MathBase_02工程數學基礎(第六講-第十一講)
工程數學基礎(第六講-第十一講)
MathBase 工程數學基礎(第六講-第十一講)
- Author:Dargon
- Note date:2020/10/19
- 學習視訊來源:
國防科技大學 MOOC
第六講,內積空間
-
度量矩陣
將大G矩陣中的各元素用對應序號的內機空間來進行表示,且定義說明 G 是正定矩陣 成為度量矩陣(暫時沒有發現那裡可以用到) -
向量的正交 和施密特(schmidit)正交化
兩向量內積 為0 ,進行單位正交化 可以使用固定的公式
正交化 兩向量相乘為0 (帶入公式進行計算) -
求標準正交基
就是將現有的基進行 單位化 正交化 結果就是一組標準正交基
第七講,正交變換與對稱變換
- 正交變換
看一下定義:
設T 是歐式空間 V n V^n Vn上的線性變換,若對任意的 α , β ⊂ V n \alpha,\beta \subset V^n α,β⊂Vn 存在
< T α , T β > = < α , β > <T \alpha, T \beta > =<\alpha,\beta> <Tα,Tβ>=<α,β>
則T為V^n上的正交變換
一道例題 基本實現 找一個基使得T在這組新的基下面為對角陣
- 任意找一組基,算出T在基下的一個矩陣
- 求矩陣特徵值,特徵向量,將特徵向量組成P ,就可以利用P將這個矩陣對角化(代數的基本知識),同時P 也就是這組基向新基的一個過渡矩陣
- 用原來的基(E1,E2,E3)分別乘以 P裡面的列向量X1,X2,X3可以得到一組新的基,
- T在這組新的基下面的座標就是可對角化的矩陣。
-
旋轉變換
一個關於影象旋轉的粗糙
演算法
-
映象變換(Householder變換)
一個向量關於一個平面(或者其他的線或者更多維度的)映象
可以得到一個變換矩陣 H ( ω ) = I − 2 ω ω T \color{blue}H(\omega) =I -2\omega \omega^T
第八講,矩陣的相似對角化
-
相似對角化
和以前的知識點沒有變化 -
特徵子空間
出現幾何重數和代數重數
直觀上的理解 代數重數 是特徵值的幾次根例如 ( λ − 1 ) 3 (\lambda -1)^3 (λ−1)3 代數重數就是3
幾何重數 是上面特徵值 1所對應的特徵向量有幾個是獨立的 (線性無關的)若是2 則幾何重數就是 2
這樣一來就說明 幾何重數 <= 代數重數的
幾何重數代表的都是真
的向量 代數重數裡面包含有假
(可以被別人表示的)的向量
幾何重數為基礎解析的個數 = (n -r) 可以在空間中有多少個維度(方向)可以擴散 -
求解矩陣的相似對角化
和前面知識一樣,求特徵值、求特徵向量、組成矩陣P、然後 P − 1 A P = Λ P^{-1}AP =\Lambda P−1AP=Λ
第九講,Jordan標準型
-
jordan標準型出現的原因;
由於在上一章節 求相似對角化的時候,有重根的特徵值沒有那麼多對應的特徵向量,就構造不成矩陣 P,也就不能相似對角化成 對角陣的形式,
於是就出現了Jordan標準型的形式,類似於P的功能。
P − 1 A P = Λ → P − 1 A P = J P^{-1}AP =\Lambda \to P^{-1}AP =J P−1AP=Λ→P−1AP=J -
行列式因子、不變因子與初等因子及其之間關係
先寫出矩陣的特徵方程 A ( λ ) = λ I − A A(\lambda) =\lambda I - A A(λ)=λI−A- 行列式因子:所有非0 K階子式的最大公因式,找出來就是對應的 D 1 ( λ ) 、 D 2 ( λ ) 、 D 3 ( λ ) … … D_1(\lambda)、D_2(\lambda)、D_3(\lambda)…… D1(λ)、D2(λ)、D3(λ)……
- 不變因子 : d 1 ( λ ) = D 1 ( λ ) , d 2 ( λ ) = D 2 ( λ ) D 1 ( λ ) , d 3 ( λ ) = D 3 ( λ ) D 2 ( λ ) d_1(\lambda) =D_1(\lambda), d_2(\lambda) =\frac{D_2(\lambda)} {D_1(\lambda)}, d_3(\lambda) =\frac{D_3(\lambda)} {D_2(\lambda)} d1(λ)=D1(λ),d2(λ)=D1(λ)D2(λ),d3(λ)=D2(λ)D3(λ)
- 初等因子 :不變因子的作用是分解得到的,單獨的重複 也算作是不變因子。
-
Jordan標準型的求解
- 求出A的所有初等因子
- 對每個初等因子寫出對應的Jordan塊矩陣
- 將Jordan塊寫成矩陣的形式,就組合成Jordan標準型
寫出初等因子之後,將其按順序寫成Jordan塊的形式,在將其組合成Jordan 標準型
到此結束!
第十講,過
第十一講,矩陣範數
-
向量範數
目的:- 在平面中,可以輕鬆的定義長度,但是當你到了線性空間的時候,定義不了空間的長度
- 引入範數的概念,來定義空間(賦線性空間)中的距離,長度概念,但是你定義不了夾角
- 引入內積空間(歐式空間),可以定義兩向量的夾角
線性空間 > 賦線性空間 >內積空間
注:賦線性空間是定義範數的線性空間
-
1、2、無窮範數
若全部都等於1 的話
1 範數就相當於 |x1| + |x2| =1 四條直線組成的菱形
2 範數就相當於 x 1 2 + x 2 2 = 1 \sqrt{x1^2 + x2^2} =1 x12+x22 =1 單位圓
無窮範數 就相當於 X中的最大數為1 是一個正方形,邊長為2的(-1,-1)(1,1) -
矩陣範數
- 對任意的
A
⊂
C
n
x
n
A \subset C^{nxn}
A⊂Cnxn,定義
∣ ∣ A ∣ ∣ F = ∑ i = 1 n ∑ j = 1 n ∣ a i j ∣ 2 = T r ( A H A ) ||A||_F =\sqrt{\sum_{i=1}^{n} \sum_{j=1}^{n} |a_{ij}|^2 } =\sqrt{Tr(A^H A)} ∣∣A∣∣F=i=1∑nj=1∑n∣aij∣2 =Tr(AHA)
F 範數相當於對矩陣中每個元素的模進行平方,求和,開方
相當於矩陣的轉置 X 矩陣 所得到的trace 恰好是各元素的平方和,再進行開方 - M範數就是進行單純的各個元素的模進行相加,取最大
- 對任意的
A
⊂
C
n
x
n
A \subset C^{nxn}
A⊂Cnxn,定義
-
誘導範數
出現目的:由於矩陣範數不好定義,利用誘導範數可以很好的進行定義
例如常用的誘導範數:
由1-範數、2-範數、無窮範數誘匯出的對應的矩陣運算元範數,分別稱為矩陣
的1-範數、2-範數、無窮範數 -
矩陣範數
- 矩陣1-範數 ∣ ∣ A ∣ ∣ 1 ||A||_1 ∣∣A∣∣1 將矩陣A的每一列相加,取最大值
- 矩陣無窮-範數 ∣ ∣ A ∣ ∣ ∞ ||A||_\infty ∣∣A∣∣∞ 將矩陣A的每一行相加,取最大值
- 矩陣2-範數 ∣ ∣ A ∣ ∣ 2 ||A||_2 ∣∣A∣∣2 = λ \sqrt{\lambda} λ λ \lambda λ是 A H A A^H A AHA的最大特徵值,再利用最大特徵值進行開方
-
譜與譜半徑
用來描述矩陣的大小,
就是在一堆的特徵值中,以原點為圓心,以離原點最遠的那個特徵值為半徑,進行劃圓,半徑就是譜半徑,將所有的特徵值都包含在裡面。
若A是Hermite矩陣時,則有A的2-範數 = 譜半徑,通常是要大於它的