矩阵中的一些基本概念
2017-01-05 11:19
295 查看
矩阵中的概念还是很多的,时间一长很容易忘记,这里做一个摘录,已备不时之需。
线性空间
1. 生成子空间
设x1,x2,⋯,xm是数域K上的线性空间V的一组向量,其所有可能的线性组合的集合V1=k1x1+⋯+kmxm,(ki∈K,i=1,2⋯,m)容易验证V1是V的一个线性子空间,记为 L(x1,x2,⋯,xm)=k1x1+⋯+kmxm
2. 矩阵的值域
设A=(aij∈Rm×n),以ai(i=1,2,⋯,n)表示A的第i个列向量,称子空间L(a1,a2,⋯,an)为矩阵A的值域(列空间),记为R(A)=L(a1,a2,⋯,an)显然有R(A)∈Rm,故rank(A)=dimR(A),R(A)还可以这样生成:令x=(ξ1,ξ2,⋯,ξn)T∈Rn,则:
Ax=(a1,a2,⋯,an)(ξ1,ξ2,⋯,ξn)T
=ξ1x1+⋯+ξnxn
即Ax为A的列向量线性组合,所以有
R(A)={Ax|x∈Rn}
同理可定义AT的值域(行空间)
R(A)={ATx|x∈Rm}
3 核空间
设A=(aij)∈Rm×n,称集合{x|Ax=0}为A的核空间(零空间),记为N(A),即N(A)={x|Ax=0}显然N(A)是齐次线性方程组Ax=0的解空间,A的核空间的维度称为A的零度,记为
n(A),即n(A)=dimN(A),则很容易有下列公式:
rankA+n(A)=n
n(A)−n(AT)=n−m
rankAT+N(AT)=m
4 正交
定理一:对于欧式空间Vn的任一基x1,x2,⋯,xn都可以找到一个标准正交基y1,y2,⋯,yn.换言之,任意非欧式空间都有正交基和标准正交基。该定理可用Schmidt正交化方法构造性证明。
正交矩阵:实方阵Q满足QTQ=I,或QT=Q则称Q为正交矩阵
显然Q是正交矩阵的充要条件是,它的列向量是两两正交的单位向量,正交向量是非奇异的,从det(QTQ)=det(QT)×det(Q)=(det(Q))2=1得det(Q)=±1可知。自然正交矩阵的逆矩阵也是正交矩阵,两个正交矩阵的乘积仍是正交矩阵。
正交矩阵在标准正交基下的矩阵是正交矩阵,但是在别的基下的矩阵可能是正交矩阵,也可能不是
5对称性与对称矩阵
对称变换:设T是欧式空间V的一个线性变换,且对V中任意两个向量x,y都有(Tx,y)=(x,Ty)成立,则T为V中的一个对称变换。
定理2:欧式空间的线性变换是实对称变换的充要条件是,它对于标准正交基矩阵是实对称矩阵。
定理3:实对称矩阵的特征值都是实数
下面给出简要证明:
设A是实对称矩阵,λ是它的特征值,x是对应的特征向量,则有:
Ax=λx
两边取共轭有
Ax¯¯¯¯¯=λx¯¯¯¯
由共轭复数的性质有:
A¯x¯=λ¯x¯
取转置,由A¯=A,AT=A,得
λ¯x¯T=x¯TA
等式两边右乘x得
λ¯x¯Tx=x¯TAx=λx¯Tx
(λ−λ¯)x¯Tx=0
而xTx≠0,故λ=λ¯,λ是实数。
定理4:实对称矩阵不同特征值所对应的特征向量是正交的
简要证明如下:
设λ1x1=Ax1,λ2x2=Ax2
由于λ1xT1=xT1A
故λ1xT1x2=xT1Ax2=λ2xT1x2
即(λ1−λ2)xT1x2=0
但是λ1≠λ2故(x1,x2)=0
6 酉空间
酉空间实际上是实数域R上线性空间的扩展,和欧式空间理论很相近,有一套平行的理论。酉变换:酉空间V中的线性变换T,若满足
(x,x)=(Tx,Tx),x∈V
则称T为V的酉变换。
酉矩阵:酉变换在酉空间的标准正交基下的矩阵A是酉矩阵,即A满足:
AHA=AAH=I
Hermite变换:酉空间V中的线性变换T,若满足
(Tx,y)=(x,Ty),x,y∈V
则称T为V的Hermite变换。
Hermite矩阵: Hermite变换在酉空间的标准正交基下的矩阵A是Hermite矩阵,即满足
AH=A
酉矩阵对应于实数域空间中的正交矩阵,Hermite矩阵对应于实数域空间中的对称矩阵
定理5:
:设A∈Cn×n的特征值为λ1,λ2,⋯,λn,则存在酉矩阵P,使得
P−1AP=PHAP=⎡⎣⎢⎢⎢⎢⎢⎢λ1∗…λ2⋱⋱∗⋮∗λn⎤⎦⎥⎥⎥⎥⎥⎥
2 设A∈Rn×n的特征值为λ1,λ2,⋯,λn,且λi∈R(i=1,2,⋯,n)则存在正交矩阵Q,使得
Q−1AQ=QTAQ=⎡⎣⎢⎢⎢⎢⎢⎢λ1∗…λ2⋱⋱∗⋮∗λn⎤⎦⎥⎥⎥⎥⎥⎥
证明过程略微繁琐,这里就不给出了,一般用数学归纳法证明。
正规矩阵:设A∈Cn×n,且等式
AHA=AAH
成立,则称A为正规矩阵。那么上面的定理可以进一步的加强
定理6:
设A∈Cn×n,则A酉相似与对角矩阵的充要条件是A为正规矩阵;
设A∈Rn×n,且A的特征值都是实数,则A正交相似于对角矩阵的充要条件是A为正规矩阵
上面两条定理给出了一个矩阵可以转化为对角矩阵的充要条件
范数篇
向量范数向量范数的等价性:设∥x∥α和∥x∥β为有限维线性空间V的任意两种向量范数,则存在两个与向量x无关的正常数c1和c2,使得不等式c1∥x∥β≤∥x∥α≤c2∥x∥,(∀x∈V)
证明略
特殊情况有∥x∥∞≤∥x∥1≤n∥x∥
∥x∥∞≤∥x∥2≤n√∥x∥∞
矩阵范数
定义:设A∈Cm×n,定义一个实值函数∥A∥,他满足以下三个条件:
1.非负性:当A≠O时,∥A∥>0;当A=O时,∥A∥=0
2.齐次性:∥αA∥=|α|∥A∥,(α∈C)
3.三角不等式:∥A+B∥≤∥A∥+∥B∥,(B∈C)
则称∥A∥为A的广义矩阵范数。
若对Cm×n,Cn×l,Cl×m上的同类广义矩阵,还应满足以下一个条件:
4.相容性: ∥AB∥≤∥A∥∥B∥
定理:已知Cm和Cn上的同类范数∥⋅∥,设A∈Cm×n,则函数
∥A∥=max∥x∥=1∥Ax∥是Cm×n上的矩阵范数,且与已知向量范数相容。
下面是三种常用的范数
设A=(aij)m×n∈Cm×n,x=(ξ1,ξ2,⋯,ξn)T∈Cn,则从属于向量x的三种范数∥x∥1,∥x∥2,∥x∥∞的矩阵范数依次是:
∥A∥1=maxj∑i=1m|aij|
∥A∥2=λ1−−√,λ1为AHA的最大特征值;
∥A∥∞=maxi∑j=1n|aij|
证明:
(1)设∥x∥=1,则
∥Ax∥=∑i=1m∣∣∣∣∑j=1naijξj∣∣∣∣≤∑i=1m∑j=1n|aij|ξj|=∑j=1n|ξj|(∑i=1m|aij|)
≤(maxj∑i=1m|aij|)∑j=1n|ξj|=maxj∑i=1m|aij|
因此有
∥A∥1=max∥x∥1=1∥Ax∥1≤maxj∑i=1m|aij|
选取k使得
∑i=1m|aik|=maxj∑i=1m|aij|
令x0为第k个单位坐标向量,则有
Ax0=(A1k,a2k,⋯,amk)T
∥A∥1=max∥x∥1=1∥Ax∥1≥∥Ax0∥=∑i=1m|aik|=maxj∑i=1m|aij|
得证
(2) 因为AHA是Hermite矩阵,且由
xH(AHA)x=(Ax)H(Ax)=∥Ax∥22≥0
因此AHA是半正定的,从而它的特征值为非负,设为
设λ为AHA的一个特征值,特征向量为x,且∥x∥2=1则
∥Ax∥22=(x,AHAx)=(x,λx)=λ∥x∥22≤λ1
所以有∥A∥2=max∥x∥2=1∥Ax∥2≤λ1−−√
显然当x为λ1的特征向量是取等号。
(3)证明类似于上面,过程略.
谱半径:设A∈Cn×n的特征值为λ1,λ2,⋯,λn,称
ρ(A)=maxi|λi|
定理:设A∈Cn×n,则对Cn×n上的任何一种矩阵范数∥⋅∥,都有
ρ(A)≤∥A∥
证明过程很简单,设Ax=\lambda xAx=λx,则|\lambda|\|x\|_v=\|\lambda x\|_v=\|Ax\|_v\le\|A\|\|x\|_v|λ|∥x∥v=∥λx∥v=∥Ax∥v≤∥A∥∥x∥v,因为x\neq 0x≠0,所以|\lambda|\le\|A\|.|λ|≤∥A∥.
当矩阵AA是Hermite矩阵时,\|A\|_2=\rho(A)∥A∥2=ρ(A)
因为:\|A\|_2=\sqrt{\max_i|\lambda_i(A^HA)|}=\sqrt{\rho(A^HA)}=\rho^\frac 1 2(A^HA)∥A∥2=maxi|λi(AHA)|−−−−−−−−−−−−√=ρ(AHA)−−−−−−−√=ρ12(AHA)
因为AH=A
∥A∥22=ρ(AHA)=ρ(A2)=ρ2(A)
固有∥A∥2=ρ(A)
定理:设A∈Cn×n,对于任意的正数δ,存在某种矩阵范数∥⋅∥M,使得
∥A∥M≤ρ(A)+δ
证明略。
矩阵的非奇异性条件
定理:设A∈Cn×n,且对Cn×n上的某种矩阵范数∥⋅∥,有∥A∥≤1,则矩阵I−A非奇异,且有∥(I−A)−1∥≤∥I∥1−∥A∥
证明:
若det(I−A)=0,则其次线性方程组(I−A)x=0有非零解x0,则有
(I−A)x0=0
则∥x0∥V=∥Ax0∥v≤∥A∥∥x0∥V<∥x0∥V
出现矛盾,故det(I−A)≠0,矩阵I−A非奇异.
再由(I−A)−1(I−A)=I,可得
(I−A)−1=I+A(I−A)−1
于是∥(I−A)−1∥≤∥I∥+∥A∥∥(I−A)−1∥
即∥(I−A)−1∥≤∥I∥1−∥A∥
当A很小时,(I−A)−1与单位矩阵的逼近成都由下面定理给出
定理:设A∈Cn×n,且对Cn×n上的某种矩阵范数∥⋅∥,有∥A∥≤1,则
∥I−(I−A)−1∥≤∥A∥1−∥A∥
证明:因为∥A∥≤1,s所以(I−A)−1存在,由
(I−A)−I=−A右乘(I−A)−1得
I−(I−A)−1=−A(I−A)−1
两边取范数有
∥I−(I−A)−1∥=∥−A(I−A)−1∥≤∥A∥1−∥A∥
推论:设A∈Cn×n非奇异,B∈Cn×n,且对Cn×n上的某种矩阵范数∥⋅∥,有∥A−1B∥<1,则A+B非奇异
证明很简单,由于∥A−1B∥<1,所以∥−A−1B∥<1,再用上面的定理的证。
矩阵分析
矩阵收敛定义:设A为方阵,且当k→∞时,有Ak→O ,则称A为收敛矩阵
定理:Ak→O(k→∞)的充要条件是ρ(A)<1
证明:充分性由前面的定理有∥A∥M≤ρ(A)+δ
对于δ=12[1−ρ(A)]则
∥A∥≤12[1+ρ(A)]<1
于是∥Ak∥M≤∥A∥kM→0,故Ak→O
必要性:已知Ak→O,设λ是A的任一特征值,对应的特征向量为x,则有Ax=λx(x≠0),因为
λkx=Akx→0所以λk→0,从而|λ|<1故ρ(A)<1
推论:Ak→O(k→0)的充分条件是只要有一种矩阵范数∥⋅∥,s使∥A∥<1
证明很简单,ρ(A)≤∥A∥<1,由前面的定理立马得出结果。
矩阵级数
定义:
相关文章推荐
- 矩阵理论的一些基本概念
- 数据库一些基本概念
- 工作流的一些基本概念
- 数据结构中关于图的一些基本概念
- C++中一些基本概念
- 数字证书的一些基本概念
- Python学习笔记(1)-一些基本概念
- 数据库设计的一些基本概念(读书笔记)
- 概率论的一些基本概念
- BI的一些基本概念,体系结构
- DirectX学习-了解什么是DirectX里的一些基本的概念
- 一些最基本的概念,适合刚接触java者
- java的一些基本概念
- 数据结构中关于树的一些基本概念--随时更新 推荐
- UML学习笔记(二):复习面向对象的一些基本概念
- Unix中存储管理的一些基本概念
- 一些最基本的概念,适合刚接触java者.
- 有关MQ中的一些基本概念(二)
- [Eclipse笔记]一些基本概念
- 计算机的一些基本概念