文章目錄
- 1.特征值和特征向量
- 2.矩陣的特征分解
- 3.直覺了解
- 4.通過特征分解求逆矩陣
- 5.對特殊矩陣的矩陣分解
- 對稱矩陣
- 參考
1.特征值和特征向量
線性代數中,特征分解(eigendecomposition)是将矩陣分解為由特征值和特征向量表示的矩陣之積的方法。
給定一個方陣
,我們認為在以下條件下,
是
的特征值,
是相應的特征向量:
直覺地說,這個定義意味着将
乘以向量
會得到一個新的向量,該向量指向與
相同的方向,但按系數
縮放。值得注意的是,對于任何特征向量
和标量
,
,
也是一個特征向量。
是以,當我們讨論與
相關的特征向量時,我們通常假設特征向量被标準化為長度為1(這仍然會造成一些歧義,因為
和
都是特征向量,但我們必須接受這一點)。
我們可以重寫上面的等式來說明
是
的特征值和特征向量的組合:
但是
隻有當
有一個非空零空間時,同時
是奇異的,
才具有非零解,即:
現在,我們可以使用行列式的先前定義将表達式
擴充為
中的(非常大的)多項式,其中,
的度為
。它通常被稱為矩陣
的特征多項式。
然後我們找到這個特征多項式的
(可能是複數)根,并用
表示。這些都是矩陣
的特征值,但我們注意到它們可能不明顯。為了找到特征值
對應的特征向量,我們隻需解線性方程
,因為
是奇異的,是以保證有一個非零解(但也可能有多個或無窮多個解)。
應該注意的是,這不是實際用于數值計算特征值和特征向量的方法(記住行列式的完全展開式有
項),這是一個數學上的争議。
以下是特征值和特征向量的屬性(所有假設在
具有特征值
的前提下):
- 的迹等于其特征值之和
- 的行列式等于其特征值的乘積
- 的秩等于
- 的非零特征值的個數
- 假設
- 非奇異,其特征值為
- 和特征向量為
- 。那麼
- 是具有相關特征向量
- 的
- 的特征值,即
- 。(要證明這一點,取特征向量方程,
- ,兩邊都左乘
- )
- 對角陣的特征值
- 實際上就是對角元素
注意:隻有可對角化矩陣才能特征分解
2.矩陣的特征分解
令
是一個
的方陣,且有
個線性獨立的特征向量
,A可以被分解為
其中
是
方陣,且第
列
的特征向量
。
是對角矩陣,其對角線上的元素為對應的特征值,即
一般而言,特征向量
被機關化,但是未被機關化的特征向量
也可以作為
的列向量。可以了解為
中向量的長度被
抵消了。
3.直覺了解
先說結論
将向量看作空間中一個點,矩陣可視作點的運動,對于可以矩陣分解的矩陣:
- 特征值就是運動的速度
- 特征向量就是運動的方向
令矩陣
将
左乘一個機關矩陣
,即
我們看下向量
發生了什麼變換
向量
,向量
可以看出,
分别逆時針旋轉
怎麼辦到的呢?給定要給一個題目,将二維平面上一點逆時針旋轉
,求旋轉後得坐标。可以解得:
令
比對一下上式與
,會發現兩者相同,是以,
得作用就是将機關矩陣每個列向量逆時針旋轉
對角矩陣
則是将向量沿着特征向量的方向放縮,
再将旋轉的向量還原回去。
4.通過特征分解求逆矩陣
若矩陣
可被特征分解且特征值中不含
,則矩陣
為非奇異矩陣,且其逆矩陣
因為
為對角矩陣,其逆矩陣容易計算出
5.對特殊矩陣的矩陣分解
對稱矩陣
任意的實對稱矩陣的特征值都是實數且有
個線性無關的特征向量,并且這些特征向量都可以正交機關化得到一組正交且模長為1的向量。實對稱矩陣可被分解成
為正交矩陣,
為實對角矩陣