【线性代数】1.6矩阵的特征值和特征向量
这里写自定义目录标题
- 1.向量
- 1.简介
- 1.笛卡尔坐标系
- 2.向量
- 3.标量
- 2.向量基本运算
- 1.向量加法
- 2. 向量数乘
- 3. 向量内积
- 4.向量投影
- 3.范数
- 1.L-P Norm
- 2.L-0 Norm
- 3.L-1 Norm
- 4.L-2 Norm
- 5.L-infinity Norm
- 2.特征值、特征向量、矩阵相似
- 1.特征值与特征向量
- 2.矩阵相似
- 3.定理
- 4.矩阵相似对角化
- 1.定理
- 2.例题
- 例题1
- 例题2
- 5.总结
- 参考
1.向量
1.简介
1.笛卡尔坐标系
相交于原点的两条数轴,构成了平面放射坐标系。如两条数轴上的度量单位相等,则称此放射坐标系为笛卡尔坐标系。两条数轴
互相垂直的笛卡尔坐标系,称为笛卡尔直角坐标系,否则称为笛卡
尔斜角坐标系。
2.向量
具有大小和方向的量。
3.标量
只有数值大小,没有方向的量。
2.向量基本运算
设nnn维向量α=[a1,a2,⋯,an]T\alpha=\left[a_1,a_2,\cdots,a_n\right]^Tα=[a1,a2,⋯,an]T,β=[b1,b2,⋯,bn]T\beta=\left[b_1,b_2,\cdots,b_n\right]^Tβ=[b1,b2,⋯,bn]T,则
1.向量加法
直角坐标系中向量的加减就是对应坐标分量的加减。α+β=[a1+b1,a2+b2,⋯,an+bn]\alpha+\beta=\left[a_1+b_1,a_2+b_2,\cdots,a_n+b_n\right]α+β=[a1+b1,a2+b2,⋯,an+bn]
2. 向量数乘
直角坐标系中向量的数乘就是向量坐标的分量分别乘该数。kα=[ka1,ka2,⋯,kan]Tk\alpha=\left[ka_1,ka_2,\cdots,ka_n\right]^Tkα=[ka1,ka2,⋯,kan]T
3. 向量内积
两个向量的内积为向量的模长的乘积再乘两个向量夹角的余弦值。内积结果为一个数。
公式:[α,β]=αTβ=βTα=a1b1+a2b2+⋯+anbn\left[\alpha,\beta\right]=\alpha^T\beta=\beta^T\alpha=a_1b_1+a_2b_2+\cdots+a_nb_n[α,β]=αTβ=βTα=a1b1+a2b2+⋯+anbn
正交: [α,β]=0\left[\alpha,\beta\right]=0[α,β]=0,即a1b1+a2b2+⋯+anbn=0a_1b_1+a_2b_2+\cdots+a_nb_n=0a1b1+a2b2+⋯+anbn=0 ,称为α\alphaα与β\betaβ正交,记为α⊥β\alpha\perp\betaα⊥β.
单位向量:模长为1的向量。Vnormalized=α∥α∥V_{normalized}=\frac\alpha{\left\|\alpha\right\|}Vnormalized=∥α∥α
零向量:模长为0,方向任意的向量。αTα=0⇔α=0\alpha^T\alpha=0\Leftrightarrow\alpha=0αTα=0⇔α=0
不等式:[x,y]2⩽[x,x][y,y]{\lbrack x,y\rbrack}^{{}_2}\leqslant\lbrack x,x\rbrack\lbrack y,y\rbrack[x,y]2⩽[x,x][y,y]
4.向量投影
设两个非零向量a与b的夹角为θ,则将|b|∙cosθ 叫做向量b在向量a方向上的投影或称标投影。
∥v→∥∥=∥v→∥×cosθ=v→⋅a→单\left\|\overrightarrow v^\parallel\right\|=\left\|\overrightarrow v\right\|\times\cos\theta=\overrightarrow v\cdot{\overrightarrow a}_单∥∥∥v∥∥∥∥=∥∥∥v∥∥∥×cosθ=v⋅a单
3.范数
1.L-P Norm
Lp=∥x∥p=∑i=1nxippL_p={\left\|x\right\|}_p=\sqrt[p]{\sum_{i=1}^nx_i^p}Lp=∥x∥p=p∑i=1nxip
2.L-0 Norm
含义:指的是向量中非0元素的个数
公式:∥x∥0=#(i∣xi≠0){\left\|x\right\|}_0=\#(i\vert x_i\neq0)∥x∥0=#(i∣xi=0)
3.L-1 Norm
含义:向量x中非零元素的绝对值之和
公式:L1=∥x∥1=∑i=1n∣xi∣L_1={\left\|x\right\|}_1=\sum_{i=1}^n\left|x_i\right|L1=∥x∥1=∑i=1n∣xi∣
其他名词:曼哈顿距离,最小绝对误差
4.L-2 Norm
含义:表示向量元素的平方和再开平方
公式:L2=∥x∥2=∑i=1nxi2L_2={\left\|x\right\|}_2=\sqrt{\sum_{i=1}^nx_i^2}L2=∥x∥2=∑i=1nxi2
三角不等式:∥x+y∥⩽∥x∥+∥y∥\left\|x+y\right\|\leqslant\left\|x\right\|+\left\|y\right\|∥x+y∥⩽∥x∥+∥y∥
其他名词:欧氏距离
5.L-infinity Norm
含义:等于向量中最大元素的绝对值。
公式:L∞=∥x∥∞=max(∣xi∣)L_\infty={\left\|x\right\|}_\infty=max\left(\left|x_i\right|\right)L∞=∥x∥∞=max(∣xi∣)
2.特征值、特征向量、矩阵相似
1.特征值与特征向量
设AAA是nnn阶矩阵,如果存在一个数λ\lambdaλ及非零的nnn维列向量α\alphaα,使得Aα=λαA\alpha=\lambda\alphaAα=λα成立,则称λ\lambdaλ是矩阵AAA的一个特征值,称非零向量α\alphaα是矩阵AAA属于特征值α\alphaα的一个特征向量。
设A=[aij]A=[a_{ij}]A=[aij]为一个nnn阶矩阵,则行列式
∣λE−A∣=∣λ−a11−a12⋯a1n−a21λ−a22⋯a2n⋮⋮⋮−an1−an2⋯λ−ann∣\left|\lambda E-A\right|=\begin{vmatrix}\lambda-a_{11}&-a_{12}&\cdots&a_{1n}\\-a_{21}&\lambda-a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\-a_{n1}&-a_{n2}&\cdots&\lambda-a_{nn}\end{vmatrix} ∣λE−A∣=∣∣∣∣∣∣∣∣∣λ−a11−a21⋮−an1−a12λ−a22⋮−an2⋯⋯⋯a1na2n⋮λ−ann∣∣∣∣∣∣∣∣∣
称为矩阵AAA的特征多项式,∣λE−A∣=0\left|\lambda E-A\right|=0∣λE−A∣=0称为AAA的特征方程.
2.矩阵相似
设AAA和BBB都是nnn阶矩阵,如果存在可逆矩阵PPP使得P−1AP=B,P^{-1}AP=B,P−1AP=B,称矩阵AAA和BBB相似,记作A∼BA\sim BA∼B.
3.定理
4.矩阵相似对角化
1.定理
2.例题
例题1
例题2
5.总结
参考
1.范数(norm) 几种范数的简单介绍
2.线性代数辅导讲义
【线性代数】1.6矩阵的特征值和特征向量相关推荐
- python中向量长度_线性代数精华——矩阵的特征值与特征向量
点击上方蓝字,和我一起学技术. 今天和大家聊一个非常重要,在机器学习领域也广泛使用的一个概念--矩阵的特征值与特征向量. 我们先来看它的定义,定义本身很简单,假设我们有一个n阶的矩阵A以及一个实数λ, ...
- 线性代数之 矩阵的特征值,特征向量,特征分解
线性代数之 矩阵的特征值,特征向量和特征分解 前言 特征值和特征向量 求矩阵特征值 矩阵的特征分解 补充:实对称矩阵 后记 前言 矩阵的特征分解是比较基础的知识了,但是应用却十分广泛,比如主成分分析. ...
- 线性代数知识回顾:矩阵的秩,矩阵的范数,矩阵的条件数,矩阵的特征值和特征向量
一.矩阵的秩 1.定义: 矩阵线性无关的行数或列数称为矩阵的秩 补充: 线性代数中的线性相关是指: 如果对于向量α1,α2,-,αn, 存在一组不全为0的实数k1.k2.-.kn, 使得:k1·α1+ ...
- 【线性代数(13)】矩阵的特征值与特征向量含义及性质
矩阵的特征值与特征向量 1 基本定义 2 性质 3 计算 例1 例2 例3 4 特征值与特征向量的性质 注意:由于已经过了大学要考线性代数的年纪,关于矩阵的初等变化.齐次与非齐次方程的求解这种期末考试 ...
- 特征值与特征向量_矩阵的特征值和特征向量
不少学习过线性代数的同学可能都有这样的疑惑,就是线性代数到底是什么?我们算的这些东西究竟有什么用?回忆起这门课来可能仅有的印象也就是矩阵.向量.还有一个特征什么来着? 线性代数是一门相对较为年轻的学科 ...
- 矩阵的特征值和特征向量的雅克比算法C/C++实现
矩阵的特征值和特征向量是线性代数以及矩阵论中非常重要的一个概念.在遥感领域也是经常用到,比如多光谱以及高光谱图像的主成分分析要求解波段间协方差矩阵或者相关系数矩阵的特征值和特征向量. 根据普通线性代数 ...
- 2.4 矩阵的特征值与特征向量
写在前面:作者本人是纯纯的菜鸟,学习的内容来自于 中国大学MOOC 中南大学 <科学计算与MATLAB语言>,欢迎各位大佬或新手在这里和平讨论,如果我有错误请各位不吝赐教,提前感谢各位捧场 ...
- 【20211127】【Python】Python中常用的矩阵操作,单位阵、对角阵、矩阵的特征值和特征向量、矩阵的协方差
一.生成单位阵 numpy.identity(N) 和 numpy.eye(N) 都可以用来产生单位阵,且产生的单位阵都是 np.array() 类型,矩阵元素都是 float 型. import n ...
- 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 ...
- 斐波那契数列和矩阵的特征值于特征向量的关系
从事软件开发的人对斐波那契数列可以说在熟悉不过了,一般是学习递归算法的入门案例写在教科书中,它用递推公式表达是这个样子的: 作为一名自尊自爱的码农,看到这个公式不免既心痒又难骚,必须要安排它一下,就拿 ...
最新文章
- maven项目密码md5加密_加密Spring Boot中的application.properties
- linux防火墙常用控制协议,linux防火墙配置及管理.doc
- 基于ssm框架的大学生社团管理系统
- python【Matlibplot绘图库】Animation动画(真の能看懂~!)
- Python的Flask入门
- 为部署ASP.NET Core准备:使用Hyper-V安装Ubuntu Server 16.10
- 我需要用的Jupyter Notebook快捷键
- 谈谈一些有趣的CSS题目(十五)-- 谈谈 CSS 关键字 initial、inherit 和 unset
- mpvue微信小程序动画_在 mpvue 使用 echarts 小程序组件
- 在IDEA中,项目中出现红色波浪线解决办法
- 在Emacs24下的Java环境(Cedet+Elib+JDEE+ECB)
- 可以设置选项背景颜色的DropDownList
- 人类首张黑洞照片发布,像甜圈圈,顺便恭喜爱因斯坦
- 《Netty权威指南》(二)NIO 入门
- asp.net服务器控件开发-学习之路(一)
- linux 内核 addr2line,介绍addr2line调试命令
- 如何使用QT调用外部可执行程序
- acwing 297. 赤壁之战 树状数组优化DP 寒假集训
- 实现对 2:3 或者3:2的图片进行1:1裁剪
- solo 电路 耳放_Graham Slee SOLO 耳机放大器发展史