【线性代数公开课MIT Linear Algebra】 第二十四课 特征值与特征向量的应用——马尔科夫矩阵、傅里叶级数
2015-11-28 23:16
417 查看
本系列笔记为方便日后自己查阅而写,更多的是个人见解,也算一种学习的复习与总结,望善始善终吧~
这里性质导致一些有趣的特性:
马尔科夫矩阵Markov Matrix 的幂依然是马尔科夫矩阵Markov Matrix
马尔科夫矩阵Markov Matrix的其中一个特征值为1,其他所有的特征值的绝对值小于1
这二个特性导致了什么呢?看看我们之前关于矩阵的幂的公式:
不难发现随着k的增大,特征值的绝对值小于1的项最终都趋近于0,steady state取决于特征值为1的那一项。那么特征向量呢?
一个例子:
既然我们说其必定存在特征值为1,那么观察:
首先,很容易观察出,对于马尔科夫矩阵AA,其减去单位矩阵A−IA-I的所有行的和为0,这说明了什么?说明A−IA-I的row vector线性相关,A−IA-I为奇异矩阵,那么[1,1,1]在ATA^T的null space中,我们想要的特征向量在AA的null space中。
这里老师引入一个性质:
AA的特征值等于ATA^T的特征值,理由是
det(A−λI=0)det(A-\lambda I = 0)
⇒det((A−λI)T=0)\Rightarrow det((A- \lambda I)^T=0)
⇒det(AT−λI=0)\Rightarrow det(A^T- \lambda I=0)
求解AA的零空间的一个向量很简单,等于求解
很容易求解特征向量,第一行取.6,第三行取.7,第二行求解即可。
举例子:
初始状态为[0, 1000]
U是两个城市的人口,矩阵A代表的两个城市之间人口的转化(即从城市cal到mass或反之的人数比例),明显最终的稳态取决于矩阵A,由于这里假设总人口不变,所以矩阵A是马尔科夫矩阵,于是利用上一课的内容求解通式:
得到结果后,我们可以轻松获得任意时刻的状态和稳态。
v=x1q1+x2q2+...+xnqnv=x_1q_1+x_2q_2+...+x_nq_n
我们想要得到x1x_1,由于这里q1,q2...qnq_1, q_2... q_n彼此正交,我们想到做内积inner prodect可以消去其他项:
qT1v=x1qT1q1+x2qT1q2+...+xnqT1qnq_1^Tv = x_1q_1^Tq_1+x_2q_1^Tq_2+...+x_nq_1^Tq_n
⇒qT1v=x1qT1q1+0+...+0\Rightarrow q_1^Tv = x_1q_1^Tq_1+0+...+0
写为如下形式:
那么x=Q−1v=QTvx=Q^{-1}v=Q^Tv
⇒xn=qTnv\Rightarrow x_n=q_n^Tv
这个方程和上面的很像,这里每一项也是正交,区别在于这里的qnq_n为函数而非向量。
首先是何为函数的正交?正交意味着内积为0,向量的内积我们知道如何额计算:
那么两个函数之间呢?函数是一堆连续的点,很自然的想到了积分:
对于傅里叶级数,由于存在周期,所以积分从0到2π2\pi
于是可以验证傅里叶级数中每一项正交,现在,要怎么求a1a_1,和之前一样,我们让等式两边对cos(x)cos(x)做内积:
(cos(x))2(cos(x))^2的积分为π\pi于是a1=a_1=1π1\over \pi∫2π0f(x)cos(x)dx\int_0^{2\pi}f(x)cos(x)dx
PS:另一位仁兄的笔记
http://blog.csdn.net/suqier1314520/article/details/14056485
马尔科夫矩阵Markov Matrix
马尔科夫矩阵Markov Matrix有两个性质:所有元素大于等于0,所有矩阵的列相加等于1。这里性质导致一些有趣的特性:
马尔科夫矩阵Markov Matrix 的幂依然是马尔科夫矩阵Markov Matrix
马尔科夫矩阵Markov Matrix的其中一个特征值为1,其他所有的特征值的绝对值小于1
这二个特性导致了什么呢?看看我们之前关于矩阵的幂的公式:
不难发现随着k的增大,特征值的绝对值小于1的项最终都趋近于0,steady state取决于特征值为1的那一项。那么特征向量呢?
一个例子:
既然我们说其必定存在特征值为1,那么观察:
首先,很容易观察出,对于马尔科夫矩阵AA,其减去单位矩阵A−IA-I的所有行的和为0,这说明了什么?说明A−IA-I的row vector线性相关,A−IA-I为奇异矩阵,那么[1,1,1]在ATA^T的null space中,我们想要的特征向量在AA的null space中。
这里老师引入一个性质:
AA的特征值等于ATA^T的特征值,理由是
det(A−λI=0)det(A-\lambda I = 0)
⇒det((A−λI)T=0)\Rightarrow det((A- \lambda I)^T=0)
⇒det(AT−λI=0)\Rightarrow det(A^T- \lambda I=0)
求解AA的零空间的一个向量很简单,等于求解
很容易求解特征向量,第一行取.6,第三行取.7,第二行求解即可。
马尔科夫矩阵的应用
举例子:
初始状态为[0, 1000]
U是两个城市的人口,矩阵A代表的两个城市之间人口的转化(即从城市cal到mass或反之的人数比例),明显最终的稳态取决于矩阵A,由于这里假设总人口不变,所以矩阵A是马尔科夫矩阵,于是利用上一课的内容求解通式:
得到结果后,我们可以轻松获得任意时刻的状态和稳态。
傅里叶级数
由标准正交基组成的投影矩阵
对于任意向量vv都可以由标准正交基q1,q2...qnq_1, q_2... q_n线性表示:v=x1q1+x2q2+...+xnqnv=x_1q_1+x_2q_2+...+x_nq_n
我们想要得到x1x_1,由于这里q1,q2...qnq_1, q_2... q_n彼此正交,我们想到做内积inner prodect可以消去其他项:
qT1v=x1qT1q1+x2qT1q2+...+xnqT1qnq_1^Tv = x_1q_1^Tq_1+x_2q_1^Tq_2+...+x_nq_1^Tq_n
⇒qT1v=x1qT1q1+0+...+0\Rightarrow q_1^Tv = x_1q_1^Tq_1+0+...+0
写为如下形式:
那么x=Q−1v=QTvx=Q^{-1}v=Q^Tv
⇒xn=qTnv\Rightarrow x_n=q_n^Tv
傅里叶级数
我们知道某个方程:这个方程和上面的很像,这里每一项也是正交,区别在于这里的qnq_n为函数而非向量。
首先是何为函数的正交?正交意味着内积为0,向量的内积我们知道如何额计算:
那么两个函数之间呢?函数是一堆连续的点,很自然的想到了积分:
对于傅里叶级数,由于存在周期,所以积分从0到2π2\pi
于是可以验证傅里叶级数中每一项正交,现在,要怎么求a1a_1,和之前一样,我们让等式两边对cos(x)cos(x)做内积:
(cos(x))2(cos(x))^2的积分为π\pi于是a1=a_1=1π1\over \pi∫2π0f(x)cos(x)dx\int_0^{2\pi}f(x)cos(x)dx
PS:另一位仁兄的笔记
http://blog.csdn.net/suqier1314520/article/details/14056485
相关文章推荐
- web进门第14天
- C指针详解(经典,非常详细)
- Sublime text开发Quick-Cocos2d-x-3.x环境搭建(Windows)
- PHP同时上传“多个”文件示例,并格式化$_FILES数组信息
- 4. Spring4.0之Meta Annotation(元注解)
- OSX10.11分屏(SplitView)功能的新特性研究(一)
- [Sort]快速排序-递归实现
- javascript
- Android中SpannableStringBuilder用法小结
- BestCoder Round #64 (div.2) 1001 Numbers HDU 5585 模拟
- 高中数学必修1 之 集合(上)
- java的输入流是什么鬼东西???
- Android LayoutInflater
- iOS开发>学无止境 - POP 介绍与使用实践(快速上手动画)
- Android可收缩/扩展的TextView【1】
- QUICK 中的触摸事件
- 宽度优先搜索 之 CODE[VS] 1004 四子连棋
- Android主线程向子线程中发送信息
- xampp 访问出现New XAMPP security concept
- nginx做mail proxy 的时候,把消息proxy到哪里去了 4000