方阵的特征值、特征向量以及特征多项式和特征方程

2023-11-01 16:04

本文主要是介绍方阵的特征值、特征向量以及特征多项式和特征方程,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

方阵的特征值、特征向量以及特征多项式和特征方程

一、 特征值和特征向量

定义:设 A \bf A A n n n阶矩阵,如果数 λ \lambda λ n n n维非零列向量 x \bf x x使得关系式

A x = λ x (1a) {\bf{Ax = }}\lambda {\bf{x}} \tag{1a} Ax=λx(1a)
成立,那么,这样的数 λ \lambda λ称为矩阵 A \bf A A特征值,非零向量 x \bf x x称为矩阵 A \bf A A所对应于特征值 λ \lambda λ特征向量

二、特征方程和特征多项式

2.1 特征方程

式(1a)也可写作:
( A − λ E ) x = 0 (1b) \bf{(A-\lambda E)x=0} \tag{1b} (AλE)x=0(1b)
这是 n n n个未知数 n n n个方程的齐次线性方程组,它有非零解的充分必要条件是系数行列式
∣ A − λ E ∣ = 0 (2a) {\bf{|A-\lambda E|}} =0\tag{2a} ∣AλE∣=0(2a)

∣ a 11 − λ a 12 ⋯ a 1 n a 21 a 22 − λ ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n − λ ∣ = 0 (2b) \left| {\begin{array}{ccccccccccccccc}{{a_{11}} - \lambda }&{{a_{12}}}& \cdots &{{a_{1n}}}\\{{a_{21}}}&{{a_{22}} - \lambda }& \cdots &{{a_{2n}}}\\ \vdots & \vdots &{}& \vdots \\{{a_{n1}}}&{{a_{n2}}}& \cdots &{{a_{nn}} - \lambda }\end{array}} \right| = 0 \tag{2b} a11λa21an1a12a22λan2a1na2nannλ =0(2b)

式(2)是以 λ \lambda λ为未知数的一元 n n n次方程,称为矩阵 A \bf A A特征方程

2.2 特征多项式

特征方程的左端 ∣ A − λ E ∣ \bf{|A-\lambda E|} ∣AλE∣ λ \lambda λ n n n次多项式,记作 f ( λ ) f(\lambda) f(λ),称为矩阵 A \bf{A} A特征多项式

f ( λ ) = ∣ A − λ E ∣ = ∣ a 11 − λ a 12 ⋯ a 1 n a 21 a 22 − λ ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n − λ ∣ f(\lambda ) = |{\bf{A}} - {\bf{\lambda E}}| = \left| {\begin{array}{ccccccccccccccc}{{a_{11}} - \lambda }&{{a_{12}}}& \cdots &{{a_{1n}}}\\{{a_{21}}}&{{a_{22}} - \lambda }& \cdots &{{a_{2n}}}\\ \vdots & \vdots &{}& \vdots \\{{a_{n1}}}&{{a_{n2}}}& \cdots &{{a_{nn}} - \lambda }\end{array}} \right| f(λ)=AλE= a11λa21an1a12a22λan2a1na2nannλ

2.3 特征方程与特征多项式的关系

若特征多项式为 f ( λ ) f(\lambda ) f(λ),则特征方程为:
f ( λ ) = 0 f(\lambda ) = 0 f(λ)=0

2.4 特征方程的解和解的个数

根据矩阵的特征值的定义,易知,矩阵 A \bf A A的特征值就是矩阵 A \bf A A的特征方程 f ( λ ) = 0 f(\lambda ) = 0 f(λ)=0的解。
特征方程在复数范围内恒有解,其解的个数为特征方程的次数(重根按重数计算),因此, n n n阶矩阵 A \bf A A在复数范围内有 n n n个特征值,或者说矩阵 A \bf A A的特征方程有 n n n个解。

三、矩阵特征值的性质

n n n阶矩阵 A = ( a i j ) {\bf{A}} = ({a_{ij}}) A=(aij)的特征值为 λ 1 , λ 2 , ⋯ , λ n {\lambda _1},{\lambda _2}, \cdots ,{\lambda _n} λ1,λ2,,λn
则这些特征值有以下性质:
性质(1):特征值之和等于其对角线元素之和。
λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n {\lambda _1} + {\lambda _2} + \cdots + {\lambda _n} = {a_{11}} + {a_{22}} + \cdots + {a_{nn}} λ1+λ2++λn=a11+a22++ann

性质(2):矩阵A特征值之积等于其行列式的值。
λ 1 λ 2 ⋯ λ n = ∣ A ∣ {\lambda _1}{\lambda _2} \cdots {\lambda _n} = |{\bf{A}}| λ1λ2λn=A

这篇关于方阵的特征值、特征向量以及特征多项式和特征方程的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/324149

相关文章

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

华为OD机试真题-学生方阵-2024年OD统一考试(E卷)

题目描述 学校组织活动,将学生排成一个矩形方阵。 请在矩形方阵中找到最大的位置相连的男生数量。这个相连位置在一个直线上,方向可以是水平的,垂直的,成对角线的或者呈反对角线的。 注:学生个数不会超过10000 输入描述 输入的第一行为矩阵的行数和列数, 接下来的 n行为矩阵元素,元素间用""分隔。 输出描述 输出一个整数,表示矩阵中最长的位

《计算机视觉工程师养成计划》 ·数字图像处理·数字图像处理特征·概述~

1 定义         从哲学角度看:特征是从事物当中抽象出来用于区别其他类别事物的属性集合,图像特征则是从图像中抽取出来用于区别其他类别图像的属性集合。         从获取方式看:图像特征是通过对图像进行测量或借助算法计算得到的一组表达特性集合的向量。 2 认识         有些特征是视觉直观感受到的自然特征,例如亮度、边缘轮廓、纹理、色彩等。         有些特征需要通

HalconDotNet中的图像特征与提取详解

文章目录 简介一、边缘特征提取二、角点特征提取三、区域特征提取四、纹理特征提取五、形状特征提取 简介   图像特征提取是图像处理中的一个重要步骤,用于从图像中提取有意义的特征,以便进行进一步的分析和处理。HalconDotNet提供了多种图像特征提取方法,每种方法都有其特定的应用场景和优缺点。 一、边缘特征提取   边缘特征提取是图像处理中最基本的特征提取方法之一,通过检

特征值分解(EVD)和奇异值分解(SVD)—应用于图片压缩

特征值分解(EVD)和奇异值分解(SVD)—应用于图片压缩 目录 前言 一、特征值分解 二、应用特征值分解对图片进行压缩 三、矩阵的奇异值分解 四、应用奇异值分解对图片进行压缩 五、MATLAB仿真代码 前言         学习了特征值分解和奇异值分解相关知识,发现其可以用于图片压缩,但网上没有找到相应代码,本文在学习了之后编写出了图片压缩的代码,发现奇异值分

WebShell流量特征检测_哥斯拉篇

90后用菜刀,95后用蚁剑,00后用冰蝎和哥斯拉,以phpshell连接为例,本文主要是对后三款经典的webshell管理工具进行流量分析和检测。 什么是一句话木马? 1、定义 顾名思义就是执行恶意指令的木马,通过技术手段上传到指定服务器并可以正常访问,将我们需要服务器执行的命令上传并执行 2、特点 短小精悍,功能强大,隐蔽性非常好 3、举例 php一句话木马用php语言编写的,运行

线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析

文章目录 1.特征值和特征向量1.1 特征值和特征向量的定义1.2 特征值和特征向量的求法1.3 特征值特征向量的主要结论 2.相似2.1 相似的定义2.2 相似的性质2.3 相似的结论 3.相似对角化4.实对称矩阵4.1 实对称矩阵的基本性质4.2 施密特正交化 5.重难点题型总结5.1 判断矩阵能否相似对角化5.2 已知两个矩阵相似,求某个矩阵中的未知参数5.3 相似时,求可逆矩阵P,使

图特征工程实践指南:从节点中心性到全局拓扑的多尺度特征提取

图结构在多个领域中扮演着重要角色,它能有效地模拟实体间的连接关系,通过从图中提取有意义的特征,可以获得宝贵的信息提升机器学习算法的性能。 本文将介绍如何利用NetworkX在不同层面(节点、边和整体图)提取重要的图特征。 本文将以NetworkX库中提供的Zachary网络作为示例。这个广为人知的数据集代表了一个大学空手道俱乐部的社交网络,是理解图特征提取的理想起点。 我们先定义一些辅助函数

【ML--05】第五课 如何做特征工程和特征选择

一、如何做特征工程? 1.排序特征:基于7W原始数据,对数值特征排序,得到1045维排序特征 2. 离散特征:将排序特征区间化(等值区间化、等量区间化),比如采用等量区间化为1-10,得到1045维离散特征 3. 计数特征:统计每一行中,离散特征1-10的个数,得到10维计数特征 4. 类别特征编码:将93维类别特征用one-hot编码 5. 交叉特征:特征之间两两融合,x+y、x-y、

【机器学习 sklearn】特征筛选feature_selection

特征筛选更加侧重于寻找那些对模型的性能提升较大的少量特征。 继续沿用Titannic数据集,这次试图通过特征刷选来寻找最佳的特征组合,并且达到提高预测准确性的目标。 #coding:utf-8from __future__ import divisionimport sysreload(sys)sys.setdefaultencoding('utf-8')import timest