【矩阵论】1.准备知识——复数域上的内积域正交阵
矩阵论
1. 准备知识——复数域上的矩阵与换位公式)
1. 准备知识——复数域上的内积域正交阵
1. 准备知识——相似对角化与合同&正定阵
2. 矩阵分解—— SVD准备知识——奇异值
2. 矩阵分解——SVD
2. 矩阵分解——QR分解
2. 矩阵分解——乔利斯分解&平方根公式
2. 矩阵分解——正规谱分解——正规阵
2. 矩阵分解——正规分解
2. 矩阵分解——单阵及特征值特征向量一些求法
2. 矩阵分解——高低分解
3. 矩阵运算与函数——张量积
1.7 内积
X=(x1x2⋮xn),Y=(y1y2⋮yn)∈Cn\begin{aligned} &X=\left( \begin{matrix} x_1\\x_2\\\vdots\\x_n \end{matrix} \right),Y=\left( \begin{matrix} y_1\\y_2\\\vdots\\y_n \end{matrix} \right)\in C^n \end{aligned} X=⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞,Y=⎝⎜⎜⎜⎛y1y2⋮yn⎠⎟⎟⎟⎞∈Cn
1.7.1 复向量内积
(X,Y)=ΔYHX=x1y1‾+x2y2‾+⋯+xnyn‾=∑i=1nxiyi‾=tr(YHX)(Y,X)=XHY=x1‾y1+x2‾y2+⋯+xn‾y1=∑i=1nxi‾yi=tr(XHY)\begin{aligned} (X,Y)&\overset{\Delta}{=}Y^HX=x_1\overline{y_1}+x_2\overline{y_2}+\cdots+x_n\overline{y_n}=\sum\limits_{i=1}\limits^{n}x_i\overline{y_i}\\ &=tr(Y^HX)\\ (Y,X)&=X^HY=\overline{x_1}y_1+\overline{x_2}y_2+\cdots+\overline{x_n}y_1=\sum\limits_{i=1}\limits^{n}\overline{x_i}y_i\\ &=tr(X^HY) \end{aligned} (X,Y)(Y,X)=ΔYHX=x1y1+x2y2+⋯+xnyn=i=1∑nxiyi=tr(YHX)=XHY=x1y1+x2y2+⋯+xny1=i=1∑nxiyi=tr(XHY)
若取Y=X,则其内积
(X,X)=XHX=x1x1‾+x2x2‾+⋯+xnxn‾=∑i=1nxixi‾=∣x1∣2+∣x2∣2+⋯+∣xn∣2=∣X∣2=tr(XHX)=tr(XXH)\begin{aligned} (X,X)&=X^HX=x_1\overline{x_1}+x_2\overline{x_2}+\cdots+x_n\overline{x_n}=\sum\limits_{i=1}\limits^{n}x_i\overline{x_i}\\ &=\vert x_1 \vert^2+\vert x_2 \vert^2+\cdots+\vert x_n \vert^2 = \vert X \vert^2\\ &=tr(X^HX)=tr(XX^H) \end{aligned} (X,X)=XHX=x1x1+x2x2+⋯+xnxn=i=1∑nxixi=∣x1∣2+∣x2∣2+⋯+∣xn∣2=∣X∣2=tr(XHX)=tr(XXH)
向量内积性质
- (X,X)≥0(X,X)\ge 0(X,X)≥0 ;若 X≠0,(X,X)≥0X\neq 0 ,(X,X)\ge 0X=0,(X,X)≥0
- (X,Y)=(Y,X)‾(X,Y)=\overline{(Y,X)}(X,Y)=(Y,X)
- (kX,Y)=k(X,Y),(X,kY)=k‾(X,Y)(kX,Y)=k(X,Y),(X,kY)=\overline{k}(X,Y)(kX,Y)=k(X,Y),(X,kY)=k(X,Y)
- (X+Y,W)=(X,Y)+(X,W)
- ∣(X,Y)∣2≤∣X∣⋅∣Y∣\vert (X,Y) \vert^2\le \vert X \vert\cdot\vert Y \vert∣(X,Y)∣2≤∣X∣⋅∣Y∣
1.7.2 复矩阵内积
定义
(A,B)=Δtr(ABH)=tr(AHB)=∑aijbij‾,A,B∈Cm,n(A,A)=tr(AAH)=tr(AHA)=∑aijaij‾=∑∣aij∣2\begin{aligned} &(A,B)\overset{\Delta}{=}tr(AB^H)=tr(A^HB)=\sum a_{ij}\overline{b_{ij}},A,B\in C^{m,n}\\ &(A,A)=tr(AA^H)=tr(A^HA)=\sum a_{ij}\overline{a_{ij}}=\sum \vert a_{ij} \vert^2 \end{aligned} (A,B)=Δtr(ABH)=tr(AHB)=∑aijbij,A,B∈Cm,n(A,A)=tr(AAH)=tr(AHA)=∑aijaij=∑∣aij∣2
矩阵A的模长:∣∣A∣∣=(A,A)=tr(AAH)=∑∣aij∣2\vert \vert A \vert \vert=\sqrt{(A,A)}=\sqrt{tr(AA^H)}=\sqrt{\sum\vert a_{ij} \vert^2}∣∣A∣∣=(A,A)=tr(AAH)=∑∣aij∣2
性质
(A,A)=tr(AAH)=∑∣aij∣2≥0(A,A)=tr(AA^H)=\sum\vert a_{ij} \vert^2 \ge 0(A,A)=tr(AAH)=∑∣aij∣2≥0 ;若 A≠0A\neq 0A=0 ,则 (A,A)>0(A,A)>0(A,A)>0
(A,B)=(B,A)‾(A,B)=\overline{(B,A)}(A,B)=(B,A)
(kA,B)=k(A,B),(A,kB)=k‾(A,B)(kA,B)=k(A,B),(A,kB)=\overline{k}(A,B)(kA,B)=k(A,B),(A,kB)=k(A,B)
(A+B,D)=(A,D)+(B,D),(D,A+B)=(D,A)+(D,B)
∣(A,B)∣2≤∣A∣⋅∣B∣\vert (A,B) \vert^2 \le \vert A\vert\cdot\vert B \vert∣(A,B)∣2≤∣A∣⋅∣B∣
矩阵的内积形式
列分块
A=(a11⋯a1p⋮⋱⋮an1⋯anp)∈Cn×p=(α1,⋯,αp),其中αi为n维列向量(n×1阶矩阵)AH=(a11‾⋯an1‾⋮⋱⋮a1p‾⋯anp‾)∈Cp×n=(α1‾T⋮αp‾T),其中α1‾T是n维行向量(1×n阶矩阵)\begin{aligned} A&=\left( \begin{matrix} &a_{11}\quad&\cdots&a_{1p}\\ &\vdots\quad&\ddots&\vdots\\ &a_{n1}\quad&\cdots&a_{np} \end{matrix} \right)\in C^{n\times p}\\ &=(\alpha_1,\cdots,\alpha_p),其中\alpha_i为n维列向量(n\times 1阶矩阵)\\\\ A^H&=\left( \begin{matrix} &\overline{a_{11}}\quad&\cdots\quad &\overline{a_{n1}}\\ &\vdots\quad &\ddots&\vdots\\ &\overline{a_{1p}}\quad&\cdots\quad &\overline{a_{np}}\\ \end{matrix} \right)\in C^{p\times n}\\ &=\left( \begin{matrix} \overline{\alpha_1}^T\\ \vdots\\ \overline{\alpha_p}^T \end{matrix} \right),其中\overline{\alpha_1}^T是n维行向量(1\times n阶矩阵)\\\\ \end{aligned} AAH=⎝⎜⎛a11⋮an1⋯⋱⋯a1p⋮anp⎠⎟⎞∈Cn×p=(α1,⋯,αp),其中αi为n维列向量(n×1阶矩阵)=⎝⎜⎛a11⋮a1p⋯⋱⋯an1⋮anp⎠⎟⎞∈Cp×n=⎝⎜⎛α1T⋮αpT⎠⎟⎞,其中α1T是n维行向量(1×n阶矩阵)
AHA=(α1‾T⋮αp‾T)(α1,⋯,αp)=(α1‾Tα1α1‾Tα2⋯α1‾Tαpα2‾Tα1α2‾Tα2⋯α2‾Tαp⋮⋮⋱⋮αp‾Tα1αp‾Tα2⋯αp‾Tαp)=((α1,α1)(α2,α1)⋯(αp,α1)(α1,α2)(α2,α2)⋯(αp,α2)⋮⋮⋱⋮(α1,αp)(α2,αp)⋯(αp,αp))=((α1,α1)‾(α1,α2)‾⋯(α1,αp)‾(α2,α1)‾(α2,α2)‾⋯(α2,αp)‾⋮⋮⋱⋮(αp,α1)‾(αp,α2)‾⋯(αp,αp)‾)\begin{aligned} A^HA&=\left( \begin{matrix} \overline{\alpha_1}^T\\ \vdots\\ \overline{\alpha_p}^T \end{matrix} \right)(\alpha_1,\cdots,\alpha_p)\\\\ &=\left( \begin{matrix} &\overline{\alpha_1}^T\alpha_1\quad&\overline{\alpha_1}^T\alpha_2\quad &\cdots&\overline{\alpha_1}^T\alpha_p\\ &\overline{\alpha_2}^T\alpha_1\quad&\overline{\alpha_2}^T\alpha_2\quad &\cdots&\overline{\alpha_2}^T\alpha_p\\ &\vdots\quad&\vdots\quad &\ddots\quad &\vdots\\ &\overline{\alpha_p}^T\alpha_1\quad&\overline{\alpha_p}^T\alpha_2\quad &\cdots&\overline{\alpha_p}^T\alpha_p \end{matrix} \right)\\\\ &=\left( \begin{matrix} &(\alpha_1,\alpha_1)\quad &(\alpha_2,\alpha_1)\quad&\cdots\quad &(\alpha_p,\alpha_1)\\ &(\alpha_1,\alpha_2)\quad &(\alpha_2,\alpha_2)\quad&\cdots\quad &(\alpha_p,\alpha_2)\\ &\vdots\quad&\vdots\quad &\ddots\quad &\vdots\\ &(\alpha_1,\alpha_p)\quad &(\alpha_2,\alpha_p)\quad&\cdots\quad &(\alpha_p,\alpha_p) \end{matrix} \right)\\\\ &=\left( \begin{matrix} &\overline{(\alpha_1,\alpha_1)}\quad &\overline{(\alpha_1,\alpha_2)}\quad&\cdots\quad &\overline{(\alpha_1,\alpha_p)}\\ &\overline{(\alpha_2,\alpha_1)}\quad &\overline{(\alpha_2,\alpha_2)}\quad&\cdots\quad &\overline{(\alpha_2,\alpha_p)}\\ &\vdots\quad&\vdots\quad &\ddots\quad &\vdots\\ &\overline{(\alpha_p,\alpha_1)}\quad &\overline{(\alpha_p,\alpha_2)}\quad&\cdots\quad &\overline{(\alpha_p,\alpha_p)} \end{matrix} \right)\\ \end{aligned} AHA=⎝⎜⎛α1T⋮αpT⎠⎟⎞(α1,⋯,αp)=⎝⎜⎜⎜⎛α1Tα1α2Tα1⋮αpTα1α1Tα2α2Tα2⋮αpTα2⋯⋯⋱⋯α1Tαpα2Tαp⋮αpTαp⎠⎟⎟⎟⎞=⎝⎜⎜⎜⎛(α1,α1)(α1,α2)⋮(α1,αp)(α2,α1)(α2,α2)⋮(α2,αp)⋯⋯⋱⋯(αp,α1)(αp,α2)⋮(αp,αp)⎠⎟⎟⎟⎞=⎝⎜⎜⎜⎛(α1,α1)(α2,α1)⋮(αp,α1)(α1,α2)(α2,α2)⋮(αp,α2)⋯⋯⋱⋯(α1,αp)(α2,αp)⋮(αp,αp)⎠⎟⎟⎟⎞
行分块
A=(a11⋯a1p⋮⋱⋮an1⋯anp)∈Cn×p=(α1α2⋮αn),其中αi为p维行向量(1×p阶矩阵)AH=(α1‾Tα2‾T⋯αn‾T),其中αi‾T为p维列向量(p×1阶矩阵)\begin{aligned} A&=\left( \begin{matrix} &a_{11}\quad&\cdots&a_{1p}\\ &\vdots\quad&\ddots&\vdots\\ &a_{n1}\quad&\cdots&a_{np} \end{matrix} \right)\in C^{n\times p}\\ &=\left( \begin{matrix} \alpha_1\\ \alpha_2\\ \vdots\\ \alpha_n \end{matrix} \right),其中\alpha_i为p维行向量(1\times p阶矩阵)\\\\ A^H&=\left( \begin{matrix} \overline{\alpha_1}^T\quad \overline{\alpha_2}^T\quad \cdots\quad \overline{\alpha_n}^T \end{matrix} \right),其中\overline{\alpha_i}^T 为p维列向量(p\times 1阶矩阵) \end{aligned} AAH=⎝⎜⎛a11⋮an1⋯⋱⋯a1p⋮anp⎠⎟⎞∈Cn×p=⎝⎜⎜⎜⎛α1α2⋮αn⎠⎟⎟⎟⎞,其中αi为p维行向量(1×p阶矩阵)=(α1Tα2T⋯αnT),其中αiT为p维列向量(p×1阶矩阵)
AAH=(α1α2⋮αn)(α1‾Tα2‾T⋯αn‾T)=(α1α1‾Tα1α2‾T⋯α1αn‾Tα2α1‾Tα2α2‾T⋯α2αn‾T⋮⋮⋱⋮αnα1‾Tαnα2‾T⋯αnαn‾T)=((α1,α1)(α1,α2)⋯(α1,αn)(α2,α1)(α2,α2)⋯(α2,αn)⋮⋮⋱⋮(αn,α1)(αn,α2)⋯(αn,αn))\begin{aligned} AA^H&=\left( \begin{matrix} \alpha_1\\ \alpha_2\\ \vdots\\ \alpha_n \end{matrix} \right)\left( \begin{matrix} \overline{\alpha_1}^T\quad \overline{\alpha_2}^T\quad \cdots\quad \overline{\alpha_n}^T \end{matrix} \right)\\\\ &=\left( \begin{matrix} &\alpha_1\overline{\alpha_1}^T\quad &\alpha_1\overline{\alpha_2}^T\quad&\cdots\quad &\alpha_1\overline{\alpha_n}^T\\ &\alpha_2\overline{\alpha_1}^T\quad &\alpha_2\overline{\alpha_2}^T\quad&\cdots\quad &\alpha_2\overline{\alpha_n}^T\\ &\vdots\quad &\vdots\quad &\ddots\quad &\vdots\\ &\alpha_n\overline{\alpha_1}^T &\quad\alpha_n\overline{\alpha_2}^T\quad&\cdots\quad &\alpha_n\overline{\alpha_n}^T \end{matrix} \right)\\\\ &=\left( \begin{matrix} &(\alpha_1,\alpha_1)\quad &(\alpha_1,\alpha_2)\quad &\cdots\quad &(\alpha_1,\alpha_n)\\ &(\alpha_2,\alpha_1)\quad &(\alpha_2,\alpha_2)\quad &\cdots\quad &(\alpha_2,\alpha_n)\\ &\vdots\quad &\vdots\quad &\ddots\quad &\vdots\\ &(\alpha_n,\alpha_1)\quad &(\alpha_n,\alpha_2)\quad &\cdots\quad &(\alpha_n,\alpha_n) \end{matrix} \right) \end{aligned} AAH=⎝⎜⎜⎜⎛α1α2⋮αn⎠⎟⎟⎟⎞(α1Tα2T⋯αnT)=⎝⎜⎜⎜⎛α1α1Tα2α1T⋮αnα1Tα1α2Tα2α2T⋮αnα2T⋯⋯⋱⋯α1αnTα2αnT⋮αnαnT⎠⎟⎟⎟⎞=⎝⎜⎜⎜⎛(α1,α1)(α2,α1)⋮(αn,α1)(α1,α2)(α2,α2)⋮(αn,α2)⋯⋯⋱⋯(α1,αn)(α2,αn)⋮(αn,αn)⎠⎟⎟⎟⎞
1.8 正交
1.8.1 向量正交
X=(x1x2⋮xn),Y=(y1y2⋮yn)∈Cn\begin{aligned} X&=\left( \begin{matrix} x_1\\ x_2\\ \vdots\\ x_n \end{matrix} \right),Y=\left( \begin{matrix} y_1\\ y_2\\ \vdots\\ y_n \end{matrix} \right)\in C^{n} \end{aligned} X=⎝⎜⎜⎜⎛x1x2⋮xn⎠⎟⎟⎟⎞,Y=⎝⎜⎜⎜⎛y1y2⋮yn⎠⎟⎟⎟⎞∈Cn
X⊥Y⟺(X,Y)=0=x1y1‾+x2y2‾+⋯+xnyn‾=x1‾y1+x2‾y2+⋯+xn‾yn‾=(Y,X)\begin{aligned} X\bot Y\iff (X,Y)=0&=x_1\overline{y_1}+x_2\overline{y_2}+\cdots+x_n\overline{y_n}\\ &=\overline{\overline{x_1}y_1+\overline{x_2}y_2+\cdots+\overline{x_n}y_n}\\=(Y,X) \end{aligned} X⊥Y⟺(X,Y)=0=(Y,X)=x1y1+x2y2+⋯+xnyn=x1y1+x2y2+⋯+xnyn
正交性质
X⊥Y⇒aX⊥bYX\bot Y\Rightarrow aX\bot bYX⊥Y⇒aX⊥bY
证:(aX,bY)=b‾YHaX=ab‾YHX=ab‾(X,Y)=0(aX,bY)=\overline{b}Y^HaX=a\overline{b}Y^HX=a\overline{b}(X,Y)=0(aX,bY)=bYHaX=abYHX=ab(X,Y)=0
勾股定理:X1⊥X2⊥⋯±Xn⇒∣c1X1±c2X2±⋯±cnXn∣2=∣c1X1∣2+∣c2X2∣2+⋯+∣cnXn∣2X_1\bot X_2\bot \cdots \pm X_n\Rightarrow \vert c_1X_1\pm c_2X_2\pm \cdots \pm c_nX_n\vert^2=\vert c_1X_1\vert^2+\vert c_2X_2\vert^2+\cdots+\vert c_nX_n\vert^2X1⊥X2⊥⋯±Xn⇒∣c1X1±c2X2±⋯±cnXn∣2=∣c1X1∣2+∣c2X2∣2+⋯+∣cnXn∣2
此时,X1,X2,⋯,xnX_1,X_2,\cdots,x_nX1,X2,⋯,xn 称为一个正交组
1.8.2 单位向量
若 X≠0⃗X\neq \vec{0}X=0 ,X∣X∣\frac{X}{\vert X \vert}∣X∣X 是一个单位向量(∣X∣X∣∣=1\vert \frac{X}{\vert X \vert} \vert=1∣∣X∣X∣=1)
1.8.3 U阵(正交阵)
预:非单位列向量
半:p个n维列向量(p<n)
预-半U阵(预-半正交阵)
α1,α2,⋯,αp是n维列向量,且p≤n,且α1⊥α2⊥⋯⊥αp则称A=(α1,α2,⋯,αp)为预半U阵\alpha_1,\alpha_2,\cdots,\alpha_p 是n维列向量,且p\le n,且\alpha_1\bot\alpha_2\bot \cdots\bot\alpha_p\\ 则称A=(\alpha_1,\alpha_2,\cdots,\alpha_p) 为预半U阵 α1,α2,⋯,αp是n维列向量,且p≤n,且α1⊥α2⊥⋯⊥αp则称A=(α1,α2,⋯,αp)为预半U阵
判定
A=(α1,α2,⋯,αp)是预半U阵⟺AHA=((α1,α1)⋯0⋮⋱00⋯(αp,αp))是对角阵其中,α1,α2,⋯,αp是n维列向量\begin{aligned} A&=(\alpha_1,\alpha_2,\cdots,\alpha_p) 是预半U阵\\ &\iff A^HA=\left( \begin{matrix} &(\alpha_1,\alpha_1)&\cdots&0\\ &\vdots&\ddots&0\\ &0&\cdots&(\alpha_p,\alpha_p) \end{matrix} \right)是对角阵\\ &其中,\alpha_1,\alpha_2,\cdots,\alpha_p是n维列向量 \end{aligned} A=(α1,α2,⋯,αp)是预半U阵⟺AHA=⎝⎜⎛(α1,α1)⋮0⋯⋱⋯00(αp,αp)⎠⎟⎞是对角阵其中,α1,α2,⋯,αp是n维列向量
证明:
区分 : AHAA^HAAHA 是 p×pp \times pp×p 阶满秩方阵,而 AAHAA^HAAH 是 n×nn\times nn×n 不满秩方阵
半U阵(半正交阵)
A=(α1,α2,⋯,αp)是预半U阵,其中αi是n维列向量,若满足∣α1∣=∣α2∣=⋯=∣αp∣=1,则A为半U阵\begin{aligned} &A=(\alpha_1,\alpha_2,\cdots,\alpha_p)是预半U阵,其中\alpha_i是n维列向量,若满足\\ &\vert \alpha_1 \vert=\vert \alpha_2 \vert=\cdots=\vert \alpha_p \vert = 1,则A为半U阵 \end{aligned} A=(α1,α2,⋯,αp)是预半U阵,其中αi是n维列向量,若满足∣α1∣=∣α2∣=⋯=∣αp∣=1,则A为半U阵
判定
A=(α1,⋯,αp)是半U阵⟺α1⊥⋯⊥αp,且∣α1∣=⋯=∣αp∣=1⟺AHA=Ip\begin{aligned} A=(\alpha_1,\cdots,\alpha_p)是半U阵&\iff \alpha_1\bot\cdots\bot\alpha_p,且\vert \alpha_1 \vert=\cdots=\vert \alpha_p \vert=1\\ &\iff A^HA=I_{p} \end{aligned} A=(α1,⋯,αp)是半U阵⟺α1⊥⋯⊥αp,且∣α1∣=⋯=∣αp∣=1⟺AHA=Ip
性质
保模长 A为半U阵,则 ∣Ax∣2=∣x∣2\vert Ax \vert^2=\vert x \vert^2∣Ax∣2=∣x∣2
∣Ax∣2=(Ax)H(Ax)=xHAHAx=∣X∣2\vert Ax \vert^2=(Ax)^H(Ax)=x^HA^HAx=\vert X\vert^2∣Ax∣2=(Ax)H(Ax)=xHAHAx=∣X∣2
保正交 A为半U阵,x⊥yx\bot yx⊥y ,则Ax⊥AyAx\bot AyAx⊥Ay
预-U阵(预-单位正交阵)
α1,α2,⋯,αn是n维列向量,且α1⊥α2⊥⋯⊥αn,则A=(α1,α2,⋯,αn)是预U阵\begin{aligned} &\alpha_1,\alpha_2,\cdots,\alpha_n是n维列向量,且\alpha_1\bot\alpha_2\bot\cdots\bot\alpha_n ,\\ &则A=(\alpha_1,\alpha_2,\cdots,\alpha_n)是预U阵 \end{aligned} α1,α2,⋯,αn是n维列向量,且α1⊥α2⊥⋯⊥αn,则A=(α1,α2,⋯,αn)是预U阵
eg
X1=(1ii),X2=(2i11),X3=(01−1)(X1,X2)=0,(X2,X3)=0,(X1,X3)=0,∴X1⊥X2⊥X3,A=(X1,X2,X3)是预−U阵\begin{aligned} &X_1=\left( \begin{matrix} 1\\i\\i \end{matrix} \right),X_2=\left( \begin{matrix} 2i\\1\\1 \end{matrix} \right),X_3=\left( \begin{matrix} 0\\1\\-1 \end{matrix} \right)\\\\ &(X_1,X_2)=0,(X_2,X_3)=0,(X_1,X_3)=0,\\\\ &\therefore X_1\bot X_2\bot X_3,A=(X_1,X_2,X_3)是预-U阵 \end{aligned} X1=⎝⎛1ii⎠⎞,X2=⎝⎛2i11⎠⎞,X3=⎝⎛01−1⎠⎞(X1,X2)=0,(X2,X3)=0,(X1,X3)=0,∴X1⊥X2⊥X3,A=(X1,X2,X3)是预−U阵
判定
A=(α1,α2,⋯,αn)⟺AHA=((α1,α1)⋯0⋮⋱00⋯(αn,αn))是对角阵其中,α1,α2,⋯,αp是n维列向量\begin{aligned} A&=(\alpha_1,\alpha_2,\cdots,\alpha_n)\\ &\iff A^HA=\left( \begin{matrix} &(\alpha_1,\alpha_1)&\cdots&0\\ &\vdots&\ddots&0\\ &0&\cdots&(\alpha_n,\alpha_n) \end{matrix} \right)是对角阵\\ &其中,\alpha_1,\alpha_2,\cdots,\alpha_p是n维列向量 \end{aligned} A=(α1,α2,⋯,αn)⟺AHA=⎝⎜⎛(α1,α1)⋮0⋯⋱⋯00(αn,αn)⎠⎟⎞是对角阵其中,α1,α2,⋯,αp是n维列向量
U阵(A正交阵)
A是预U阵且∣α1∣=⋯=∣αn∣=1,则A是一个U阵(正交阵)\begin{aligned} A是预U阵且 \vert \alpha_1 \vert=\cdots=\vert \alpha_n \vert=1,则A是一个U阵(正交阵) \end{aligned} A是预U阵且∣α1∣=⋯=∣αn∣=1,则A是一个U阵(正交阵)
判定
A=(α1,⋯,αn)⟺AHA=(10⋯001⋯0⋮⋮⋱⋮00⋯1)=I是单位阵\begin{aligned} A&=(\alpha_1,\cdots,\alpha_n)\\ &\iff A^HA=\left( \begin{matrix} &1&0&\cdots&0\\ &0&1&\cdots&0\\ &\vdots&\vdots&\ddots&\vdots\\ &0&0&\cdots&1 \end{matrix} \right)=I是单位阵 \end{aligned} A=(α1,⋯,αn)⟺AHA=⎝⎜⎜⎜⎛10⋮001⋮0⋯⋯⋱⋯00⋮1⎠⎟⎟⎟⎞=I是单位阵
等价判定
- A=An×nA=A_{n\times n}A=An×n 为U阵(AHA=IA^HA=IAHA=I),即A的列向量 α1,α2,⋯,αn\alpha_1,\alpha_2,\cdots,\alpha_nα1,α2,⋯,αn 互正交,且长度为1
- A−1=AHA^{-1}=A^HA−1=AH
- AHA=I,且AAH=IA^HA=I,且AA^H=IAHA=I,且AAH=I
性质
1.A是U阵⟺AHA=I⟺A−1A=I⟺AAH=I⟺A=(α1,α2,⋯,αn),且α1⊥α2,⋯⊥αn,且∣α1∣=⋯=∣αn∣=12.∣Ax∣2=∣x∣2,A是U阵∵∣Ax∣2=(Ax)H(Ax)=xHAHAx=xHIx=(x,x)=∣x∣23.x⊥y⇒Ax⊥Ay,A是U阵∵(Ax,Ay)=(Ay)HAx=yHAHAx=(x,y)=0⟺Ax⊥Ay4.(Ax,Ay)=(x,y),A是U阵\begin{aligned} &1. A是U阵\iff A^HA=I\iff A^{-1}A=I\iff AA^H=I\\ &\iff A=(\alpha_1,\alpha_2,\cdots,\alpha_n) ,且\alpha_1\bot\alpha_2,\cdots\bot\alpha_n,且\vert \alpha_1\vert=\cdots=\vert\alpha_n\vert=1\\\\ &2.\vert Ax\vert^2=\vert x \vert^2,A是U阵\\ &\because \vert Ax\vert^2 = (Ax)^H(Ax)=x^HA^HAx=x^HIx=(x,x)=\vert x \vert^2\\\\ &3.x\bot y \Rightarrow Ax\bot Ay,A是U阵\\ &\because (Ax,Ay)=(Ay)^HAx=y^HA^HAx=(x,y)=0\iff Ax\bot Ay\\\\ &4.(Ax,Ay)=(x,y),A是U阵 \end{aligned} 1.A是U阵⟺AHA=I⟺A−1A=I⟺AAH=I⟺A=(α1,α2,⋯,αn),且α1⊥α2,⋯⊥αn,且∣α1∣=⋯=∣αn∣=12.∣Ax∣2=∣x∣2,A是U阵∵∣Ax∣2=(Ax)H(Ax)=xHAHAx=xHIx=(x,x)=∣x∣23.x⊥y⇒Ax⊥Ay,A是U阵∵(Ax,Ay)=(Ay)HAx=yHAHAx=(x,y)=0⟺Ax⊥Ay4.(Ax,Ay)=(x,y),A是U阵
预U阵与U阵
A=(α1,⋯,αn)是预U阵⇒A=(α1∣α1∣,α2∣α2∣,⋯,αn∣αn∣)是U阵\begin{aligned} A=(\alpha_1,\cdots,\alpha_n) 是预U阵\Rightarrow A=(\frac{\alpha_1}{\vert \alpha_1\vert},\frac{\alpha_2}{\vert \alpha_2\vert},\cdots,\frac{\alpha_n}{\vert \alpha_n \vert})是U阵 \end{aligned} A=(α1,⋯,αn)是预U阵⇒A=(∣α1∣α1,∣α2∣α2,⋯,∣αn∣αn)是U阵
U阵构造新U阵
若A=(α1,α2,⋯,αn)为U阵,则1.k=±1,kA=(kα1,kα2,⋯,kαn)为U阵2.B=(β1,β2,⋯,βn)为U阵,其中β组为α组的重排3.(封闭性)若A、B为同阶U阵,则AB也为U阵\begin{aligned} 若A&=(\alpha_1,\alpha_2,\cdots,\alpha_n) 为U阵,则\\ &1.k=\pm1,kA=(k\alpha_1,k\alpha_2,\cdots,k\alpha_n)为U阵\\ &2.B=(\beta_1,\beta_2,\cdots,\beta_n) 为U阵,其中\beta组为\alpha组的重排\\ &3.(封闭性)若A、B为同阶U阵,则AB也为U阵 \end{aligned} 若A=(α1,α2,⋯,αn)为U阵,则1.k=±1,kA=(kα1,kα2,⋯,kαn)为U阵2.B=(β1,β2,⋯,βn)为U阵,其中β组为α组的重排3.(封闭性)若A、B为同阶U阵,则AB也为U阵
向量构造U阵
若α=(a1a2⋮an)∈C,A=In−2ααH∣α∣2是一个U阵1.AH=A且A2=I(A−1=A)2.A为U阵(AHA=I)证明:1.A2=(In−2ααH∣α∣2)(In−2ααH∣α∣2)=In2−4ααH∣α∣2+4(ααH)(ααH)∣α∣4=In−4ααH∣α∣2+4α(αHα)αH∣α∣4=In−4ααH∣α∣2+4α(∣α∣2)αH∣α∣4=In−4ααH∣α∣2+4ααH∣α∣2=In2.AHA=(In−2ααH∣α∣2)H(In−2ααH∣α∣2)=(In−2ααH∣α∣2)(In−2ααH∣α∣2)=A2=I∴A是U阵\begin{aligned} 若\alpha&=\left( \begin{matrix} a_1\\a_2\\\vdots \\ a_n \end{matrix} \right)\in C,A=I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2}是一个U阵\\\\ &1.A^H=A且A^2=I(A^{-1}=A)\\ &2.A为U阵(A^HA=I)\\\\ 证明: 1.A^2&=(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})\\ &=I_n^2-\frac{4\alpha\alpha^H}{\vert \alpha \vert^2}+\frac{4(\alpha\alpha^H)(\alpha\alpha^H)}{\vert \alpha\vert^4}=I_n-\frac{4\alpha\alpha^H}{\vert \alpha \vert^2}+\frac{4\alpha(\alpha^H\alpha)\alpha^H}{\vert \alpha\vert^4} \\ &=I_n-\frac{4\alpha\alpha^H}{\vert \alpha \vert^2}+\frac{4\alpha(\vert \alpha\vert^2)\alpha^H}{\vert \alpha\vert^4}=I_n-\frac{4\alpha\alpha^H}{\vert \alpha \vert^2}+\frac{4\alpha\alpha^H}{\vert \alpha \vert^2}=I_n\\ 2.A^HA&=(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})^H(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})\\ &=(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})(I_n-\frac{2\alpha\alpha^H}{\vert \alpha \vert^2})=A^2=I\\ &\therefore A是U阵 \end{aligned} 若α证明:1.A22.AHA=⎝⎜⎜⎜⎛a1a2⋮an⎠⎟⎟⎟⎞∈C,A=In−∣α∣22ααH是一个U阵1.AH=A且A2=I(A−1=A)2.A为U阵(AHA=I)=(In−∣α∣22ααH)(In−∣α∣22ααH)=In2−∣α∣24ααH+∣α∣44(ααH)(ααH)=In−∣α∣24ααH+∣α∣44α(αHα)αH=In−∣α∣24ααH+∣α∣44α(∣α∣2)αH=In−∣α∣24ααH+∣α∣24ααH=In=(In−∣α∣22ααH)H(In−∣α∣22ααH)=(In−∣α∣22ααH)(In−∣α∣22ααH)=A2=I∴A是U阵
eg :
α=(111),其U阵为I3−2ααH∣α∣2=(100010001)−23(111111111)=(13−23−23−2313−23−23−2313)\begin{aligned} \alpha=\left( \begin{matrix} 1\\1\\1 \end{matrix} \right),其U阵为 I_3-\frac{2\alpha\alpha^H}{\vert \alpha\vert^2}&=\left( \begin{matrix} &1&0&0\\&0&1&0\\&0&0&1\\ \end{matrix} \right)-\frac{2}{3}\left( \begin{matrix} &1&1&1\\&1&1&1\\&1&1&1\\ \end{matrix} \right)\\ &=\left( \begin{matrix} &\frac{1}{3}&-\frac{2}{3}&-\frac{2}{3}\\ &-\frac{2}{3}&\frac{1}{3}&-\frac{2}{3}\\ &-\frac{2}{3}&-\frac{2}{3}&\frac{1}{3}\\ \end{matrix} \right) \end{aligned} α=⎝⎛111⎠⎞,其U阵为I3−∣α∣22ααH=⎝⎛100010001⎠⎞−32⎝⎛111111111⎠⎞=⎝⎛31−32−32−3231−32−32−3231⎠⎞
【矩阵论】1.准备知识——复数域上的内积域正交阵相关推荐
- 【矩阵论】1. 准备知识——复数域上矩阵,Hermite变换
矩阵论 1. 准备知识--复数域上矩阵,Hermite变换 1.准备知识--复数域上的内积域正交阵 1.准备知识--Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩 2. 矩阵分解 ...
- 线性代数:03 向量空间 -- 向量的内积和正交阵
本讲义是自己上课所用幻灯片,里面没有详细的推导过程(笔者板书推导)只以大纲的方式来展示课上的内容,以方便大家下来复习. 本章主要介绍向量空间的知识,与前两章一样本章也可以通过研究解线性方程组的解把所有 ...
- 【矩阵论】8. 常用矩阵总结——镜面阵,正定阵
矩阵论 1. 准备知识--复数域上矩阵,Hermite变换) 1.准备知识--复数域上的内积域正交阵 1.准备知识--Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩 2. 矩阵分 ...
- 【矩阵论】8. 常用矩阵总结——秩1矩阵,优阵(单位正交阵),Hermite阵
矩阵论 1. 准备知识--复数域上矩阵,Hermite变换) 1.准备知识--复数域上的内积域正交阵 1.准备知识--Hermite阵,二次型,矩阵合同,正定阵,幂0阵,幂等阵,矩阵的秩 2. 矩阵分 ...
- 复数域上x^n ±1=0的解
基础知识: e^(x·i)=sin x +i·cos x(泰勒展开可证) 法一: 设f(y)=e^(y·pi·i)=sin (y·pi) +i·cos (y·pi) y=1,e^(1·pi·i)=-1 ...
- NeuIPS|在知识图谱上嵌入逻辑查询
今天为大家带来斯坦福大学Jure Leskovec教授课题组发表在NeuIPS上的一篇论文.本文引入了一个框架GQE,以便在不完整的知识图谱上有效地对合取逻辑查询进行预测.在本文的方法中,作者在低维空 ...
- 【AAAI2022】TLogic:时序知识图谱上可解释链接预测的时间逻辑规则
清华大数据软件团队官方微信公众号来源:专知 本文附论文,建议阅读5分钟我们解决了时序知识图谱上的链接预测任务. 传统的静态知识图谱将关系数据中的实体作为节点,由特定关系类型的边连接.然而,信息和知识不 ...
- 论文浅尝 | DRUM:一种端到端的可微的知识图谱上的规则学习方法
论文笔记整理:张文,浙江大学在读博士,研究方向为知识图谱的表示学习,推理和可解释. 现有的多数链接预测方法都不能处理新的实体,并且多为黑盒方法,使得其预测结果无法解释.本文提出了一种新的端到端的可微的 ...
- SIGIR 2020 | 知识图谱上推荐推理的模仿学习框架
编者按:尽管知识图谱推理的发展前景广阔,但在收敛性和可解释性上仍存在一定的问题.微软亚洲研究院的研究员利用一个基于元启发式方法的示例路径抽取方法来以较低的标记代价提取示例路径集合,进而提出了一个对抗的 ...
最新文章
- 64位Win10安装Pytorch
- 解密虚拟 DOM——snabbdom 核心源码解读
- C++ 向上转型初步01
- 如何用Pygame写游戏(二十二)
- mysql.sock 初始化_mysql8.0 部署、初始化和创建实例
- 三种Hash算法对比以及秒传原理.
- fsmc同步通信设置_微服务模式-同步与异步
- Jsp+Ssh+Mysql实现的简单的企业物资信息管理系统
- JavaScript 图片切换展示效果
- 要运行python程序要安装什么_windows下面如何安装运行python程序
- Linux线程的终止
- 推荐免费下载380套大型商业源码
- 小程序可以跟哪些行业做结合呢?
- 关于Amazon AWS —— 免费的午餐不好吃
- 门禁服务器业务导航不显示,门禁一卡通管理软件重大问题解决办法
- 路径规划——CH算法
- 带有滚动效果的ViewPager
- 服务器设置header返回信息,http服务器header返回时间问题
- 阿里达摩院发布中文领域最大规模语言模型PLUG测试访问地址
- 基于JAVA校园教务排课系统(Springboot框架) 开题报告