特征值与特征向量 转自别人的

2024-04-26 01:08

本文主要是介绍特征值与特征向量 转自别人的,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!

§4.1  特征值与特征向量

§4.1.1特征值与特征向量的概念及其计算

定义1.  设A是数域P上的一个n阶矩阵,l是一个未知量,

    

称为A的特征多项式,记 ¦(l)=| lE-A|,是一个P上的关于 l

的n次多项式,E是单位矩阵

¦(l)=| lE-A|=ln+a1ln-1+…+an= 0是一个n次代数方程,称为A的特征方程。 特征方程 ¦(l)=| lE-A|=0的根 (如:l0) 称为A的特征根(或特征值)。 n次代数方程在复数域内有且仅有n 个根,而在实数域内不一定有根,因此特征根的多少和有无,不仅与A有关,与数域P也有关。

以A的特征值 l0代入 (lE-A)X=q ,得方程组 (l0E-A)X=q,是一个齐次方程组,称为A的关于l0的特征方程组。因为 |l0E-A|=0,(l0E-A)X=q 必存在非零解X(0) ,X(0) 称为A的属于 l0的特征向量。所有l0的特征向量全体构成了l0的特征向量空间。

 

 

一. 特征值与特征向量的求法

    对于矩阵A,由AX=l0X,l0EX=AX,得:

         [l0E-A]X=q  即齐次线性方程组

   

有非零解的充分必要条件是:

即说明特征根 是特征多项式 |l0E-A| =0的根,由代数基本定理

有n个复根 l1, l2,…, ln,为A的n个特征根。

当特征根 li (I=1,2,…,n)求出后,(liE-A)X=q 是齐次方程,li均会使 |liE-A|=0,(liE-A)X=q 必存在非零解,且有无穷个解向量,(liE-A)X=q 的基础解系以及基础解系的线性组合都是A的特征向量。

例1. 求矩阵 的特征值与特征向量。

解:由特征方程

解得A有2重特征值 l1=l2=-2,有单特征值 l3=4

对于特征值 l1=l2=-2,解方程组 (-2E-A)x=q

得同解方程组 x1-x2+x3=0

解为x1=x2-x3 (x2,x3为自由未知量)

分别令自由未知量

得基础解系

所以A的对应于特征值 l1=l2=-2的全部特征向量为

x=k1x1+k2x2    (k1,k2不全为零)

可见,特征值 l=-2的特征向量空间是二维的。注意,特征值在重根时,特征向量空间的维数£特征根的重数。

对于特征值 l3=4,方程组  (4E-A)x=q

得同解方程组为

通解为

令自由未知量 x3=2 得基础解系 

所以A的对于特征值 l3=4 得全部特征向量为 x= k3 x3

 

例2.       求矩阵 的特征值与特征向量

解:由特征方程

解得A有单特征值 l1=1,有2重特征值 l2=l3=0

对于 l1=1,解方程组 (E-A) x = q

得同解方程组为

同解为

令自由未知量 x3=1,得基础解系

所以A的对应于特征值 l1=1的全部特征向量为 x=k1x(k1¹0)

对于特征值 l2=l3=0,解方程组  (0E-A)=q

得同解方程组为

通解为

令自由未知量 x3=1,得基础解系

此处,二重根 l=0 的特征向量空间是一维的,特征向量空间的维数<特征根的重数,这种情况下,矩阵A是亏损的

所以A的对应于特征值 l2=l3=0 得全部特征向量为 x=k2x

 

例3.   矩阵 的特征值与特征向量

解:由特征方程

解得A的特征值为  l1=1, l2=i, l3=-i

      对于特征值 l1=1,解方程组 (E-A)=q ,由

     

得通解为

令自由未知量 x1=1,得基础解系 x1=(1,0,0)T,所以A的对应于特征值 l1=1得全部特征向量为 x=k1x1

      对于特征值 l2=i,解方程组 (iE-A)=q

得同解方程组为

通解为

令自由未知量 x3=1,得基础解系 x2=(0,i,1)T,所以A对应于特征值l2=1的全部特征向量为 x=k2x(k2¹0)。

      对于特征值 l3=-i,解方程组 (-E-A)x=q,由

     

得同解方程组为

通解为

令自由未知量 x3=1,,得基础解系 x3=(0,-i,1)T,所以A的对应于 l3=-i的全部特征向量为 x=k3x3 。特征根为复数时,特征向量的分量也有复数出现。

特征向量只能属于一个特征值。而特征值 li的特征向量却有无穷多个,他们都是齐次线性方程组 (liE-A)x=q 的非0解。其中,方程组(liE-A)x=q的基础解系就是属于特征值li的线性无关的特征向量。

 

性质1.  n阶方阵A=(aij)的所有特征根为l1,l2,…, ln(包括重根),则

  

证第二个式子:

由伟达定理,l1l2…ln=(-1)nan

又 |lE-A|=ln+a1ln -1+…+an-1l1+an 中用 l=0 代入二边,得:

|-A|=an, 而 |A|=(-1)nan= l1l2…ln

 

性质2. 若 l 是可逆阵A的一个特征根,x为对应的特征向量,则

是A-1的一个特征根,x仍为对应的特征向量。

  证:

可见 是A-1的一个特征根。

其中 l¹0,这是因为0不会为可逆阵的特征根,不然,若li=0,

|A|= l1l2…ln=0,A奇异,与A可逆矛盾。

 

性质3. 若 l 是方阵A的一个特征根,x为对应的特征向量,则

lm是Am的一个特征根,x仍为对应的特征向量。

证:1) Ax=lx,二边左乘A,得:A2x=Alx=lAx=llx=l2x,

可见 l2 是 A2 的特征根;

    2) 若 lm 是 Am 的一个特征根,Amx= lmx,

   二边左乘A,得:Am+1x=AAmx=Almx=lmAx=lmlx=lm+1x,

   得lm+1是Am+1的特征根

  用归纳法证明了lm 是 Am 的一个特征根。

 

性质4. 设 l1,l2,…, lm是方阵A的互不相同的特征值。xj是属于li 的特征向量( i=1,2,…,m),则 x1,x2,…,xm线性无关,即不相同特征值的特征向量线性无关 。

性质4给出了属于不相同特征值的特征向量之间的关系,因而是一个很重要的结论。

    性质4可推广为:设 l1,l2,…, lm为方阵A的互不相同的特征值,x11,x12,…,x1,k1是属于l1的线性无关特征向量,……,xm1,xm2,…,xm,k1是属于lm 的线性无关特征向量。则向量组 x11,x12,…,x1,k1,…, xm1,xm2,…,xm,k1也是线性无关的。即对于互不相同特征值,取他们各自的线性无关的特征向量,则把这些特征向量合在一起的向量组仍是线性无关的。

这篇关于特征值与特征向量 转自别人的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/936301

相关文章

[情商-13]:语言的艺术:何为真实和真相,所谓真相,就是别人想让你知道的真相!洞察谎言与真相!

目录 前言: 一、说话的真实程度分级 二、说谎动机分级:善意谎言、中性谎言、恶意谎言 三、小心:所谓真相:只说对自己有利的真相 四、小心:所谓真相:就是别人想让你知道的真相 五、小心:所谓善解人意:就是别人只说你想要听到的话 前言: 何为真实和真相,所谓真相,就是别人想让你知道的真相!洞察谎言与真相! 人与人交流话语中,处处充满了不真实,完全真实的只是其中一小部分,这

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

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

奇异值与特征值基础

一、奇异值与特征值基础知识:     特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系,我在接下来会谈到,特征值分解和奇异值分解的目的都是一样,就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧:    1)特征值:     如果说一个向量v是方阵A的特征向量,将一定可以表示成下面的形式:     这时候λ就被称为特征向量v对应的特征值,一个

处理特征向量和离散特征

在最新的腾讯的社交广告大赛中,数据如下,如何处理这种向量的特征 比如intersets1,interests2.... LBS,950,age,4,carrier,1,consumptionAbility,2,ct,3 1,education,7,gender,2,interest1,93 70 77 86 109 47 75 69 45 8 29 49 83 6 46 36

MATLAB eig 函数简介:计算特征值和特征向量

在数据科学、工程学和数学中,特征值和特征向量是理解和分析矩阵行为的核心概念。MATLAB 的 eig 函数是处理这些概念的强大工具。本文将介绍 eig 函数的基本用法,并通过示例展示如何使用它来计算特征值和特征向量。 什么是特征值和特征向量? 在矩阵分析中,特征值和特征向量帮助我们理解一个矩阵的性质。例如,在物理学中,它们可以用来描述系统的稳定性;在机器学习中,它们被用于数据降维和特征提取。

矩阵的特征值和特征向量的雅克比算法C/C++实现

矩阵的特征值和特征向量是线性代数以及矩阵论中非常重要的一个概念。在遥感领域也是经常用到,比如多光谱以及高光谱图像的主成分分析要求解波段间协方差矩阵或者相关系数矩阵的特征值和特征向量。 根据普通线性代数中的概念,特征值和特征向量可以用传统的方法求得,但是实际项目中一般都是用数值分析的方法来计算,这里介绍一下雅可比迭代法求解特征值和特征向量。 雅克比方法用于求实对称阵的全部特征值、特征向量。 对

眼底视网膜血管增强方法(五)Hessian矩阵最大特征值

眼底视网膜血管增强方法(五)Hessian矩阵最大特征值 说明 在上一篇文章中讲到,Hessian矩阵的特征值能够很好地描述眼底图像的血管信息。眼底的血管部分是一个管状的结构,高斯二阶导的响应值比较大;眼底的背景是均匀部分,高斯二阶导的响应值比较小。因此,血管点处的Hessian矩阵特征值一大一小,血管交叉点处Hessian矩阵特征值两个都很大,背景点处Hessian矩阵的特征值两个都很小。f

刚复制的vm workstation 虚机机,在别人机器上启动时报H:\centos-6.0-710\CentOS 64 位.vmdk”或它所依赖的某个快照磁盘 ” 原因: 未能锁定文件”

打不开磁盘“H:\centos-6.0-710\CentOS 64 位.vmdk”或它所依赖的某个快照磁盘 ” 原因: 未能锁定文件”      这主要是非正常关虚拟机造成的,具体原因如下:虚拟机为了防止有多虚拟机共用一个虚拟磁盘(就是后 缀为.vmdk那个文件)造成数据的丢失和性能的削弱,每次启动虚拟机时会给每个虚拟磁盘加一个磁盘锁(也就是后缀为.lck的那个文件夹)对虚拟磁盘文件 进行锁定保

特征值分解(EVD)和奇异值分解(SVD)

两篇博文,写得很好: http://blog.sina.com.cn/s/blog_3f738ee00102val0.html http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html