线性代数:特征值&特征向量
2013-10-27 21:23
253 查看
1、前一章讲了一个线性变换:向量x变换为相对某条直线v1对称的向量,v1是直线的方向。而v2则是另一个与v1正交的向量。
那么有T(v1)=v1,T(v2)=-v2,对于v1,v2来说,变换T的结果没有改变向量的方向,只是做了缩放而已,可以表示为T(v)=λv(λ为标量)。
如果我们找到了这样的非零向量,那么求变换的矩阵就很简单,利用上一章的坐标转换法,将{v1,v2}作为变换基。
这样的λ叫做特征值,v则是对应于该特征值的特征向量,特征向量所张成的子空间的每个成员都满足T(v)=λv,这个子空间又叫做特征空间。
2、每个线性变换都对应一个矩阵,反之亦然。因此可以简而言之说λ是某个矩阵的特征值;
假设A是一个方阵,Av=λv => Av-λv=0 => (A-λI)v=0(I是单位矩阵) => 要使该方程有非零解,(A-λ|)的行列式为零
因此求特征值转化为求使 (A-λI)行列式为零 的λ,本质上是一个多次方程求解。
而基于特征值求对应的特征方程就是求(A-λI)得零空间,即为特征空间。
3、假设A是一个nxn的变换矩阵,有n个特征向量(这个并不总存在,但经常存在):λ1,λ2,...,λn,对应有n个线性无关的特征向量v1,v2,...,vn。
那么可以选取{v1,v2,...,vn}作为一组基,此时也叫做特征基,来进行坐标变换。
T(v1),T(v2),...,T(vn)在新坐标系下表示为(λ1,0,..,0),(0,λ2,...,0),(0,0,...,λn),很容易得到变换在新基下的变换矩阵D={(λ1,0,..,0),(0,λ2,...,0),(0,0,...,λn)},这是一个对角矩阵,显然这样的矩阵对于各种矩阵运算,逆、转置、乘法等,来说特别有利。
那么有T(v1)=v1,T(v2)=-v2,对于v1,v2来说,变换T的结果没有改变向量的方向,只是做了缩放而已,可以表示为T(v)=λv(λ为标量)。
如果我们找到了这样的非零向量,那么求变换的矩阵就很简单,利用上一章的坐标转换法,将{v1,v2}作为变换基。
这样的λ叫做特征值,v则是对应于该特征值的特征向量,特征向量所张成的子空间的每个成员都满足T(v)=λv,这个子空间又叫做特征空间。
2、每个线性变换都对应一个矩阵,反之亦然。因此可以简而言之说λ是某个矩阵的特征值;
假设A是一个方阵,Av=λv => Av-λv=0 => (A-λI)v=0(I是单位矩阵) => 要使该方程有非零解,(A-λ|)的行列式为零
因此求特征值转化为求使 (A-λI)行列式为零 的λ,本质上是一个多次方程求解。
而基于特征值求对应的特征方程就是求(A-λI)得零空间,即为特征空间。
3、假设A是一个nxn的变换矩阵,有n个特征向量(这个并不总存在,但经常存在):λ1,λ2,...,λn,对应有n个线性无关的特征向量v1,v2,...,vn。
那么可以选取{v1,v2,...,vn}作为一组基,此时也叫做特征基,来进行坐标变换。
T(v1),T(v2),...,T(vn)在新坐标系下表示为(λ1,0,..,0),(0,λ2,...,0),(0,0,...,λn),很容易得到变换在新基下的变换矩阵D={(λ1,0,..,0),(0,λ2,...,0),(0,0,...,λn)},这是一个对角矩阵,显然这样的矩阵对于各种矩阵运算,逆、转置、乘法等,来说特别有利。
相关文章推荐
- 海量数据及高并发
- Map在Java中构造缓存对象的原理及实现
- css实现气泡框效果
- php邮件发送 phpmailer
- 简单C程序,迷宫
- cmake生成利用VTK库类的visual studio 2010 MFC工程
- chengchanzhe
- robotium获取本地文档内容
- 如何让外网访问本地服务器
- 如何改变UINavigationBar的backBarButton
- 【初学】iOS学习笔记-字符串本地化实现
- Python Cookbook学习记录 ch2_6/7/8_2013/10/27
- 计算模型总结
- 白话并发冲突与线程同步(2)——Monitor、lock和死锁
- 局域网内计算机无法访问怎么办
- 我的职业生涯
- 总结运行SSIS包的几种方式
- OpenStack简介和相关资料
- tds 安装找不到已安装的DB2
- POJ 3277 City Horizon(叶子节点为[a,a+1)的线段树+离散化)