特征值问题编程基础:特征值特征向量的求解和性质
第二十四篇 特征值问题编程基础:特征值特征向量的求解和性质
特征值方程
在分析结构稳定性或振动系统的固有频率时,经常会出现这种情况。我们必须找到一个向量{x},当它与[a]相乘时,得到它自身的标量倍。这个λ倍数称为[A]的“特征值”,我们将看到n阶矩阵有n个这样的λ。从物理上讲,它们可能代表振荡的频率。还有与每个特征值λ相关的n个向量{x}。这些被称为“特征向量”。从物理上讲,它们可能代表振荡的模态振型。下面是一个具体的例子:
重新排列后可以写成下面的形式
这组线性联立方程只有在系数的行列式为零时才可能有非0解
行列式展开得
这叫做“特征多项式”。显然,解特征值方程的一种方法是将其简化为一个n次特征多项式,并使用前一章的方法来求其根。有时这样做,也许作为整个解过程的一部分,但它本身通常不是求解特征值方程的最佳方法。
上面得特征多项式有一个简单得因式分解
所以特征值解为4,1,-8
对于任意矩阵[A],特征多项式都可能产生虚根和实根。所以要把问题限制在具有实数特征值的矩阵上,物理约束通常意味着矩阵是对称的和“正定的”,在这种情况下,所有的特征值都是实数和正数。找到一个特征值后,其相关的特征向量可以通过求解一组线性联立方程来找到。例如,将λ = 1代入方程得到
经过高斯消元得第一个阶段
由上面可以看出,行列式得值为0,方程数比未知数数量少,可见方程组是线性相关的。然而,我们可以从上面的方程第二行和第三行看出,x2与x3的比值是2:1,通过代换方程的第一行,x1与x2的比值是1:1。所以当特征值λ = 1时,任意一个特征向量的比值x1: x2: x3 = 2:2:1。类似的操作也可以用来求两个特征值对应的特征向量。
特征向量的正交化和规范化
特征向量有一个独特的方向,但它们的大小是任意的。两边同时乘以一个任意常数α,得到。
在该修正方程中,α{x}和{x}是数组[A]中对应特征值λ的等效特征向量。两种常用的特征向量正交化方法。对于下面的对称矩阵
具有特征值
对应的特征向量
特征向量正交化的一种简便形式包括缩放长度,或者称为“L2范数”或“欧几里德范数”。因此对于一个特征向量的n个分量,我们像下面这个缩放这个向量
它是累加全部分量的平方和再求跟得到的
因此,对于第一个特征向量,将除以下面这个长度值
对于其他两个特征向量,得到正交特征向量为
对称矩阵的特征向量互相具有“正交性”。也就是说,来自同一个矩阵的任意两个不同特征向量的点积等于零,而特征向量与自身的点积为其长度的平方。因此,将欧几里德范数设为单位1的一个便利的特点是是特征向量点积要么等于零,要么等于单位1。
特征向量正交化的一种简单的替代形式是除以具有最大(绝对)幅度的分量。得到了一个最大分量等于单位1的正交化特征向量。对于之前给出的特征向量,第一个特征向量除以√2,第二个特征向量不变,因第三个特征向量将被-√2整除得到正交化向量。
特征值和特征向量的性质
本部分所描述的数值方法利用了很多矩阵变换对特征值和特征向量影响的定理。下面总结了这些关系中使用较多的一些。
如果一个n × n矩阵[A]具有实数特征值λ1, λ2,···,λn, [I]为单位矩阵,p为标量位移,则
n × n矩阵对角线的和称为“迹”,也等于特征值的和,因此
一个n×n矩阵的特征值的乘积等于这个矩阵的行列式,因此
一个n × n三角形矩阵的对角线是特征值。
给定两个方阵[A]和[B]。
[A][B]和[B][A]将有相同的特征值。
如果{x}是[A][B]的特征向量,则[B]{x}是[B][A]的特征向量。
解释:
然后两边都乘以B得到
给定两个方阵[A]和[P],其中[P]是非0的。
[A]和[P]−1[A][P]具有相同的特征值。
如果{x}是[A]的特征向量,那么[P]−1{x}是[P]−1[A][P]的特征向量。
解释:
通过两边都乘以[P]−1,得到
嵌入矩阵形式[P][P]-1=[I],得到
如果[A]是一个n×n矩阵,其特征值和特征向量为λ1{x1}, λ2{x2},···,λn{xn}。[P]是一个矩阵,其列是[a]的使其欧几里德范数等于单位的特征向量缩放,那么
特征值问题编程基础:特征值特征向量的求解和性质相关推荐
- 矩阵特征分解介绍及雅克比(Jacobi)方法实现特征值和特征向量的求解(C++/OpenCV/Eigen)
对角矩阵(diagonal matrix):只在主对角线上含有非零元素,其它位置都是零,对角线上的元素可以为0或其它值.形式上,矩阵D是对角矩阵,当且仅当对于所有的i≠j, Di,j= 0. 单位矩阵 ...
- 矩阵特征分解(svd)介绍及雅克比(Jacobi)方法实现特征值和特征向量的求解(C++/OpenCV/Eigen)
对角矩阵(diagonal matrix):只在主对角线上含有非零元素,其它位置都是零,对角线上的元素可以为0或其它值.形式上,矩阵D是对角矩阵,当且仅当对于所有的i≠j, Di,j= 0. 单位矩阵 ...
- (2)神经网络编程基础
文章目录 神经网络编程基础 2.1 二分分类 2.2 logistic 回归(logistic Regression) 2.3 logistic 回归损失函数 损失函数 (Loss (Error)Fu ...
- 神经网络的编程基础(转自吴恩达)
第二周:神经网络的编程基础(Basics of Neural Network programming) 文章目录 第二周:神经网络的编程基础(Basics of Neural Network prog ...
- 《吴恩达深度学习》学习笔记002_神经网络的编程基础(Basics of Neural Network programming)
http://www.ai-start.com/dl2017/html/lesson1-week2.html 神经网络的编程基础(Basics of Neural Network programmin ...
- 【R语言编程基础】【课后习题答案】【全】
文章目录 第1章 R语言概述 1.选择题 2.操作题 第2章 数据对象与数据读写 1.选择题 2.操作题 第3章 数据集基本处理 1.选择题 2.操作题 第4章 函数与控制流 1.选择题 2.操作题 ...
- 【机器学习中的数学基础】矩阵特征值、特征向量和特征值分解的几何意义
[机器学习中的数学基础]矩阵特征值.特征向量和特征值分解的几何意义 在<机器学习>西瓜书中的第十章提到了"多维缩放"(简称MDS)方法,该方法是一种经典的的降维方法.此 ...
- 深度学习笔记第一门课第二周:神经网络的编程基础(上)
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
- 常微分方程编程基础(ODE)
第四十五篇 常微分方程编程基础 在工程分析的许多问题中,物理定律是用变量的导数表达的而不是变量本身来表示的,因此需要解决微分方程. 微分方程的解本质上涉及积分,有时可以用解析法得到.例如,最简单的微分 ...
- matlab 祁彬彬,MATLAB 向量化编程基础精讲
<MATLAB 向量化编程基础精讲>使用MATLAB新版本2016a,拣选Mathworks官方群组Cody中一些有趣的代码问题,分6章讲解这些优秀示例代码中使用数组.字符串操作.正则表达 ...
最新文章
- 用 mongodb + elasticsearch 实现中文检索
- java线程状态有哪几种,顺利拿到offer
- Appstate的几种状态及在android 和ios触发
- 工具类软件操作手册_全套广联达软件学习资料合集:教程+实例讲解+操作手册,一文搞定...
- SAP Spartacus 404 Not found页面的显示机制 - canActivateNotFoundPage
- 机器学习的练功方式(六)——朴素贝叶斯
- mysql5.6.4m7 linux安装_mysql-5.6.4-m7installinlinux
- pyinstaller打包流程
- 全局变量,静态局部变量,局部变量空间的堆分配和栈分配问题
- 数字电路基本概念 —— fan-in/fan-out
- python的整数类型_Python 标准数据类型:Bytes
- 湖南中医药高等专科学校计算机试题,湖南中医药高等专科学校2020年单招文化基础考试考纲...
- 看《紫川》小说的思考
- linux添加虚拟主机
- ros:游戏手柄控制海龟
- 纪念海子离去20周年
- chrome源代码目录结构简介(版本4.1.249.1059)
- 修改个人资料和头像的协议数据包
- nodeJS中ajax技术
- 数字化工厂正在塑造制造业未来