【特征向量】——从线性代数角度看分解与合成
概念
本文是在读了黎文科老师神奇的矩阵后,做的一些笔记以及对分解和合成的一点思考,如有问题,欢迎交流。
这里附上一些线性代数中的数学概念。
- 矩阵:描述运动,本质是在一组基描述下的向量(对象)的线性变换{e1,e2,...,en}\{e_1,e_2,...,e_n\}{e1,e2,...,en}
- 线性无关基:完备性(数量足够)+线性独立(不能相互表示),可表示任意一个向量
- 正交归一基:基之间相互正交,模为1
- 特征向量:对于一个矩阵(线性变换),特征向量(对象)变换之后方向不变
Ax=λxA\pmb{x}=\lambda \pmb{x}Axxx=λxxx - 向量:可以理解为一组基下的坐标(c1,c2,...,cn)(c_1,c_2,...,c_n)(c1,c2,...,cn)
φ=c1e1+c2e2+...+cnen\pmb{\varphi}=c_1\pmb{e_1}+c_2\pmb{e_2}+...+c_n\pmb{e_n}φφφ=c1e1e1e1+c2e2e2e2+...+cnenenen
特征向量与特征值
特征向量的引入是为了选取一组很好的基。
- 分解向量(本质是以特征向量为基,进行坐标变换)
我们知道,对于一个线性变换,只要选定一组基,就可以用一个矩阵T1T_1T1来描述这个线性变换。换一组基,就得到另一个不同的矩阵T2T_2T2。如果我们选取特征向量做基的话,空间任意一个向量可用特征向量来表示:
φ=c1p1+c2p2+...+cnpn\pmb{\varphi}=c_1\pmb{p_1}+c_2\pmb{p_2}+...+c_n\pmb{p_n}φφφ=c1p1p1p1+c2p2p2p2+...+cnpnpnpn
由于线性变换不改变特征向量的方向,故在对向量做线性变换时,形式简单:
Aφ=A(c1p1+c2p2+...+cnpn)=c1λ1p1+c2λ2p2+...+cnλnpnA\pmb{\varphi}=A(c_1\pmb{p_1}+c_2\pmb{p_2}+...+c_n\pmb{p_n})=c_1\lambda_1\pmb{p_1}+c_2\lambda_2\pmb{p_2}+...+c_n\lambda_n\pmb{p_n}Aφφφ=A(c1p1p1p1+c2p2p2p2+...+cnpnpnpn)=c1λ1p1p1p1+c2λ2p2p2p2+...+cnλnpnpnpn
综上,我们可以看出,如果一个矩阵(线性变换)存在n个特征向量,那么将它们作为正交基对向量进行分解,比直接进行线性变换大大简化地了运算。 - 分解矩阵
在对矩阵进行对角化后,可以写成如下的形式:
A=P[λ10⋯00λ2⋯0⋮⋮⋱⋮00⋯λn]PT,P={p1,p2,...,pn}A=P \left[ \begin{matrix} \lambda_1 & 0 & \cdots & 0 \\ 0 &\lambda_2 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \lambda_n \\ \end{matrix} \right]P^{T},P=\{\pmb{p_1},\pmb{p_2},...,\pmb{p_n}\} A=P⎣⎢⎢⎢⎡λ10⋮00λ2⋮0⋯⋯⋱⋯00⋮λn⎦⎥⎥⎥⎤PT,P={p1p1p1,p2p2p2,...,pnpnpn}
进一步展开:
A=λ1P1+...+λnPn,Pn=pnpnTA= \lambda_1 P_1+...+\lambda_nP_n,P_n=\pmb{p_n}\pmb{p_n}^{T}A=λ1P1+...+λnPn,Pn=pnpnpnpnpnpnT
这里的目的是对线性变换进行展开,叫做谱分解,主成分分析里有这东西。
从特征向量看信号与系统
众所周知,信号与系统讨论的系统是线性时不变系统,而线性时不变系统的特征向量就是e指数函数,所以我们选取特征向量(e指数函数)为基,对时域信号进行分解(即获取它在特征向量基底下的坐标),这就是傅里叶分析。线性时不变系统的特征向量就是e指数函数也是我们采用傅里叶分析的原因,所谓的频域空间就是e指数函数空间。
下面我们证明一下线性时不变系统的特征向量就是e指数函数,TTT代表系统的作用:
T[ejωt]=g(t)T[e^{j\omega t}]=g(t)T[ejωt]=g(t)g(t)=∫ejωτh(t−τ)dτg(t)=\int e^{j\omega \tau}h(t-\tau){\rm d\tau}g(t)=∫ejωτh(t−τ)dτg(t)=ejωt∫e−jωxh(x)dxg(t)=e^{j\omega t}\int e^{-j\omega x}h(x){\rm dx}g(t)=ejωt∫e−jωxh(x)dxg(t)=H(ω)ejωtg(t)=H(\omega)e^{j\omega t}g(t)=H(ω)ejωtT[ejωt]=H(ω)ejωtT[e^{j\omega t}]=H(\omega)e^{j\omega t}T[ejωt]=H(ω)ejωt
可以发现,e指数函数经过线性时不变系统系统的作用后方向不变,即为系统的特征向量。
回到上面的分解向量,两者的本质思想是一样的,唯一的差别在于维度上。所以说,信号中线性-分解-合成时选取傅里叶变换和拉普拉斯变换是有道理的。
拓展
- 我们可以发现,线性微分方程的特征向量也是e指数函数,这也是我们取其为基,表示解的原因。
- 用特征函数解的方程是最简洁的,否则,如果用级数的方式解方程,会发现方程的解有无穷多项。在解贝塞尔方程时,我们没有找到特征函数,于是退而求其次才选择级数求解,至少级数具有完备性。
- 数学中的分解方法有很多,各类的积分变换都对应着一个函数空间,具体要看我们想选取哪一组基去刻画对象,然后得到对象在目标基底下的坐标。
对于泰勒展开,我们选取了多项式为基,由多项式构成的空间就叫多项式空间。对傅里叶变换,我们选取了三角函数为基,由三角函数构成的空间就叫做频率空间。
Reference:
1.神奇的矩阵第二季.黎文科
【特征向量】——从线性代数角度看分解与合成相关推荐
- 一般向量空间的基变换_从希尔伯特空间的角度看线性变换的一般思想和问题
一般线性变换以及傅里叶变换,欧氏变换,仿射变换,余弦变换,小波变换,拉普拉斯变换,Z变换,希尔伯特变换等等这些所谓的变换太多了,这些到底搞得是什么?怎么像云像雾又像风呢?怎么才能彻底理解它们?它们究竟 ...
- matlab求傅里叶级数展开式_傅里叶级数:从向量的角度看函数
帮助你理解线性代数与机器学习紧密结合的核心内容 下文节选自北大出版社<机器学习线性代数基础>, [遇见]已获授权许可. 这本书不同于传统教材, 从新的角度来介绍线性代数的核心知识, 讲解也 ...
- Eigen密集矩阵求解 1 - 线性代数及矩阵分解
简介 这里介绍线性系统的解析,如何进行各种分解计算,如LU,QR,SVD,特征值分解等. 简单线性求解 在一个线性系统,常如下表示,其中A,b分别是一个矩阵,需要求x: Ax=bAx \:= \: b ...
- 学习「线性代数」看哪篇?推荐这篇,超级棒!
0.系列目录 1.向量究竟是什么:https://www.bilibili.com/video/av5987715/?spm_id_from=333.788.reco_list.2 2.线性组合.张成 ...
- java的标量和聚合量_JVM 角度看代码优化
从JVM角度看,有这几种优化手段: 栈上分配: 把对上分配对象空间的行为转化成栈上分配,减少YGC,提供性能 同步省略 同步代码块锁消除 标量替换 为栈上分配提供了基础,和栈上分配时搭配做的 这几个优 ...
- 2021北大软微计算机考研感想——从另一角度看考研
2021北大软微考研感想--从另一角度看考研 其实这篇经验帖的主体内容是我在初试备考期间就已经写好了的,拟录取结果出来后做了一些必要的修改和整理,主要是纠结于什么该说.什么不该说,尽可能地消除一些主观 ...
- 从数字滤波器的角度看音乐的EQ均衡器
从数字滤波器的角度看音乐的EQ均衡器 喜欢听音乐的朋友很多会选择音效到自己喜欢的风格,无论流行.摇滚.舞曲.古典.柔和.爵士.金属.重低音等,其实都是均衡器EQ的不同设置所产生的,当然你也可以自己手工 ...
- 一个函数的自白:从函数的角度看编程的方式
以下内容转载自 https://mp.weixin.qq.com/s?__biz=MzA5MzY4NTQwMA==&mid=2651002566&idx=1&sn=76b652 ...
- XLNet 发明者杨植麟:从学习的角度看NLP现状与未来(附PPT下载)
近年来,基于Transformer的一系列大规模预训练模型不断推进NLP领域前沿,也持续冲击着大众和研究者关于NLP任务的认知.GPT-3在多项任务上取得的泛用能力似乎使人们看到了实现通用人工智能的曙 ...
最新文章
- 测试服务命名和动态注册路由的方式@Xan
- oracle批量插入并且返回自增主键_oracle 自增主键实现批量更新和增加sql
- 挂载WebDav提供的网络存储----Client端
- python中multiple函数_关于多处理:在Python中将多个参数传递给pool.map()函数
- Ogre共享骨骼与两种骨骼驱动方法
- 视觉SLAM十四讲(3):三维空间刚体运动
- 高效率人士的日常习惯
- Python学习笔记14(socket编程)
- 后台模拟页面登陆_模拟炒股软件支付宝同花顺都可以快速体验炒股
- Python的Lock对象和Condition对象对比
- 习题3-6 纵横字谜的答案(Crossword Answers, ACM/ICPC World Finals 1994, UVa232)
- 10.凤凰架构:构建可靠的大型分布式系统 --- 可观测性
- VMware Workstation Pro下载密钥
- 小米手机浏览器部分图片显示异常
- 编程金融小白学 股票期权 lv.2 期权策略
- Excel函数 - Round函数使用方法
- 计算机专业职称入深户,深圳市人才引进入深户新政策
- Suspending console(s) (use no_console_suspend to debug) android4.0 OMAP4460
- 英语基础语法学习(B站英语电力公司)
- 动态网站作业4-JSP中实现数据库的增删改查的操作
热门文章
- 日期类型前后台传递格式控制注解@DateTimeFormat@JsonFormat@JSONField
- linux根据进程的运行路径,停止进程
- python生成白噪声与纯随机检验——Ljung-Box检验
- scrapy导入配置文件setting.py,防止运行时找不到文件
- python使用zip迭代列表
- 嵌入网站的挖矿代码——Monerominer.rocks
- tshark 解析pcap中带TLS协议的数据包
- 使用sshpass借助scp自动输入密码传输一个文件夹下的全部内容
- 静止一秒_生命静止前的那一秒,我们并不是无能为力...
- 京东抢购机器人_戴森、科沃斯、SKG...超多大牌低价秒杀!京东电器等你来