線性代數基礎知識 學習筆記
前沿:萬物皆矩陣!
Content
- 1 .Determination
- 2. Homogeneous equation and non-homogeneous equation of solution
- 3. Linear correlation and Linear independence
- 4. Solution Vector
- 5. Base solution group of linear equation group(線性方程組的基礎解系)
- 6. Engivalue and Engivector
- 7. Similar Matrics
- 8. Real Symmetric Matrix and Matrix of a quadratic form
- Vital understanding for Engivalue and Engivector Matrix(特徵值和特徵向量深層次理解)
- Refrence
Defination:不同行不同列n個數的乘積之和。
=======假設原先行列式的值: |D|=A=======
==========================================
性質1:任意兩行互換,|D|=-A
性質2:把行列式中A的某行(或列)中元素同乘一數加到另一行,結果任為A。
性質3:A = A^T,由行列式性質可知
性質4:某行同乘K,結果為K*A
性質5:任意兩行相同,行列式為0
應用:(1)求解非線性方程組,行列式|D|≠0,這非齊次方程有唯一解。
(2)求解齊次方程,行列式|D|=0 ,則方程存在非零解。
(3) |A|=0,可得:
1.A的行向量線性相關
2.A的列向量線性相關
3.方程組Ax =0 存在非零解
4.A的秩小於n
5.A不可逆
5.2.1 齊次方程(Homogeneous equation),則 A * X = 0, 其中A是nxn矩陣,X是向量(x1,x2,x3,x4,...)
For example:
a11*x1+a12*x2+a13*x3+...a1n*xn = 0;
a21*x1+a22*x2+a23*x3+...a2n*xn = 0;
...
an1*x1+an2*x2+an3*x3+...ann*xn = 0;
Coefficienct Matrix A =
Vector variable X =
Compose: A*X =0; (A和X都加粗表示矩陣和向量)
特別的,其次方程一定有解,解為0,存在非零解的條件是 |A|= 0(線性相關)
5.2.2 非齊次方程(Non-homogeneous equation)
Expression: A * X =B
Existence Situation of Solution:
(1)無解 |A| = 0,化為上三角或下三角行列式,行列式中存在相同行,在B右邊值非0,則無解( rank(A) <rank(A,b))
(2)有唯一解,rank(A(nxn)) = n = rank(A,B);
(3)有無窮多個解 rank(A)=rank(A,b) < n
這裡涉及矩陣秩的概念,矩陣的秩的定義:是其行向量或列向量的極大無關組中包含向量的個數(行秩和列秩中的最小值)。
3. Linear correlation and Linear independence
根據齊次方程或非齊次方程解的型別,可以引出線性相關和線性無關的概念。
線性相關:設 向量組A:{a1,a2,a3,...},若存在a1 = b1*a2+b2*a3+...bn*an,即an可以由其他向量表示,這杯認為線性相關。
幾何意義:如向量B:(線性無關)
代表基座標(1,0,0) ,(0,1,0),(0,0,1),這乘上向量X(x1,x2,x3),代表線性變換後的結果為在這個座標系下對
X進行變換的結果為(x1,x2,x3)。
設R(A)=r;
若B是Ax = 0 的解向量,則B是Ax = 0的基礎解析的子集,B能被AX=0的基礎解析線性表示。這R(B)<=R(A) = n -r
5. Base solution group of linear equation group
(5.1)設齊次線性方程組中AX =0 的 基礎解析為 {b1,b2,b3...bn}
則該方程的基礎解析為x =a11*b1+a22*b2+...ann*bn
(5.2)設非齊次線性方程組 AX =B的基礎解析為{c1,c2,c3...cn}
則該方程的基礎解析為x = 齊次方程的基礎解系 + 非齊次方程的一個解
求非齊次方程組的通解的一般方法:
1.初等變換為行階梯形,判斷是否有解,即R(A)=R(A,b)
2.若存在,則化為行最簡式。
3.列方程組,通常格式為 = 齊次方程組的基礎解系 + 非齊次方程組的一個解
4.檢驗:通過A的R(A),可判斷齊次方程組的基礎解系的個數為Rs= n - r.
例子:求非齊次線性方程組的通解
的通解
則A的係數矩陣為
對A,b做初等變換
\\
因為R(A)=R(A,b) =2<4,則方程存在無數多個解(意味著方程組的個數小於未知數的個數)
則
則對應線性方程組為
則
接下來,將x3和x4 看成常數提出,則非齊次方程組的基礎解系
6.1 Defination in Math:
給定的矩陣A(方陣),如果有一個向量v,使得矩陣A作用於v之後(即A和v相乘),得到的新向量和v
任然保持在同一條直線上,像下面這樣:
那麼就稱向量v是矩陣A的一個特徵向量,而lmd就是特徵向量v對應的特徵值(一個特徵向量一定對應
一個特徵值)矩陣就是線性變換(nxn維度--->nx1維度,就是可以從矩陣中取出向量和特徵值),向量v
在經過矩陣A這個線性變換之後,新向量和原來的向量v任然保持在同一條直線上,也就是說這個變換隻是
把向量v的長度進行了改變而保持方向的不變(在特徵值是負數的情況下,新向量的方向是原來方向的反向
,即180°反方向。)
6.2 Relevant Conclusion:
1. 矩陣A對角線之和等於特徵值的和
2. 矩陣A對角線之積等於 矩陣A的行列式
Certification:
設A為可逆的方陣
移位操作
如果使得方程有解,則行列式 |A-λE| = 0,得到結果
則根據韋達定理,根之和(特徵值λ解之和)= a11+a22+a33+...+ann
特別的,當λ =0 時,行列式|A| = a11*a22*a33*....ann
END
6.3 About Engivalue and Engivector Conclusion
(1)Power: A^(k)*P = λ^(k)*p
(2)Inverse Matrix: A^(-1)*P = λ^(-1)*p
(3)Companion Matrix:(A*)*P =|A|* λ^(-1)*P
(4)Transfom Matrix:A^(T)*P = λ*P
(5)Function : f(A)*P = f(λ)*P
6.4 追問精神
(1)為什麼N階矩陣一定有n個特徵值?
根據代數定理,n次多項式有且只有n個根,由行列式的性質可知,最高可展成n項,最低0次冪。
f(λ) = |A -λ*E|= 存在λ,且有n個這樣的λ。(可能都相同,可能都不同)
(2)AP =λP,若使P存在非零解,
then R(A -λP)<n
or |A-λE| =0
(3)特徵值和特徵向量的應用
關於理解特徵向量,主要應用於影象處理中。如下圖所示。
當蒙娜麗莎的影象左右翻轉時,中間垂直的紅色向量的方向保持不變。而水平方向上黃色的向量的方向
完全反轉,因此它們都是左右翻轉變換的特徵向量。紅色向量長度不變,其特徵值為1.黃色向量的長度也不變
但方向變了,其特徵值為-1.
橙色向量在反轉後和原來的向量不在同一條直線上,因此不是特徵向量。
7. Similar Matrices(Square Matrix)
Defination:
If P^(-1)*A*P = B ,then A ~B .
Relevant Property:(IF A Similar as B)
(1)Engi-polynomial not Change :|A - λE| = |B - λE |
(2) Engivalue not Change
(3)Determination not Change :|A| = |B| = λ1+λ2+...λn
(4)Trace of Matrix not Change:trA =trB=λ1+λ2+...λn = 矩陣對角線之和
(5)Rank not Change : rank(A) = rank(B), 初等變換性質決定
Quesion:
How to find similar matrics for A ?
(1)與零矩陣相似的只有零矩陣
(2)與單位矩陣相似的只有單位矩陣
(3)與數量矩陣相似的只有它自己
Why propose this quesion? introduce diagonalization for matrix.
(1) n階矩陣A與對角矩陣相似的充分必要條件 是A有n個 線性無關的特徵向量。
Certification:
A(P1,P2,P3,...Pn) = (P1,P2,P3,...Pn)*diag(λ1,λ2,λ3,...λn)
∵ p可逆,則
(A*P1,A8P2,A*P3,...A*Pn) = (P1*λ1,P2*λ2,....,Pn*λn)
由之前的特徵值和特徵向量知識可知,
(λ1,λ2,λ3,...λn)是A的特徵值
(P1,P2,P3,...Pn)是A的特徵向量
(2) 方陣A 的n個特徵值有 相同的重數,則方陣A能對角化的充分必要條件是
*每一個K重特徵值能夠確定K個線性無關的特徵向量。
*(A-λE)*x = 0的解空間的維數也是K
*R(A-λE) = n -K
APPLICATION:
(1)求解矩陣的高次冪
存在A和P,使得P^(-1)*A*P =√
則A = P*√*P^(-1) ===由特徵值冪的性質
A^n = P*√^(n)*P^(-1) ;
(2)利用特徵值求行列式
|A| = λ1*λ2*λ3*...*λn ;
(3)判斷是否可逆,由(2)可知
(4)判斷矩陣是否相似,只有求出各自的對角,對角相似就相似。
8. Real symmetric matrix and Matrix of a quadratic form
(1)Real symmetric matrix:
Defination : 就是矩陣內元素都是實數,其次是對稱的(n階就是N BY N)
Attribution1:實對稱矩陣的兩個不同的特徵值所對應的特徵向量是正交的。
Attribution2 :任何實對稱矩陣可以通過正交變換將其對角化。
未完待續。。。20220531
Vital understanding for Engivalue and Engivector Matrix
(特徵值和特徵向量深層次理解)
線性代數的最後,我們都學會矩陣的特徵值分解,我們知道一個方陣A經過特徵值分解後就得到特徵向量和特徵值。
那麼,這個所謂的特徵值和特徵向量如何理解呢?
書本上一上來就給這個公式:
Ax = λx,其中x 是一個向量
從公式角度理解,一個矩陣乘上這個向量 等於 一個數乘上這個向量。
特徵這個詞語來自德語,engen vector,本義是在“本身固有的,本質的”。幾何意義就是一個矩陣
乘上向量等於 一個數乘上向量(在向量方向的拉伸壓縮或不變)。
從實際應用角度,影象處理就應用到特徵值分解。我們都知道影象是由一個個畫素組成。假設有一個200x200
的影象,對這個影象矩陣的特徵值分解,其實是在提取這個影象中的特徵,這些提取出來的特徵是一個個向量,即對應
著特徵向量。在這個200x200矩陣分解之後,會得到一個200x200的特徵向量組成的矩陣Q以及一個200x200的只有對角線
元素不為0的矩陣E,這個矩陣E對角線上元素就是該矩陣的特徵值,而且還是按照大小排列,也就是該該特徵值200個就是
影象的200個特徵,這200個特徵的重要性用200個數字表示,這200個數字存放在對角矩陣E中.在實際中我們發現,200個
特徵,如果數值很小,對影象的影響就可忽略不計。
根據上述描述,我們知道影象矩陣A特徵值分解後可以得到矩陣Q和矩陣E:(在相似矩陣這一章節描述過,見Matlab
learning notes1(1))
A = QEQ^(-1)
那麼反推,把右邊三個矩陣相乘肯定能得到矩陣A.既然已經知道矩陣E中只有數值較大的比較重要,那不妨將矩陣E中對角
線前20個保留,其餘都設定為0,即只取影象的前20個主要特徵來恢復影象,剩下的全部捨棄,看看此時會發生什麼,
如下圖所示。
通過上圖我們知道,在只取20個特徵和特徵向量對影象進行恢復時候,基本上已經可以看到影象的大體輪廓了,而
取到前50的時候,幾乎已經和原圖無差異。通過上述例子可以形象的理解矩陣的特徵值和特徵向量的作用。
注:特徵值分解必須是nxn的方陣,如果不是行列相等的矩陣,請使用奇異值分解(這個在碩士課程 矩陣論上有)
Refence :
https://blog.csdn.net/woainishifu/article/details/76418176 (About engivalue and engivector
application and understanding) (特徵值和特徵向量的理解)
Date:20220531 知行合一,方能走的長遠