第七讲-特征值与特征向量

A=[1 1 1 1;1 1 -1 -1;1 -1 1 -1;1 -1 -1 1];
V=eig(A);
E=eye(4);b=zeros(4,1);
X1=A-V(1)*E;Y1=null(A-V(1)*E,b);
Y2=null(A-V(2)*E,b);
%% 验证
Y4(:,1)*V(4)==A*Y4(:,1);
norm(Y4(:,1)*V(4)-A*Y4(:,1));
%% 验证
[V,D]=eig(A);
[V,D]=eig(sym(A));

>> [V,D]=eig(sym(A))

V =

[-1, 1, 1, 1]
[ 1, 1, 0, 0]
[ 1, 0, 1, 0]
[ 1, 0, 0, 1]

D =

[-2, 0, 0, 0]
[ 0, 2, 0, 0]
[ 0, 0, 2, 0]
[ 0, 0, 0, 2]

嗯，真帅！

MATLAB生成正交矩阵，orth（A）计算A的正交基。
>> A=[2 2;2 5];
>> q=orth(A);
>> q'*A*qans =6.0000   -0.0000-0.0000    1.0000>> [V,D]=eig(sym(A))V =[-2, 1/2]
[ 1,   1]D =[1, 0]
[0, 6]

蒙特卡洛法求椭圆面积（http://t.csdn.cn/7DVK8）

多项式的伴随矩阵的特征值是这个多项的根。

>> p=[1,0,-1,6];
>> A=compan(p);
>> eig(A)ans =-2.0000 + 0.0000i1.0000 + 1.4142i1.0000 - 1.4142i>> roots(p)ans =-2.0000 + 0.0000i1.0000 + 1.4142i1.0000 - 1.4142i

>> A=[3 -2 -4;-2 6 -2;-4 -2 3];
>> Astar=adjoint(A)Astar =14.0000   14.0000   28.000014.0000   -7.0000   14.000028.0000   14.0000   14.0000>> Astar=det(A)*inv(A)Astar =14.0000   14.0000   28.000014.0000   -7.0000   14.000028.0000   14.0000   14.0000>> Astar*Aans =-98.0000    0.0000         0-0.0000  -98.0000    0.0000-0.0000    0.0000  -98.0000

用代数余子式的定义求

function Astar = adjA(A)
% 输入方阵A，输出A的伴随矩阵Astar
[m,n] = size(A);
M = zeros(m,n);
if m == nfor i = 1 : mfor j = 1 : nX = A;X(i,:) = [];%去掉第i行X(:,j) = [];%去掉第j列M(i,j) = det(X)*(-1)^(i+j);%计算代数余子式endend
elseerror('输入必须为方阵');
end
Astar = M';
end

>> A=[3 -2 -4;-2 6 -2;-4 -2 3];
>> trace(A)ans =12>> det(A)ans =-98>> eig(A)ans =-277>> adjoint(A)ans =14.0000   14.0000   28.000014.0000   -7.0000   14.000028.0000   14.0000   14.0000

A的特征向量、特征值
>> A=[3 -2 -4;-2 6 -2;-4 -2 3];
>> [V,D]=eig(sym(A))V =[  1, -1/2, -1]
[1/2,    1,  0]
[  1,    0,  1]D =[-2, 0, 0]
[ 0, 7, 0]
[ 0, 0, 7]>> dot(V(:,1),V(:,2))ans =0

不同特征值对应的特征向量内积得0，垂直正交。

A逆的特征向量、特征值
>> An=inv(A);
>> [Vn,Dn]=eig(sym(An))Vn =[  1, -1/2, -1]
[1/2,    1,  0]
[  1,    0,  1]Dn =[-1/2,   0,   0]
[   0, 1/7,   0]
[   0,   0, 1/7]

A星的特征向量、特征值
>> Ax=adjoint(A);
>> [Vx,Dx]=eig(sym(Ax))Vx =[  1, -1/2, -1]
[1/2,    1,  0]
[  1,    0,  1]Dx =[49,   0,   0]
[ 0, -14,   0]
[ 0,   0, -14]>> det(A)ans =-98

fA的 特征向量、特征值
>> fA=A^3+2*A^2-A+5*eye(3);
>> [fV,fD]=eig(sym(fA))fV =[  1, -1/2, -1]
[1/2,    1,  0]
[  1,    0,  1]fD =[7,   0,   0]
[0, 439,   0]
[0,   0, 439]

A的相似矩阵的特征向量、特征值
>> p=[1 -2 1;2 4 -1;3 2 -2];
>> det(p)ans =-16.0000>> B=inv(p)*A*p;
>> [BV,BD]=eig(sym(B))BV =[ 9/4, -2/5, 3/10]
[-3/8,    1,    0]
[   1,    0,    1]BD =[-2, 0, 0]
[ 0, 7, 0]
[ 0, 0, 7]

>> A=[3 -2 -4;-2 6 -2;-4 -2 3];
>> [P,L]=eig(sym(A));
>> A*Pans =[-2, -7/2, -7]
[-1,    7,  0]
[-2,    0,  7]>> P*Lans =[-2, -7/2, -7]
[-1,    7,  0]
[-2,    0,  7]

>> p=[2 -1 1;-1 2 1;1 3 3]p =2    -1     1-1     2     11     3     3>> rank(p)ans =3>> j=[3 0 0;0 3 0;0 0 -3]j =3     0     00     3     00     0    -3>> A=p*j*inv(p)A =-7.0000  -14.0000    6.0000-10.0000  -11.0000    6.0000-30.0000  -42.0000   21.0000

>> b=[1 -1 3]'b =1-13

>> A^8*bans =1.0e+04 *0.6561-0.65611.9683>> ans./bans =1.0e+03 *6.56106.56106.5610>> 3^8ans =6561

>> A=magic(3)A =8     1     63     5     74     9     2>> [P,L]=eig(sym(A));
>> [P,L]=eig(sym(A))P =[1, - 24^(1/2)/5 - 7/5, 24^(1/2)/5 - 7/5]
[1,   24^(1/2)/5 + 2/5, 2/5 - 24^(1/2)/5]
[1,                  1,                1]L =[15,        0,         0]
[ 0, 24^(1/2),         0]
[ 0,        0, -24^(1/2)]

>> A=[1 1 1];
>> b=[0];
>> x=null(A,'r')x =-1    -11     00     1

实对称矩阵

>> A=round(5*rand(3));
>> A+A'ans =10     6     66     4     66     6    10

完美的结论

矩阵的行阶梯，极大无关组

>> s1=[1 2 2]';s2=[0 -1 1]';s3=[-4 1 1]';s4=[2 -5 3]';
>> s=[s1,s2,s3,s4];
>> [R,jb]=rref(s);
>> s(:,jb)ans =1     0    -42    -1     12     1     1>> RR =1.0000         0         0   -0.22220    1.0000         0    4.00000         0    1.0000   -0.5556

说明s4可有s1、s2、s3表示

伴随是啥？

第七讲-特征值与特征向量相关推荐

第二十一讲特征值和特征向量
我个人认为麻省理工线性代数这门课,到二十一讲才真正进入有用的部分,因此从这一讲开始做笔记. 一,概念满足条件:Ax=λx 解释:当向量x经过矩阵A变换后,效果等于向量x乘上任意常数λ 则:x是矩阵A ...
张宇1000题线性代数第七章特征值与特征向量
目录 BBB组 7.设A\bm{A}A是nnn阶实对称矩阵,λ1,λ2,⋯,λn\lambda_1,\lambda_2,\cdots,\lambda_nλ1,λ2,⋯,λn是A\bm{A}A的n ...
线代9讲_特征值与特征向量相似理论
第七章特征值与特征向量用特征值命题看到行列式为零,就要敏感一点(想到矩阵的特征值可以求) 小结论对矩阵方程为O也要敏感一点. 用特征向量命题用矩阵方程命题重要题型 1 证明特征值,该用什么 ...
SVD 与 PCA 的直观解释(2): 特征值与特征向量
这一部分主要讲特征值和特征向量背后的物理或者几何方面的直观解释. 参考地址:http://zh.wikipedia.org/wiki/%E7%89%B9%E5%BE%81%E5%90%91%E9%87 ...
深入理解矩阵的特征值和特征向量
原 [数学基础]矩阵的特征向量.特征值及其含义 2018年08月31日 11:37:08 zhaosarsa 阅读数 4693 更多分类专栏: 数学版权声明:本文为博主原创文章,遵循 CC 4.0 ...
讲道理 | 特征值和特征向量意义
原文转自 https://blog.csdn.net/fuming2021118535/article/details/51339881 在刚开始学的特征值和特征向量的时候只是知道了定义和式子,并没有 ...
特征值和特征向量的几何和物理意义
我们知道,矩阵乘法对应了一个变换,是把任意一个向量变成另一个方向或长度都大多不同的新向量.在这个变换的过程中,原向量主要发生旋转.伸缩的变化.如果矩阵对某一个向量或某些向量只发生伸缩变换,不对这些向量 ...
机器学习中的数学基础：(1)实际应用中矩阵特征值与特征向量的几何意义
关于特征值.特征向量的讲解有很多的教程,对于这些枯燥的数学基础怎么运用到自己的实际计算机视觉实验中,是一项很重要的任务.算法的底层其实就是数学公式的各种结合与推导,有时间不是我们不能很好的去理解这些算 ...
特征值与特征向量的意义
转载地址:http://blog.csdn.net/sunshine_in_moon/article/details/45749691 从定义出发,Ax=cx:A为矩阵,c为特征值,x为特征向量. ...

第七讲-特征值与特征向量

第七讲-特征值与特征向量相关推荐

最新文章

热门文章