特征值和特征向量
来源:互联网 发布:淘宝哪个利润高 编辑:程序博客网 时间:2024/05/26 19:16
一 . 定义
设 A 是 n 阶方阵,如果数λ 和 n 维非零向量 X 使关系式AX = λX 成立 。那么,
1. 特征值:这样的数 λ 称为矩阵 A 的特征值 。
2. 特征向量:非零向量 X 称为 A 的对应于特征值 λ 的特征向量 。
3. 特征空间:直观上开,非零向量 X 在 A 的作用下,保持方向不变进行了比例为 λ 的伸缩 ,那么显然,非零向量 X 同方向上的向量都是方阵 A 的特征向量,这些特征向量称为 λ 对应的特征空间 。
二 . 若干性质
1 . 方阵 A 有若干特征向量 X1,X2,X3 ... 。并且 λ1 > λ2 > λ3 > ... 。现在有一个非特征向量 X , 使用若干个 A 反复乘以 X ,即 Y = AAAAA...X ,
那么,Y 会越来越贴合到最大的特征值(λ1)对应的特征空间上 。
这里矩阵 A 可以看做是某种运动,Y = AAAAA...X 可以看做把矩阵运动不断附加到向量 X 上,矩阵 A 这个矩阵运动本身最明显的特征,就通过其最大特征值 λ1 表现出来了 。
举一个纯粹为了理解的例子,有一瓶黄色墨水 X,现在向其混合一瓶蓝色墨水 A , 那么由“红橙黄绿蓝靛紫”的常识可知,得到一瓶绿色墨水,然后不断地向其混合蓝色墨水 A,那么最后得到的墨水颜色理应无限逼近于蓝色了 。
2 . 线性空间的角度来看,在一个定义了内积的线性空间里,对一个 N 阶对称方阵进行特征分解,就是产生了该空间的 N 个标准正交基,然后把矩阵投影到这 N 个基上。N 个特征向量就是 N 个标准正交基,而特征值的模则代表矩阵在每个基上的投影长度。
特征值越大,说明矩阵在对应的特征向量上的方差越大,功率越大,信息量越多。
三 . 若干应用
1. 图片压缩:比如有一副 512 * 512 大小的图片,把每个像素点的颜色值填入到一个 512 * 512 的矩阵 A 中,矩阵 A 可以分解成 , 其中 为对角阵,对角阵的对角线上是从大到小排列的特征值。
我们在对角阵中只保留前面 50 个特征值,其他的都填 0,重新计算矩阵后,生成的图像还能保留原始图像的大部分信息 。
2. 最优化:对于 R 的二次型,自变量在这个方向上变化的时候,对函数值的影响最大,也就是该方向上的方向导数最大。
3. 数据挖掘:最大特征值对应的特征向量方向上包含最多的信息量,如果某几个特征值很小,说明这几个方向信息量很小,可以用来降维,也就是删除小特征值对应方向的数据,只保留大特征值方向对应的数据,这样做之后,数据量减小,但有用信息量变化不大。
参考:
1. https://baike.baidu.com/item/%E7%9F%A9%E9%98%B5%E7%89%B9%E5%BE%81%E5%80%BC/8309765?fr=aladdin
2. https://www.zhihu.com/question/21874816
- 矩阵特征值和特征向量
- 特征值和特征向量
- 线性代数:特征值和特征向量
- 看图学特征值和特征向量
- 理解特征值和特征向量
- 特征值和特征向量
- soledede--特征值和特征向量
- 特征值和特征向量
- 特征值和特征向量
- 求解特征值和特征向量
- 特征值和特征向量
- 特征值和特征向量理解
- 特征值和特征向量
- 特征值和特征向量
- 特征值和特征向量
- 特征值和特征向量
- 特征值和特征向量
- 为什么要有特征值和特征向量
- CSAPP 第二章
- /*Oracle如何建表(两种方法)*/
- laravel5.4 迁移数据库 出错(二)
- c3p0数据连接池的使用
- 1061. 判断题(15)
- 特征值和特征向量
- IOS, Android,javaWeb交流群,欢迎加入,探讨学习
- 【线段树优化建图+BFS】BZOJ3073(Pa2011)[Journeys]题解
- H.266的块划分(QTBT)
- string类的实现
- POJ 3103 Cutting a Block 笔记
- 过滤器(Filter)和监听器(listener)
- SHUOJ切糕
- MySQL学习笔记