 【线性代数】矩阵、向量、行列式、特征值与特征向量(掌握这些概念一篇文章就够了)
在数学领域中,线性代数是一门十分有魅力的学科,首先,它不难学:其次,它能广泛应用于现实生活中:另外,在机器学习越来越被重视的现在,线性代数也能算得上是一个优秀程序员的基本素养吧? 一.线性代数的入门知 ...
- LL1分析构造法_数学建模算法--最优赋权法(含代码)
数学建模算法--最优赋权法(含代码) 作者:郑铿城 本次介绍数学建模和科研写作的方法--最优赋权法最优赋权法经常用于分析评价类问题,从该算法的名称就可以看到,该算法首先要体现"最优" ...
- 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 ...
- 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. ...
最新文章
- 1.12 Java数组使用binarySearch()方法查找指定元素
- mysql eval,mysql中是否有类似于eval的写法的,答案在这里
- JavaScript算法与数据结构——字典详解
- Jetbrains 系 IDE 编辑器的代码提示功能
- 判断服务器是虚拟机还是物理机方式
- QT实现简单的抽奖界面
- 扫码点餐小程序有哪些优势
- 细数处女座的101个特质
- vijos-伊甸园日历游戏
- 计算机算术3-整数加减法(前缀加法器)
- 一起来自制水果甜品吧
- BIM算量与传统算量软件的对比和模型精准解决方案
- Adobe Illustrator Mac使用教程
- 36-基于51单片机士壤湿度检测及自动浇花系统
- 那个学php的上吊了,一路名校的中国博士,在美国上吊自杀了
- Java中2.5D游戏(斜45度角)的设计与实现(1)
- 51单片机实训项目之“万年历”代码原理详解
- 垃圾去哪里系列之可回收物
- 如何安全的修改win11用户名(微软账号登录,用户名会变成纯数字,好丑)
- 通过jQuery的slideToggle()方法实现元素的显示隐藏时,利用当前ul元素display的值判断状态遇到的问题
热门文章
- Android集成高德地图实现自定义Marker
- python online json editor_python+django常用富文本插件使用配置(ckeditor,kindeditor)
- 数据分析新人如何面对繁杂且突然的数据需求
- 三维重建笔记_基于图像的大规模场景三维建模overview
- ubuntu更新后显卡驱动失效解决方案
- 脑电信号情绪识别研究综述
- VIOS 磁盘映射简介
- 为什么Sql Server的查询有时候第一次执行很慢,第二次,第三次执行就变快了
- python 虚拟环境打包exe方法及路过的坑
- 一款提升程序员生产力的黑科技神器