线性代数之六:特征值与特征向量
来源:互联网 发布:linux 7 dns配置 编辑:程序博客网 时间:2024/05/16 12:07
6.1 特征值与特征向量
特征向量:若A为n阶方阵,如果存在一个非零向量x使得
特征向量与零度空间:方程
特征方程
特征值的性质:
- 矩阵A的行列式的值为所有特征值的积
- 矩阵A的对角线元素和称为A的迹(trace)等于特征值的和
相似矩阵的特征值:若方阵A和B相似,则这两个矩阵有相同的特征多项式,且它们有相同的特征值。
使用numpy计算矩阵的特征值与特征向量:
import numpy as npA=np.array([[3,2],[3,-2]])w,v = np.linalg.eig(A) print w #4,-3 特征值print v #对应的特征向量[[ 0.89442719, -0.31622777], [ 0.4472136 , 0.9486833 ]]
6.2 对角化
6.2.1 基本概念
定理:若
可对角化:若存在一个非奇异的矩阵X和一个对角矩阵D,使用n阶方阵A满足
定理:方阵A是可对角化的,当且仅当A有n个线性无关的特征向量。
退化矩阵:若n阶方阵A有少于n个线性无关的特征向量,则A是退化的(defective),退化矩阵不可对角化。
6.2.2 马尔可夫链
马尔可夫过程:对一个试验,若其每一步的输出都取决于概率,则称为一个随机过程(stochastic process)。马尔可夫过程(Markov process)是随机过程,它有如下性质:
- 可能的输出集合或状态是有限的
- 下一步输出的概率仅依赖于前一步的输出
- 概率相对于时间是常数
马尔可夫链
状态之间的迁移概率可以表示为迁移矩阵A,其第i列表示由第i个状态向其他状态变迁的概率,A的每一列元素均为非负的,且和为1。
若初始状态集记为
定理:若一个马尔可夫链的转移矩阵为A,且其收敛到一个稳态向量x,则x为一个概率向量,
定理:若马尔可夫链的转移矩阵A的其他特征值均不大于1,且存在
马尔可夫过程的应用
PageRank算法将网页浏览过程看成马尔可夫过程,其转移矩阵A为n*n的,目前n超过200亿。
A的(i,j)元素表示从网站j到i的跳转概率(可由浏览历史统计出来),可证迁移矩阵存在稳态向量,随着浏览的进行最终可以达到惟一的稳态向量x,即到达某个站点k,向量中的元素
进行网页搜索时,首先寻找所有和关键字匹配的网页,然后将这些网页按照它们的网页分级递减的顺序列出来。
6.2.3 矩阵指数
由实数的泰勒级数展开式:
若对任何的n*n矩阵A,可定义矩阵指数:
在对角矩阵的情况下,容易计算
对一般的矩阵A,计算比较困难,但若A是可对角化的,则:
6.4 埃尔米特矩阵
6.4.1 复内积
记
定义:令V为一复数域上的向量空间,V上的内积定义为关联一对向量z和w的复数
6.4.2 埃尔米特矩阵
令M为复矩阵,
埃尔米特矩阵与特征向量:埃尔米特矩阵的特征值均为实的,且属于不同特征值的特征向量为正交的。
酉矩阵:若方阵U的列向量构成
若埃尔米特的对角化:若埃尔米特矩阵A的特征值互不相同,则存在一个酉矩阵U对角化A。
舒尔(schur)定理:对每一个方阵A,存在一个酉矩阵U,使得
谱定理:若A为埃尔米特矩阵,则存在一个酉矩阵U对角化A。
定理:若A为实对称矩阵,则存在一个正交矩阵Q对角化A,即
正规矩阵:矩阵A若满足
定理:矩阵A是正规矩阵,当且仅当A有一个完备的规范正交特征向量集。
6.5 奇异值分解
SVD定理:若A为任意m*n矩阵,则A有一个奇异值分解
奇异值(SVD)分解:将m*n的矩阵A分解为乘积
若A为一m*n矩阵,且Q为一m*m的正交矩阵,则
下面的代码显示了使用numpy对矩阵进行SVD分解的方法
import numpy as npa = np.array([[1,1],[1,1],[0,0]])s,v,d = np.linalg.svd(a)print v.astype(int) # [2,0] 奇异值向量print s,d'''[[-0.70710678 -0.70710678 0. ] [-0.70710678 0.70710678 0. ] [ 0. 0. 1. ]] [[-0.70710678 -0.70710678] [ 0.70710678 -0.70710678]] '''
SVD分解可以应用在数字图像压缩,主成分分析等领域,用于数据的压缩或降维。
数值秩:一个m*n的矩阵的数值秩(numberical rank)为矩阵的奇异值中大于
6.6 二次型
6.6.1 二次型
定义:一个二次(quadratic)方程为两个变量x和y的方程
可以写为
令
称其为与二次方程相关的二次型。
上面的二次方程对应的图形为圆锥曲线(conic section)。圆,椭圆,双曲线,抛物线均可由其表示。
主轴定理:若A为一实对称的n*n矩阵,则存在一个变量变换
6.6.2 正定
定义:一个实对称矩阵A称
- 正定的(positive definite),若对
Rn 中所有非零向量x,xTAx>0 - 负定的(negative definite),若对
Rn 中所有非零向量x,xTAx<0 - 半正定的(positive semidefinite),若对
Rn 中所有非零向量x,xTAx≥0 - 半负定的(negative semidefinite),若对
Rn 中所有非零向量x,xTAx≤0 - 不定的(indefinite),若对
Rn 中所有非零向量x,xTAx 有不同的符号
定理:若A为n阶实对称矩阵,A是正定的,当且仅当其特征值均为正
6.7 正定矩阵
前主子矩阵:给定n*n的矩阵A,令
对称正定矩阵的性质:
- 若A为一对称正定矩阵,则A是非奇异的,det(A)>0
- 若A为一对称正定矩阵,则A的前主子矩阵
A1,A2,...,An 均为正定的。 - 若A为一对称正定矩阵,则A可仅使用第三类行变换化为上三角矩阵,且主元全为正。
- 若A为一对称正定矩阵,则A可分解为乘积
LDLT ,其中L为下三角的,其对角线上元素为1,且D为一个对角矩阵,其对角元素均为正的。 - 若A为一对称正定矩阵,则A可分解为一个乘积
LLT ,其中L为下三角的,其对角线元素均为正的。此分解称为cholesky分解。
下面的代码演示了使用numpy对矩阵进行cholesky分解的方法
a = np.array([[4,2],[2,10]])l = np.linalg.cholesky(a)print l #[[2,0],[1,3]]
- 线性代数之六:特征值与特征向量
- 线性代数之特征值与特征向量
- 线性代数——特征值与特征向量
- 线性代数(二十八) : 特征值与特征向量
- 线性代数(三十) :特征值与特征向量的性质
- [线性代数]矩阵的特征值与特征向量
- 线性代数:特征值&特征向量
- 线性代数:特征值和特征向量
- 线性变换之特征值与特征向量
- Matlab与线性代数 -- 矩阵的特征值与特征向量
- 线性代数(二十九) :特征值与特征向量的计算
- matlab 特征值与特征向量
- 特征值与特征向量概念
- 特征值与特征向量概念
- 特征向量与特征值
- 特征值与特征向量
- 特征向量与特征值
- 特征值与特征向量
- Win10 64bit 搭建android开发环境
- 数据结构第九周项目3--利用二叉树遍历思想解决问题
- JZ2440 V3 裸机汇编 闪灯
- jq——中删除表格某一行案例
- LeetCode题目:42. Trapping Rain Water
- 线性代数之六:特征值与特征向量
- ejb和javabean的区别?
- 171112 Learning Python Chapter 26 Class Coding Basics
- Qt5--QSS学习笔记(一)
- vue组件(一)
- 习题4.1(2)
- oracle中的锁表相关的操作,session会话的释放
- Kafka0.10的新特性一览
- 文章标题