线性代数及矩阵论(八)
线性代数原文 MIT 18.06 线性代数笔记
矩阵论笔记来自 工程矩阵理论
综合线性代数 机器学习的数学基础
配合视频 线性代数 工程矩阵理论
文章目录
- 第二十五讲:复习二
- 第二十六讲、对称矩阵及正定性
- 1.对称矩阵
- 2.合同关系
- 3.二次型,标准形和规范形
- 4.正定性
- 第二十七讲:复数矩阵和快速傅里叶变换
- 1.复数矩阵运算
- 1.1.计算复向量的模
- 1.2.计算向量的内积
- 1.3.对称性
- 1.4.正交性
- 2.傅里叶矩阵
- 3.快速傅里叶变换(Fast Fourier transform/FFT)
- 第二十八讲、正定矩阵和最小值
- 1.正定性的判断
第二十五讲:复习二
- 我们学习了正交性,有矩阵Q=[q1q2⋯qn]Q=\Bigg[q_1\ q_2\ \cdots\ q_n\Bigg]Q=[q1 q2 ⋯ qn],若其列向量相互正交,则该矩阵满足QTQ=EQ^TQ=EQTQ=E。
- 进一步研究投影,我们了解了Gram-Schmidt正交化法,核心思想是求法向量,即从原向量中减去投影向量E=b−P,P=Ax=ATbATA⋅AE=b-P, P=Ax=\frac{A^Tb}{A^TA}\cdot AE=b−P,P=Ax=ATAATb⋅A。
- 接着学习了行列式,根据行列式的前三条性质,我们拓展出了性质4-10。
- 我们继续推导出了一个利用代数余子式求行列式的公式。
- 又利用代数余子式推导出了一个求逆矩阵的公式。
- 接下来我们学习了特征值与特征向量的意义:Ax=λxAx=\lambda xAx=λx,进而了解了通过∣(A−λE)∣=0|(A-\lambda E)|=0∣(A−λE)∣=0求特征值、特征向量的方法。
- 有了特征值与特征向量,我们掌握了通过公式AS=SΛAS=S\LambdaAS=SΛ对角化矩阵,同时掌握了求矩阵的幂Ak=SΛkS−1A^k=S\Lambda^kS^{-1}Ak=SΛkS−1。
微分方程不在本讲的范围内。下面通过往年例题复习上面的知识。
求a=[212]a=\begin{bmatrix}2\\1\\2\end{bmatrix}a=⎣⎡212⎦⎤的投影矩阵PPP:(\Bigg((由a⊥(b−p)→AT(b−Ax^)=0a\bot(b-p)\rightarrow A^T(b-A\hat x)=0a⊥(b−p)→AT(b−Ax^)=0得到x^=(ATA)−1ATb\hat x=\left(A^TA\right)^{-1}A^Tbx^=(ATA)−1ATb,求得p=Ax^=A(ATA)−1ATb=Pbp=A\hat x=A\left(A^TA\right)^{-1}A^Tb=Pbp=Ax^=A(ATA)−1ATb=Pb最终得到P)P\Bigg)P)P=A(ATA)−1AT‾=aaaTaTa=19[424212424]\underline{P=A\left(A^TA\right)^{-1}A^T}\stackrel{a}=\frac{aa^T}{a^Ta}=\frac{1}{9}\begin{bmatrix}4&2&4\\2&1&2\\4&2&4\end{bmatrix}P=A(ATA)−1AT=aaTaaaT=91⎣⎡424212424⎦⎤。
求PPP矩阵的特征值:观察矩阵易知矩阵奇异,且为秩一矩阵,则其零空间为222维,所以由Px=0xPx=0xPx=0x得出矩阵的两个特征向量为λ1=λ2=0\lambda_1=\lambda_2=0λ1=λ2=0;而从矩阵的迹得知trace(P)=1=λ1+λ2+λ3=0+0+1trace(P)=1=\lambda_1+\lambda_2+\lambda_3=0+0+1trace(P)=1=λ1+λ2+λ3=0+0+1,则第三个特征向量为λ3=1\lambda_3=1λ3=1。
求λ3=1\lambda_3=1λ3=1的特征向量:由Px=xPx=xPx=x我们知道经其意义为,xxx过矩阵PPP变换后不变,又有PPP是向量aaa的投影矩阵,所以任何向量经过PPP变换都会落在aaa的列空间中,则只有已经在aaa的列空间中的向量经过PPP的变换后保持不变,即其特征向量为x=a=[212]x=a=\begin{bmatrix}2\\1\\2\end{bmatrix}x=a=⎣⎡212⎦⎤,也就是Pa=aPa=aPa=a。
有差分方程uk+1=Puk,u0=[990]u_{k+1}=Pu_k,\ u_0=\begin{bmatrix}9\\9\\0\end{bmatrix}uk+1=Puk, u0=⎣⎡990⎦⎤,求解uku_kuk:我们先不急于解出特征值、特征向量,因为矩阵很特殊(投影矩阵)。首先观察u1=Pu0u_1=Pu_0u1=Pu0,式子相当于将u0u_0u0投影在了aaa的列空间中,计算得u1=aaTu0aTa=3a=[636]u_1=a\frac{a^Tu_0}{a^Ta}=3a=\begin{bmatrix}6\\3\\6\end{bmatrix}u1=aaTaaTu0=3a=⎣⎡636⎦⎤(这里的333相当于做投影时的系数x^\hat xx^),其意义为u1u_1u1在aaa上且距离u0u_0u0最近。再来看看u2=Pu1u_2=Pu_1u2=Pu1,这个式子将u1u_1u1再次投影到aaa的列空间中,但是此时的u1u_1u1已经在该列空间中了,再次投影仍不变,所以有uk=Pku0=Pu0=[636]u_k=P^ku_0=Pu_0=\begin{bmatrix}6\\3\\6\end{bmatrix}uk=Pku0=Pu0=⎣⎡636⎦⎤。
上面的解法利用了投影矩阵的特殊性质,如果在一般情况下,我们需要使用AS=SΛ→A=SΛS−1→uk+1=Auk=Ak+1u0,u0=Sc→uk+1=SΛk+1S−1Sc=SΛk+1cAS=S\Lambda\rightarrow A=S\Lambda S^{-1} \rightarrow u_{k+1}=Au_k=A^{k+1}u_0, u_0=Sc\rightarrow u_{k+1}=S\Lambda^{k+1}S^{-1}Sc=S\Lambda^{k+1}cAS=SΛ→A=SΛS−1→uk+1=Auk=Ak+1u0,u0=Sc→uk+1=SΛk+1S−1Sc=SΛk+1c,最终得到公式Aku0=c1λ1kx1+c2λ2kx2+⋯+cnλnkxnA^ku_0=c_1\lambda_1^kx_1+c_2\lambda_2^kx_2+\cdots+c_n\lambda_n^kx_nAku0=c1λ1kx1+c2λ2kx2+⋯+cnλnkxn。题中PPP的特殊性在于它的两个“零特征值”及一个“一特征值”使得式子变为Aku0=c3x3A^ku_0=c_3x_3Aku0=c3x3,所以得到了上面结构特殊的解。
将点(1,4),(2,5),(3,8)(1,4),\ (2,5),\ (3,8)(1,4), (2,5), (3,8)拟合到一条过零点的直线上:设直线为y=Dty=Dty=Dt,写成矩阵形式为[123]D=[458]\begin{bmatrix}1\\2\\3\end{bmatrix}D=\begin{bmatrix}4\\5\\8\end{bmatrix}⎣⎡123⎦⎤D=⎣⎡458⎦⎤,即AD=bAD=bAD=b,很明显DDD不存在。利用公式ATAD^=ATbA^TA\hat D=A^TbATAD^=ATb得到14D=38,D^=381414D=38,\ \hat D=\frac{38}{14}14D=38, D^=1438,即最佳直线为y=3814ty=\frac{38}{14}ty=1438t。这个近似的意义是将bbb投影在了AAA的列空间中。
求a1=[123]a2=[111]a_1=\begin{bmatrix}1\\2\\3\end{bmatrix}\ a_2=\begin{bmatrix}1\\1\\1\end{bmatrix}a1=⎣⎡123⎦⎤ a2=⎣⎡111⎦⎤的正交向量:找到平面A=[a1,a2]A=\Bigg[a_1,a_2\Bigg]A=[a1,a2]的正交基,使用Gram-Schmidt法,以a1a_1a1为基准,正交化a2a_2a2,也就是将a2a_2a2中平行于a1a_1a1的分量去除,即a2−xa1=a2−a1Ta2a1Ta1a1=[111]−614[123]a_2-xa_1=a_2-\frac{a_1^Ta_2}{a_1^Ta_1}a_1=\begin{bmatrix}1\\1\\1\end{bmatrix}-\frac{6}{14}\begin{bmatrix}1\\2\\3\end{bmatrix}a2−xa1=a2−a1Ta1a1Ta2a1=⎣⎡111⎦⎤−146⎣⎡123⎦⎤
有4×44\times 44×4矩阵AAA,其特征值为λ1,λ2,λ3,λ4\lambda_1,\lambda_2,\lambda_3,\lambda_4λ1,λ2,λ3,λ4,则矩阵可逆的条件是什么:矩阵可逆,则零空间中只有零向量,即Ax=0xAx=0xAx=0x没有非零解,则零不是矩阵的特征值。
∣A∣−1|A|^{-1}∣A∣−1是什么:∣A∣−1=1∣A∣|A|^{-1}=\frac{1}{|A|}∣A∣−1=∣A∣1,而∣A∣=λ1λ2λ3λ4|A|=\lambda_1\lambda_2\lambda_3\lambda_4∣A∣=λ1λ2λ3λ4,所以有∣A∣−1=1λ1λ2λ3λ4|A|^{-1}=\frac{1}{\lambda_1\lambda_2\lambda_3\lambda_4}∣A∣−1=λ1λ2λ3λ41。
trace(A+E)trace(A+E)trace(A+E)的迹是什么:我们知道trace(A)=a11+a22+a33+a44=λ1+λ2+λ3+λ4trace(A)=a_{11}+a_{22}+a_{33}+a_{44}=\lambda_1+\lambda_2+\lambda_3+\lambda_4trace(A)=a11+a22+a33+a44=λ1+λ2+λ3+λ4,所以有trace(A+E)=a11+1+a22+1+a33+1+a44+1=λ1+λ2+λ3+λ4+4trace(A+E)=a_{11}+1+a_{22}+1+a_{33}+1+a_{44}+1=\lambda_1+\lambda_2+\lambda_3+\lambda_4+4trace(A+E)=a11+1+a22+1+a33+1+a44+1=λ1+λ2+λ3+λ4+4。
有矩阵A4=[1100111001110011]A_4=\begin{bmatrix}1&1&0&0\\1&1&1&0\\0&1&1&1\\0&0&1&1\end{bmatrix}A4=⎣⎢⎢⎡1100111001110011⎦⎥⎥⎤,求Dn=?Dn−1+?Dn−2D_n=?D_{n-1}+?D_{n-2}Dn=?Dn−1+?Dn−2:求递归式的系数,使用代数余子式将矩阵按第一行展开得∣A∣4=1⋅∣110111011∣−1⋅∣110011011∣=1⋅∣110111011∣−1⋅∣1111∣=∣A∣3−∣A∣2|A|_4=1\cdot\begin{vmatrix}1&1&0\\1&1&1\\0&1&1\end{vmatrix}-1\cdot\begin{vmatrix}1&1&0\\0&1&1\\0&1&1\end{vmatrix}=1\cdot\begin{vmatrix}1&1&0\\1&1&1\\0&1&1\end{vmatrix}-1\cdot\begin{vmatrix}1&1\\1&1\end{vmatrix}=|A|_3-|A|_2∣A∣4=1⋅∣∣∣∣∣∣110111011∣∣∣∣∣∣−1⋅∣∣∣∣∣∣100111011∣∣∣∣∣∣=1⋅∣∣∣∣∣∣110111011∣∣∣∣∣∣−1⋅∣∣∣∣1111∣∣∣∣=∣A∣3−∣A∣2。则可以看出有规律Dn=Dn−1−Dn−2,D1=1,D2=0D_n=D_{n-1}-D_{n-2}, D_1=1, D_2=0Dn=Dn−1−Dn−2,D1=1,D2=0。
使用我们在差分方程中的知识构建方程组{Dn=Dn−1−Dn−2Dn−1=Dn−1\begin{cases}D_n&=D_{n-1}-D_{n-2}\\D_{n-1}&=D_{n-1}\end{cases}{DnDn−1=Dn−1−Dn−2=Dn−1,用矩阵表达有[DnDn−1]=[1−110][Dn−1Dn−2]\begin{bmatrix}D_n\\D_{n-1}\end{bmatrix}=\begin{bmatrix}1&-1\\1&0\end{bmatrix}\begin{bmatrix}D_{n-1}\\D_{n-2}\end{bmatrix}[DnDn−1]=[11−10][Dn−1Dn−2]。计算系数矩阵AcA_cAc的特征值,∣1−λ11−λ∣=λ2−λ+1=0\begin{vmatrix}1-\lambda&1\\1&-\lambda\end{vmatrix}=\lambda^2-\lambda+1=0∣∣∣∣1−λ11−λ∣∣∣∣=λ2−λ+1=0,解得λ1=1+3i2,λ2=1−3i2\lambda_1=\frac{1+\sqrt{3}i}{2},\lambda_2=\frac{1-\sqrt{3}i}{2}λ1=21+3i,λ2=21−3i,特征值为一对共轭复数。
要判断递归式是否收敛,需要计算特征值的模,即实部平方与虚部平方之和14+34=1\frac{1}{4}+\frac{3}{4}=141+43=1。它们是位于单位圆eiθe^{i\theta}eiθ上的点,即cosθ+isinθ\cos\theta+i\sin\thetacosθ+isinθ,从本例中可以计算出θ=60∘\theta=60^\circθ=60∘,也就是可以将特征值写作λ1=eiπ/3,λ2=e−iπ/3\lambda_1=e^{i\pi/3},\lambda_2=e^{-i\pi/3}λ1=eiπ/3,λ2=e−iπ/3。注意,从复平面单位圆上可以看出,这些特征值的六次方将等于一:e2πi=e2πi=1e^{2\pi i}=e^{2\pi i}=1e2πi=e2πi=1。继续深入观察这一特性对矩阵的影响,λ16=λ6=1\lambda_1^6=\lambda^6=1λ16=λ6=1,则对系数矩阵有Ac6=IA_c^6=IAc6=I。则系数矩阵AcA_cAc服从周期变化,既不发散也不收敛。
有这样一类矩阵A4=[0100102002030030]A_4=\begin{bmatrix}0&1&0&0\\1&0&2&0\\0&2&0&3\\0&0&3&0\end{bmatrix}A4=⎣⎢⎢⎡0100102002030030⎦⎥⎥⎤,求投影到A3A_3A3列空间的投影矩阵:有A3=[010102020]A_3=\begin{bmatrix}0&1&0\\1&0&2\\0&2&0\end{bmatrix}A3=⎣⎡010102020⎦⎤,按照通常的方法求P=A(ATA)ATP=A\left(A^TA\right)A^TP=A(ATA)AT即可,但是这样很麻烦。我们可以考察这个矩阵是否可逆,因为如果可逆的话,R4\mathbb{R}^4R4空间中的任何向量都会位于A4A_4A4的列空间,其投影不变,则投影矩阵为单位矩阵EEE。所以按行展开求行列式∣A∣4=−1⋅−1⋅−3⋅−3=9|A|_4=-1\cdot-1\cdot-3\cdot-3=9∣A∣4=−1⋅−1⋅−3⋅−3=9,所以矩阵可逆,则P=EP=EP=E。
求A3A_3A3的特征值及特征向量:∣A3−λE∣=∣−λ101−λ202−λ∣=−λ3+5λ=0\left|A_3-\lambda E\right|=\begin{vmatrix}-\lambda&1&0\\1&-\lambda&2\\0&2&-\lambda\end{vmatrix}=-\lambda^3+5\lambda=0∣A3−λE∣=∣∣∣∣∣∣−λ101−λ202−λ∣∣∣∣∣∣=−λ3+5λ=0,解得λ1=0,λ2=5,λ3=−5\lambda_1=0,\lambda_2=\sqrt 5,\lambda_3=-\sqrt 5λ1=0,λ2=5,λ3=−5。
我们可以猜测这一类矩阵的规律:奇数阶奇异,偶数阶可逆
第二十六讲、对称矩阵及正定性
1.对称矩阵
前面我们学习了矩阵的特征值与特征向量,也了解了一些特殊的矩阵及其特征值、特征向量,特殊矩阵的特殊性应该会反映在其特征值、特征向量中。如马尔科夫矩阵,有一特征值为111,本讲介绍(实)对称矩阵。
先提前介绍两个对称矩阵的特性:
- R(ATA)=R(A)R(A^TA)=R(A)R(ATA)=R(A)
- 特征值为实数;(对比第二十一讲介绍的旋转矩阵,其特征值为纯虚数。)
- 特征向量相互正交。(当特征值重复时,特征向量也可以从子空间中选出相互正交正交的向量。)
典型的状况是,特征值不重复,特征向量相互正交。
- 那么在通常(可对角化)情况下,一个矩阵可以化为:A=SΛS−1A=S\varLambda S^{-1}A=SΛS−1;
- 在矩阵对称的情况下,通过性质3可知,由特征向量组成的矩阵SSS中的列向量是相互正交的,此时如果我们把特征向量的长度统一化为111,就可以得到一组标准正交的特征向量。则对于对称矩阵有A=QΛQ−1A=Q\varLambda Q^{-1}A=QΛQ−1,而对于标准正交矩阵,有Q−1=QTQ^{-1}=Q^TQ−1=QT,所以对称矩阵可以写为A=QΛQT(1)A=Q\varLambda Q^T\tag{1}A=QΛQT(1)
观察它,我们发现这个分解本身就代表着对称,(QΛQT)T=(QT)TΛTQT=QΛQT\left(Q\varLambda Q^T\right)^T=\left(Q^T\right)^T\varLambda^TQ^T=Q\varLambda Q^T(QΛQT)T=(QT)TΛTQT=QΛQT。此式在数学上叫做谱定理(spectral theorem),谱就是指矩阵特征值的集合。(该名称来自光谱,指一些纯事物的集合,就像将特征值分解成为特征值与特征向量。)在力学上称之为主轴定理(principle axis theorem),从几何上看,它意味着如果给定某种材料,在合适的轴上来看,它就变成对角化的,方向就不会重复。
现在我们来证明性质1。对于矩阵Ax=λx‾\underline{Ax=\lambda x}Ax=λx,对于其共轭部分总有Aˉxˉ=λˉxˉ\bar A\bar x=\bar\lambda \bar xAˉxˉ=λˉxˉ,根据前提条件我们只讨论实矩阵,则有Axˉ=λˉxˉA\bar x=\bar\lambda \bar xAxˉ=λˉxˉ,将等式两边取转置有xˉTA=xˉTλˉ‾\overline{\bar{x}^TA=\bar{x}^T\bar\lambda}xˉTA=xˉTλˉ。将“下划线”式两边左乘xˉT\bar{x}^TxˉT有xˉTAx=xˉTλx\bar{x}^TAx=\bar{x}^T\lambda xxˉTAx=xˉTλx,“上划线”式两边右乘xxx有xˉTAx=xˉTλˉx\bar{x}^TAx=\bar{x}^T\bar\lambda xxˉTAx=xˉTλˉx,观察发现这两个式子左边是一样的,所以xˉTλx=xˉTλˉx\bar{x}^T\lambda x=\bar{x}^T\bar\lambda xxˉTλx=xˉTλˉx,则有λ=λˉ\lambda=\bar{\lambda}λ=λˉ(这里有个条件,xˉTx≠0\bar{x}^Tx\neq 0xˉTx=0),证毕。
观察这个前提条件,xˉTx=[xˉ1xˉ2⋯xˉn][x1x2⋮xn]=xˉ1x1+xˉ2x2+⋯+xˉnxn\bar{x}^Tx=\begin{bmatrix}\bar x_1&\bar x_2&\cdots&\bar x_n\end{bmatrix}\begin{bmatrix}x_1\\x_2\\\vdots\\x_n\end{bmatrix}=\bar x_1x_1+\bar x_2x_2+\cdots+\bar x_nx_nxˉTx=[xˉ1xˉ2⋯xˉn]⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤=xˉ1x1+xˉ2x2+⋯+xˉnxn,设x1=a+ib,xˉ1=a−ibx_1=a+ib, \bar x_1=a-ibx1=a+ib,xˉ1=a−ib则xˉ1x1=a2+b2\bar x_1x_1=a^2+b^2xˉ1x1=a2+b2,所以有xˉTx>0\bar{x}^Tx>0xˉTx>0。而xˉTx\bar{x}^TxxˉTx就是xxx长度的平方。
拓展这个性质,当AAA为复矩阵,根据上面的推导,则矩阵必须满足A=AˉTA=\bar{A}^TA=AˉT时,才有性质1、性质2成立(教授称具有这种特征值为实数、特征向量相互正交的矩阵为“好矩阵”)。
继续研究A=QΛQT=[q1q2⋯qn][λ1⋯λ2⋯⋮⋮⋱⋮⋯λn][q1Tq1T⋮q1T]=λ1q1q1T+λ2q2q2T+⋯+λnqnqnTA=Q\varLambda Q^T=\Bigg[q_1\ q_2\ \cdots\ q_n\Bigg]\begin{bmatrix}\lambda_1& &\cdots& \\&\lambda_2&\cdots&\\\vdots&\vdots&\ddots&\vdots\\& &\cdots&\lambda_n\end{bmatrix}\begin{bmatrix}\quad q_1^T\quad\\\quad q_1^T\quad\\\quad \vdots \quad\\\quad q_1^T\quad\end{bmatrix}=\lambda_1q_1q_1^T+\lambda_2q_2q_2^T+\cdots+\lambda_nq_nq_n^TA=QΛQT=[q1 q2 ⋯ qn]⎣⎢⎢⎢⎡λ1⋮λ2⋮⋯⋯⋱⋯⋮λn⎦⎥⎥⎥⎤⎣⎢⎢⎢⎡q1Tq1T⋮q1T⎦⎥⎥⎥⎤=λ1q1q1T+λ2q2q2T+⋯+λnqnqnT,注意这个展开式中的qqTqq^TqqT,qqq是单位列向量所以qTq=1q^Tq=1qTq=1,结合我们在第十五讲所学的投影矩阵的知识有qqTqTq=qqT\frac{qq^T}{q^Tq}=qq^TqTqqqT=qqT是一个投影矩阵,很容易验证其性质,比如平方它会得到qqTqqT=qqTqq^Tqq^T=qq^TqqTqqT=qqT于是多次投影不变等。
每一个对称矩阵都可以分解为一系列相互正交的投影矩阵。
在知道对称矩阵的特征值皆为实数后,我们再来讨论这些实数的符号,因为特征值的正负号会影响微分方程的收敛情况(第二十三讲,需要实部为负的特征值保证收敛)。用消元法取得矩阵的主元,观察主元的符号,主元符号的正负数量与特征向量的正负数量相同。
- 若AAA为实对称矩阵,且A2=0A^2=0A2=0,那么A=0A=0A=0
2.合同关系
- 矩阵的等价,相似,合同
- 矩阵的合同
3.二次型,标准形和规范形
理解二次型
关于二次型的意义
对称矩阵的特征值矩阵可以用于将二次型化为标准型(正交变换法)
需要注意,二次型的标准形不唯一(但规范形是唯一的),但不同标准形中所含项数是相同的(即二次型的秩),而且标准形中正项个数(或负项个数)也是相同的,即惯性定理。
4.正定性
- 正定二次型
如果对称矩阵是“好矩阵”,则正定矩阵(positive definite)是其一个更好的子类:正定矩阵指特征值均为正数的对称矩阵(根据上面的性质有矩阵的主元均为正)。
举个例子,[5223]\begin{bmatrix}5&2\\2&3\end{bmatrix}[5223],由行列式消元知其主元为5,1155,\frac{11}{5}5,511,按一般的方法求特征值有∣5−λ223−λ∣=λ2−8λ+11=0,λ=4±5\begin{vmatrix}5-\lambda&2\\2&3-\lambda\end{vmatrix}=\lambda^2-8\lambda+11=0, \lambda=4\pm\sqrt 5∣∣∣∣5−λ223−λ∣∣∣∣=λ2−8λ+11=0,λ=4±5
正定矩阵的另一个性质是,所有子行列式为正。对上面的例子有∣5∣=5,∣5223∣=11\begin{vmatrix}5\end{vmatrix}=5, \begin{vmatrix}5&2\\2&3\end{vmatrix}=11∣∣5∣∣=5,∣∣∣∣5223∣∣∣∣=11。
我们看到正定矩阵将早期学习的的消元主元、中期学习的的行列式、后期学习的特征值结合在了一起。
一些结论:
- 对于正定矩阵AAA,∣A+E∣>1|A+E|>1∣A+E∣>1
- 当m×nm \times nm×n的二次型矩阵AAA的正惯性系数为nnn时,矩阵正定
- 对称矩阵AAA为正定矩阵的充要条件是AAA和单位矩阵EEE合同(化为规范形后对角线全为111)
第二十七讲:复数矩阵和快速傅里叶变换
本讲主要介绍复数向量、复数矩阵的相关知识(包括如何做复数向量的点积运算、什么是复数对称矩阵等),以及傅里叶矩阵(最重要的复数矩阵)和快速傅里叶变换。
1.复数矩阵运算
先介绍复数向量,我们不妨换一个字母符号来表示:z=[z1z2⋮zn]z=\begin{bmatrix}z_1\\z_2\\\vdots\\z_n\end{bmatrix}z=⎣⎢⎢⎢⎡z1z2⋮zn⎦⎥⎥⎥⎤,向量的每一个分量都是复数。此时zzz不再属于Rn\mathbb{R}^nRn实向量空间,它现在处于Cn\mathbb{C}^nCn复向量空间。
复数域中,与正交矩阵对应的是酉矩阵,与对称矩阵对应的是Hermit矩阵(H矩阵),它们的性质基本相似,只需要把转置ATA^TAT替换为共轭转置AH=AA^H=AAH=A,而正规阵指在复数域中符合AHA=AAHA^HA=AA^HAHA=AAH的矩阵,CCC是正规阵和C=PHΛPC=P^H\Lambda PC=PHΛP等价,其中PPP是酉矩阵
1.1.计算复向量的模
对比实向量,我们计算模只需要计算∣v∣=vTv\left|v\right|=\sqrt{v^Tv}∣v∣=vTv即可,而如果对复向量使用zTzz^TzzTz则有zTz=[z1z2⋯zn][z1z2⋮zn]=z12+z22+⋯+zn2z^Tz=\begin{bmatrix}z_1&z_2&\cdots&z_n\end{bmatrix}\begin{bmatrix}z_1\\z_2\\\vdots\\z_n\end{bmatrix}=z_1^2+z_2^2+\cdots+z_n^2zTz=[z1z2⋯zn]⎣⎢⎢⎢⎡z1z2⋮zn⎦⎥⎥⎥⎤=z12+z22+⋯+zn2,这里ziz_izi是复数,平方后虚部为负,求模时本应相加的运算变成了减法。(如向量[1i]\begin{bmatrix}1&i\end{bmatrix}[1i],右乘其转置后结果为000,但此向量的长度显然不是零。)
根据上一讲我们知道,应使用∣z∣=zˉTz\left|z\right|=\sqrt{\bar{z}^Tz}∣z∣=zˉTz,即[zˉ1zˉ2⋯zˉn][z1z2⋮zn]\begin{bmatrix}\bar z_1&\bar z_2&\cdots&\bar z_n\end{bmatrix}\begin{bmatrix}z_1\\z_2\\\vdots\\z_n\end{bmatrix}[zˉ1zˉ2⋯zˉn]⎣⎢⎢⎢⎡z1z2⋮zn⎦⎥⎥⎥⎤,即使用向量共轭的转置乘以原向量即可。(如向量[1i]\begin{bmatrix}1&i\end{bmatrix}[1i],右乘其共轭转置后结果为[1−i][1i]=2\begin{bmatrix}1&-i\end{bmatrix}\begin{bmatrix}1\\i\end{bmatrix}=2[1−i][1i]=2。)
我们把共轭转置乘以原向量记为zHzz^HzzHz,HHH读作埃尔米特(人名为Hermite,形容词为Hermitian)
1.2.计算向量的内积
有了复向量模的计算公式,同理可得,对于复向量,内积不再是实向量的yTxy^TxyTx形式,复向量内积应为yHxy^HxyHx。
1.3.对称性
对于实矩阵,AT=AA^T=AAT=A即可表达矩阵的对称性。而对于复矩阵,我们同样需要求一次共轭AˉT=A\bar{A}^T=AAˉT=A。举个例子[23+i3−i5]\begin{bmatrix}2&3+i\\3-i&5\end{bmatrix}[23−i3+i5]是一个复数情况下的对称矩阵。这叫做埃尔米特矩阵,有性质AH=AA^H=AAH=A。
1.4.正交性
在第十七讲中,我们这样定义标准正交向量:qiTqj={0i≠j1i=jq_i^Tq_j=\begin{cases}0\quad i\neq j\\1\quad i=j\end{cases}qiTqj={0i=j1i=j。现在,对于复向量我们需要求共轭:qˉiTqj=qiHqj={0i≠j1i=j\bar{q}_i^Tq_j=q_i^Hq_j=\begin{cases}0\quad i\neq j\\1\quad i=j\end{cases}qˉiTqj=qiHqj={0i=j1i=j。
第十七讲中的标准正交矩阵:Q=[q1q2⋯qn]Q=\Bigg[q_1\ q_2\ \cdots\ q_n\Bigg]Q=[q1 q2 ⋯ qn]有QTQ=EQ^TQ=EQTQ=E。现在对于复矩阵则有QHQ=EQ^HQ=EQHQ=E。
就像人们给共轭转置起了个“埃尔米特”这个名字一样,正交性(orthogonal)在复数情况下也有了新名字,酉(unitary),酉矩阵(unitary matrix)与正交矩阵类似,满足QHQ=EQ^HQ=EQHQ=E的性质。而前面提到的傅里叶矩阵就是一个酉矩阵。
2.傅里叶矩阵
nnn阶傅里叶矩阵Fn=[111⋯11ww2⋯wn−11w2w4⋯w2(n−1)⋮⋮⋮⋱⋮1wn−1w2(n−1)⋯w(n−1)2]F_n=\begin{bmatrix}1&1&1&\cdots&1\\1&w&w^2&\cdots&w^{n-1}\\1&w^2&w^4&\cdots&w^{2(n-1)}\\\vdots&\vdots&\vdots&\ddots&\vdots\\1&w^{n-1}&w^{2(n-1)}&\cdots&w^{(n-1)^2}\end{bmatrix}Fn=⎣⎢⎢⎢⎢⎢⎡111⋮11ww2⋮wn−11w2w4⋮w2(n−1)⋯⋯⋯⋱⋯1wn−1w2(n−1)⋮w(n−1)2⎦⎥⎥⎥⎥⎥⎤,对于每一个元素有(Fn)ij=wiji,j=0,1,2,⋯,n−1(F_n)_{ij}=w^{ij}\quad i,j=0,1,2,\cdots,n-1(Fn)ij=wiji,j=0,1,2,⋯,n−1。矩阵中的www是一个非常特殊的值,满足wn=1w^n=1wn=1,其公式为w=ei2π/nw=e^{i2\pi/n}w=ei2π/n。易知www在复平面的单位圆上,w=cos2πn+isin2πnw=\cos\frac{2\pi}{n}+i\sin\frac{2\pi}{n}w=cosn2π+isinn2π。
在傅里叶矩阵中,当我们计算www的幂时,www在单位圆上的角度翻倍。比如在666阶情形下,w=e2π/6w=e^{2\pi/6}w=e2π/6,即位于单位圆上60∘60^\circ60∘角处,其平方位于单位圆上120∘120^\circ120∘角处,而w6w^6w6位于111处。从开方的角度看,它们是111的666个六次方根,而一次的www称为原根。
我们现在来看444阶傅里叶矩阵,先计算www有w=i,w2=−1,w3=−i,w4=1w=i,\ w^2=-1,\ w^3=-i,\ w^4=1w=i, w2=−1, w3=−i, w4=1,F4=[11111ii2i31i2i4i61i3i6i9]=[11111i−1−i1−11−11−i−1i]F_4=\begin{bmatrix}1&1&1&1\\1&i&i^2&i^3\\1&i^2&i^4&i^6\\1&i^3&i^6&i^9\end{bmatrix}=\begin{bmatrix}1&1&1&1\\1&i&-1&-i\\1&-1&1&-1\\1&-i&-1&i\end{bmatrix}F4=⎣⎢⎢⎡11111ii2i31i2i4i61i3i6i9⎦⎥⎥⎤=⎣⎢⎢⎡11111i−1−i1−11−11−i−1i⎦⎥⎥⎤。
矩阵的四个列向量正交,我们验证一下第二列和第四列,c2ˉTc4=1−0+1−0=0\bar{c_2}^Tc_4=1-0+1-0=0c2ˉTc4=1−0+1−0=0,正交。不过我们应该注意到,F4F_4F4的列向量并不是标准的,我们可以给矩阵乘上系数12\frac{1}{2}21(除以列向量的长度)得到标准正交矩阵F4=12[11111i−1−i1−11−11−i−1i]F_4=\frac{1}{2}\begin{bmatrix}1&1&1&1\\1&i&-1&-i\\1&-1&1&-1\\1&-i&-1&i\end{bmatrix}F4=21⎣⎢⎢⎡11111i−1−i1−11−11−i−1i⎦⎥⎥⎤。此时有F4HF4=IF_4^HF_4=IF4HF4=I,于是该矩阵的逆矩阵也就是其共轭转置F4HF_4^HF4H。
3.快速傅里叶变换(Fast Fourier transform/FFT)
对于傅里叶矩阵,F6,F3F_6,\ F_3F6, F3、F8,F4F_8,\ F_4F8, F4、F64,F32F_{64},\ F_{32}F64, F32之间有着特殊的关系。
举例,有傅里叶矩阵F64F_64F64,一般情况下,用一个列向量右乘F64F_{64}F64需要约64264^2642次计算,显然这个计算量是比较大的。我们想要减少计算量,于是想要分解F64F_{64}F64,联系到F32F_{32}F32,有[F64]=[EDI−D][F3200F32][1⋯0⋯0⋯1⋯1⋯0⋯0⋯1⋯⋱⋱⋱⋱⋯1⋯0⋯0⋯1]\Bigg[F_{64}\Bigg]=\begin{bmatrix}E&D\\I&-D\end{bmatrix}\begin{bmatrix}F_{32}&0\\0&F_{32}\end{bmatrix}\begin{bmatrix}1&&\cdots&&&0&&\cdots&&\\0&&\cdots&&&1&&\cdots&&\\&1&\cdots&&&&0&\cdots&&\\&0&\cdots&&&&1&\cdots&&\\&&&\ddots&&&&&\ddots&&\\&&&\ddots&&&&&\ddots&&\\&&&\cdots&1&&&&\cdots&0\\&&&\cdots&0&&&&\cdots&1\end{bmatrix}[F64]=[EID−D][F3200F32]⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎡1010⋯⋯⋯⋯⋱⋱⋯⋯100101⋯⋯⋯⋯⋱⋱⋯⋯01⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤。
我们分开来看等式右侧的这三个矩阵:
第一个矩阵由单位矩阵EEE和对角矩阵D=[1ww2⋱w31]D=\begin{bmatrix}1&&&&\\&w&&&\\&&w^2&&\\&&&\ddots&\\&&&&w^{31}\end{bmatrix}D=⎣⎢⎢⎢⎢⎡1ww2⋱w31⎦⎥⎥⎥⎥⎤组成,我们称这个矩阵为修正矩阵,显然其计算量来自DDD矩阵,对角矩阵的计算量约为323232即这个修正矩阵的计算量约为323232,单位矩阵的计算量忽略不计。
第二个矩阵是两个F32F_{32}F32与零矩阵组成的,计算量约为2×3222\times 32^22×322。
第三个矩阵通常记为PPP矩阵,这是一个置换矩阵,其作用是讲前一个矩阵中的奇数列提到偶数列之前,将前一个矩阵从[x0x1⋯]\Bigg[x_0\ x_1\ \cdots\Bigg][x0 x1 ⋯]变为[x0x2⋯x1x3⋯]\Bigg[x_0\ x_2\ \cdots\ x_1\ x_3\ \cdots\Bigg][x0 x2 ⋯ x1 x3 ⋯],这个置换矩阵的计算量也可以忽略不计。(这里教授似乎在黑板上写错了矩阵,可以参考FFT、How the FFT is computed做进一步讨论。)
所以我们把64264^2642复杂度的计算化简为2×322+322\times 32^2+322×322+32复杂度的计算,我们可以进一步化简F32F_{32}F32得到与F16F_{16}F16有关的式子[I32D32I32−D32][I16D16I16−D16I16D16I16−D16][F16F16F16F16][P16P16][P32]\begin{bmatrix}I_{32}&D_{32}\\I_{32}&-D_{32}\end{bmatrix}\begin{bmatrix}I_{16}&D_{16}&&\\I_{16}&-D_{16}&&\\&&I_{16}&D_{16}\\&&I_{16}&-D_{16}\end{bmatrix}\begin{bmatrix}F_{16}&&&\\&F_{16}&&\\&&F_{16}&\\&&&F_{16}\end{bmatrix}\begin{bmatrix}P_{16}&\\&P_{16}\end{bmatrix}\Bigg[\ P_{32}\ \Bigg][I32I32D32−D32]⎣⎢⎢⎡I16I16D16−D16I16I16D16−D16⎦⎥⎥⎤⎣⎢⎢⎡F16F16F16F16⎦⎥⎥⎤[P16P16][ P32 ]。而32232^2322的计算量进一步分解为2×162+162\times 16^2+162×162+16的计算量,如此递归下去我们最终得到含有一阶傅里叶矩阵的式子。
来看化简后计算量,2(2(2(2(2(2(1)2+1)+2)+4)+8)+16)+322\left(2\left(2\left(2\left(2\left(2\left(1\right)^2+1\right)+2\right)+4\right)+8\right)+16\right)+322(2(2(2(2(2(1)2+1)+2)+4)+8)+16)+32,约为6×32=log264×6426\times 32=\log_264\times \frac{64}{2}6×32=log264×264,算法复杂度为n2log2n\frac{n}{2}\log_2n2nlog2n。
于是原来需要n2n^2n2的运算现在只需要n2log2n\frac{n}{2}\log_2n2nlog2n就可以实现了。不妨看看n=10n=10n=10的情况,不使用FFT时需要n2=1024×1024n^2=1024\times 1024n2=1024×1024次运算,使用FFT时只需要n2log2n=5×1024\frac{n}{2}\log_2n=5\times 10242nlog2n=5×1024次运算,运算量大约是原来的1200\frac{1}{200}2001。
下一讲将继续介绍特征值、特征向量及正定矩阵。
第二十八讲、正定矩阵和最小值
本讲我们会了解如何完整的测试一个矩阵是否正定,测试xTAxx^TAxxTAx是否具有最小值,最后了解正定的几何意义——椭圆(ellipse)和正定性有关,双曲线(hyperbola)与正定无关。另外,本讲涉及的矩阵均为实对称矩阵。
1.正定性的判断
我们仍然从二阶说起,有矩阵A=[abbd]A=\begin{bmatrix}a&b\\b&d\end{bmatrix}A=[abbd],判断其正定性有以下方法:
矩阵的所有特征值大于零则矩阵正定:λ1>0,λ2>0\lambda_1>0,\ \lambda_2>0λ1>0, λ2>0;
矩阵的所有顺序主子阵(leading principal submatrix)的行列式(即顺序主子式,leading principal minor)大于零则矩阵正定:a>0,ac−b2>0a>0,\ ac-b^2>0a>0, ac−b2>0;
矩阵消元后主元均大于零:a>0,ac−b2a>0a>0,\ \frac{ac-b^2}{a}>0a>0, aac−b2>0;
xTAx>0x^TAx>0xTAx>0;
负定矩阵的性质:对角线元素都是负数
若AAA与BBB都是HHH阵,且共轭合同,那么AAA与BBB的负定是等价的
矩阵AAA负定的等价条件:
- 特征值均小于000
- AAA与EEE共轭合同(负定矩阵性质2)
- AAA的奇数阶顺序主子式均小于000,偶数阶顺序主子式均大于000
半正定矩阵的性质:
- 对角线元素di≥0d_i \ge 0di≥0
- 若AAA与BBB都是HHH阵,且共轭合同,那么AAA与BBB的半正定是等价的
矩阵AAA半正定的等价条件:
- 特征值均大于等于000
- AAA与[Ir0]\begin{bmatrix}I_r&\\&0\end{bmatrix}[Ir0]共轭合同(半正定矩阵性质2)
- 存在矩阵PPP(并不要求是可逆的,如果可逆可以判断是正定矩阵),A=PHPA=P^HPA=PHP
- AAA的各阶顺序主子式均大于等于000
大多数情况下使用4来定义正定性,而用前三条来验证正定性。
来计算一个例子:A=[266?]A=\begin{bmatrix}2&6\\6&?\end{bmatrix}A=[266?],在???处填入多少才能使矩阵正定?
来试试181818,此时矩阵为A=[26618]A=\begin{bmatrix}2&6\\6&18\end{bmatrix}A=[26618],∣A∣=0|A|=0∣A∣=0,此时的矩阵成为半正定矩阵(positive semi-definite)。矩阵奇异,其中一个特征值必为000,从迹得知另一个特征值为202020。矩阵的主元只有一个,为222。
计算xTAxx^TAxxTAx,得[x1x2][26618][x1x2]=2x12+12x1x2+18x22\begin{bmatrix}x_1&x_2\end{bmatrix}\begin{bmatrix}2&6\\6&18\end{bmatrix}\begin{bmatrix}x_1\\x_2\end{bmatrix}=2x_1^2+12x_1x_2+18x_2^2[x1x2][26618][x1x2]=2x12+12x1x2+18x22这样我们得到了一个关于x1,x2x_1,x_2x1,x2的函数f(x1,x2)=2x12+12x1x2+18x22f(x_1,x_2)=2x_1^2+12x_1x_2+18x_2^2f(x1,x2)=2x12+12x1x2+18x22,这个函数不再是线性的,在本例中这是一个纯二次型(quadratic)函数,它没有线性部分、一次部分或更高次部分(AxAxAx是线性的,但引入xTx^TxT后就成为了二次型)。
当???取181818时,判定1、2、3都是“刚好不及格”。
我们可以先看“一定不及格”的样子,令?=7?=7?=7,矩阵为A=[2667]A=\begin{bmatrix}2&6\\6&7\end{bmatrix}A=[2667],二阶顺序主子式变为−22-22−22,显然矩阵不是正定的,此时的函数为f(x1,x2)=2x12+12x1x2+7x22f(x_1,x_2)=2x_1^2+12x_1x_2+7x_2^2f(x1,x2)=2x12+12x1x2+7x22,如果取x1=1,x2=−1x_1=1,x_2=-1x1=1,x2=−1则有f(1,−1)=2−12+7<0f(1,-1)=2-12+7<0f(1,−1)=2−12+7<0。
如果我们把z=2x2+12xy+7y2z=2x^2+12xy+7y^2z=2x2+12xy+7y2放在直角坐标系中,图像过原点z(0,0)=0z(0,0)=0z(0,0)=0,当y=0y=0y=0或x=0x=0x=0或x=yx=yx=y时函数为开口向上的抛物线,所以函数图像在某些方向上是正值;而在某些方向上是负值,比如x=−yx=-yx=−y,所以函数图像是一个马鞍面(saddle),(0,0,0)(0,0,0)(0,0,0)点称为鞍点(saddle point),它在某些方向上是极大值点,而在另一些方向上是极小值点。(实际上函数图像的最佳观测方向是沿着特征向量的方向。)
再来看一下“一定及格”的情形,令?=20?=20?=20,矩阵为A=[26620]A=\begin{bmatrix}2&6\\6&20\end{bmatrix}A=[26620],行列式为∣A∣=4|A|=4∣A∣=4,迹为trace(A)=22trace(A)=22trace(A)=22,特征向量均大于零,矩阵可以通过测试。此时的函数为f(x1,x2)=2x12+12x1x2+20x22f(x_1,x_2)=2x_1^2+12x_1x_2+20x_2^2f(x1,x2)=2x12+12x1x2+20x22,函数在除(0,0)(0,0)(0,0)外处处为正。我们来看看z=2x2+12xy+20y2z=2x^2+12xy+20y^2z=2x2+12xy+20y2的图像,式子的平方项均非负,所以需要两个平方项之和大于中间项即可,该函数的图像为抛物面(paraboloid)。在(0,0)(0,0)(0,0)点函数的一阶偏导数均为零,二阶偏导数均为正(马鞍面的一阶偏导数也为零,但二阶偏导数并不均为正),函数在该点取极小值。
在微积分中,一元函数取极小值需要一阶导数为零且二阶导数为正dudx=0,d2udx2>0\frac{\mathrm{d}u}{\mathrm{d}x}=0, \frac{\mathrm{d}^2u}{\mathrm{d}x^2}>0dxdu=0,dx2d2u>0。在线性代数中我们遇到了了多元函数f(x1,x2,⋯,xn)f(x_1,x_2,\cdots,x_n)f(x1,x2,⋯,xn),要取极小值需要二阶偏导数矩阵为正定矩阵。
在本例中(即二阶情形),如果能用平方和的形式来表示函数(标准形),则很容易看出函数是否恒为正,f(x,y)=2x2+12xy+20y2=2(x+3y)2+2y2f(x,y)=2x^2+12xy+20y^2=2\left(x+3y\right)^2+2y^2f(x,y)=2x2+12xy+20y2=2(x+3y)2+2y2。另外,如果是上面的?=7?=7?=7的情形,则有f(x,y)=2(x+3y)2−11y2f(x,y)=2(x+3y)^2-11y^2f(x,y)=2(x+3y)2−11y2,如果是?=18?=18?=18的情形,则有f(x,y)=2(x+3y)2f(x,y)=2(x+3y)^2f(x,y)=2(x+3y)2。
如果令z=1z=1z=1,相当于使用z=1z=1z=1平面截取该函数图像,将得到一个椭圆曲线。另外,如果在?=7?=7?=7的马鞍面上截取曲线将得到一对双曲线。
再来看这个矩阵的消元,[26620]=[10−31][2602]\begin{bmatrix}2&6\\6&20\end{bmatrix}=\begin{bmatrix}1&0\\-3&1\end{bmatrix}\begin{bmatrix}2&6\\0&2\end{bmatrix}[26620]=[1−301][2062],这就是A=LUA=LUA=LU,可以发现矩阵LLL中的项与配平方中未知数的系数有关,而主元则与两个平方项外的系数有关,这也就是为什么正数主元得到正定矩阵。
上面又提到二阶导数矩阵,这个矩阵型为[fxxfxyfyxfyy]\begin{bmatrix}f_{xx}&f_{xy}\\f_{yx}&f_{yy}\end{bmatrix}[fxxfyxfxyfyy],显然,矩阵中的主对角线元素(纯二阶导数)必须为正,并且主对角线元素必须足够大来抵消混合导数的影响。同时还可以看出,因为二阶导数的求导次序并不影响结果,所以矩阵必须是对称的。现在我们就可以计算n×nn\times nn×n阶矩阵了。
接下来计算一个三阶矩阵,A=[2−10−12−10−12]A=\begin{bmatrix}2&-1&0\\-1&2&-1\\0&-1&2\end{bmatrix}A=⎣⎡2−10−12−10−12⎦⎤,它是正定的吗?函数xTAxx^TAxxTAx是多少?函数在原点取最小值吗?图像是什么样的?
- 先来计算矩阵的顺序主子式,分别为2,3,42,3,42,3,4;再来计算主元,分别为2,32,432,\frac{3}{2},\frac{4}{3}2,23,34;计算特征值,λ1=2−2,λ2=2,λ3=2+2\lambda_1=2-\sqrt 2,\lambda_2=2,\lambda_3=2+\sqrt 2λ1=2−2,λ2=2,λ3=2+2。
- 计算xTAx=2x12+2x22+2x32−2x1x2−2x2x3x^TAx=2x_1^2+2x_2^2+2x_3^2-2x_1x_2-2x_2x_3xTAx=2x12+2x22+2x32−2x1x2−2x2x3。
- 图像是四维的抛物面,当我们在f(x1,x2,x3)=1f(x_1,x_2,x_3)=1f(x1,x2,x3)=1处截取该面,将得到一个椭圆体。一般椭圆体有三条轴,特征值的大小决定了三条轴的长度,而特征向量的方向与三条轴的方向相同。
现在我们将实对称矩阵AAA分解为A=QΛQTA=Q\Lambda Q^TA=QΛQT,可以发现上面说到的各种元素都可以表示在这个分解的矩阵中,我们称之为主轴定理(principal axis theorem),即特征向量说明主轴的方向、特征值说明主轴的长度。
A=QΛQTA=Q\Lambda Q^TA=QΛQT是特征值相关章节中最重要的公式。
一些结论:
- 若AAA是正定矩阵,那么AT,A∗,A−1A^T,A^*,A^{-1}AT,A∗,A−1都是正定矩阵
- 若AAA是正定矩阵,那么对任意xTAx>0x^TAx>0xTAx>0,若取xxx为单位向量,xTAx=aiix^TAx=a_{ii}xTAx=aii可证明正定矩阵的对角元全部大于0
线性代数及矩阵论(八)相关推荐
- 线性代数及矩阵论(十)
线性代数原文 MIT 18.06 线性代数笔记 矩阵论笔记来自 工程矩阵理论 综合线性代数 机器学习的数学基础 配合视频 线性代数 工程矩阵理论 文章目录 第三十二讲:基变换和图像压缩 1.图像压缩 ...
- 线性代数及矩阵论(七)
线性代数原文 MIT 18.06 线性代数笔记 矩阵论笔记来自 工程矩阵理论 综合线性代数 机器学习的数学基础 配合视频 线性代数 工程矩阵理论 文章目录 第二十三讲:微分方程和eAte^{At}eA ...
- 人工智能中的线性代数与矩阵论学习秘诀之精品课程
读者朋友们如果希望通过观看视频的方式自学线性代数与矩阵论的相关内容,下面列出的一些课程可供参考.在线课程非常多,本文仅仅列出了其中的一部分,读者朋友们也可以在网上自行搜索,然后根据自己的喜好进行选择. ...
- 线性代数及矩阵论(十一)
线性代数原文 MIT 18.06 线性代数笔记 矩阵论笔记来自 工程矩阵理论 综合线性代数 机器学习的数学基础 配合视频 线性代数 工程矩阵理论 第三十四讲:左右逆和伪逆 前面我们涉及到的逆(inve ...
- 图解AI数学基础(1) | 线性代数与矩阵论(要点速查清单·完结)
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/83 本文地址:https://www.showmeai.tech/article-d ...
- 线性代数及矩阵论(三)
线性代数原文 MIT 18.06 线性代数笔记 矩阵论笔记来自 工程矩阵理论 综合线性代数 机器学习的数学基础 配合视频 线性代数 工程矩阵理论 文章目录 十一.矩阵空间.秩1矩阵和小世界图 1.矩阵 ...
- 线性代数系列(八)--基变换、左逆、右逆和伪逆
正文 这里关于基变换和伪逆做的都是简单的介绍,关于他们的更深入的理论介绍和更深入的应用介绍还需参考其他资料,然后补充. 基变换 基变换是图像压缩.信号压缩等应用的理论基础,通俗来讲就是对于给定的数据矩 ...
- 线性代数与矩阵论 定理 1.5.6 拉格朗日插值公式
给定域$\mathbf{F}$中$n+1$个不同的数$\alpha_1,\alpha_2,\cdots,\alpha_{n+1}$,以及域$\mathbf{F}$中另外$n+1$个数$\beta_1, ...
- 线性代数与矩阵论 习题 1.2.2
试利用辗转相除法,求有理系数多项式$u(x)$和$v(x)$,使得$u(x)f(x)+v(x)g(x)=(f(x),g(x))$. (1)$f(x)=3x^3-2x^2+x+2$,$g(x)=x^2- ...
- 线性代数与矩阵论 习题 1.2.1
求下列各组复多项式的最高公因式: (1)$x^3+(2+i)x^2+(3+2i)x+6$,$x^5+ix^4+10x^3+28x+21i$. 解: \begin{align*} x^5+ix^4+10 ...
最新文章
- 自定义镜像-镜像结构
- 下一个嵌入式大神,难道不是你吗?
- 【坚持】Selenium+Python学习记录 DAY10
- NPOI 导出 excel 性能测试
- LeetCode MySQL 1204. 最后一个能进入电梯的人(累加/变量/窗口函数)
- oracle 11g初始段大小,Oracle 11g配置调优,一般需要注意哪些方面呢?
- c语言全局钩子,如何实现键盘钩子(文章)?
- 什么是网站的统计代码
- Inspection工具窗口
- css字体.ttf文件压缩3.1M变8K(原生和Vue中使用)
- String字符串拼接原理
- css shine_什么是Shine Enterprise Java模式?
- 热酷网邱金柱:技术牛人是核心竞争力
- RPG游戏《黑暗之光》流程介绍与代码分析之(九):技能系统的实现
- javascript在avant浏览器中的妙用
- An unexpected error prevented the server from fulfill your request.(HTTP500)
- ARM调试原理【调试接口框图】【SWD时序】【SWD主机】
- 基于ThinkPHP6的网站后台管理系统
- 【题解】LuoGu4610:[COI2012] KAMPANJA
- 用css、html、js模拟操作系统2