4-4 单纯矩阵的谱分解
第四章 矩阵分解
定理1.2：若 A BC B1C1 均为A的满秩分解，那么
(1)存在 CrrR , 使得B B1 , C 1C1 (2)C H (CC H )1 (BH B)1 BH C1H (C1C1H )1 (B1H B1 )1 B1H
4.2 矩阵的正交分解 （UR、QR分解）
证明：
AAH 是正规矩阵，所以存在酉矩阵使得
H U H AAH U 0
0 0
U U1 U2
U1 U mr
U2 U m( mr )
0 0
U1H H H H AA U1 U 2 0 U 2
U1H H H H AA U1 U 2 0 U 2
则称 i
i (i 1,2,, n) 为 A 的奇异值．
本书中只考虑i=1,3,…,r时非零奇异值
1 0 3 2 5 17 H A 1 1 例如，对于 ，A A 2 2 的特征值是 1 2 ， 1 1
A UR
U U rmr
R 是 r 阶正线上三角阵
推论2.2：设 A Crrn ， 则 A 可以唯一的分解为
A LU
U U rrn
L 是 r 阶正线下三角阵
mn A C 推论2.3：设 ， 则 A 可以分解为 r A U1R1L2U 2 R1 是 r 阶正线上三角阵 U1 Urmr L2 是 r 阶正线上三角阵 U U rn
nn 定理2.1：设 A Cn ， 则 A 可以唯一的分解为
A UR
A RU 1 1
nn
R 是正线上三角阵
U , U1 U
证明：
R1 是正线下三角阵
第四节矩阵谱分解
A = PΛP −1 , AT = ( PT ) −1 ΛPT
其中
Λ = diag (λ1 , λ2 , ⋯ , λn )
这表明A 也与对角矩阵相似， 这表明 T也与对角矩阵相似，故AT也是单纯矩阵
个线性无关的特征向量 设y1,y2, …,yn是AT的n个线性无关的特征向量 则 个线性无关的特征向量.则 ( y1,y2, …,yn ) = (PT )-1 = (P-1 ) T
n× n 设单纯矩阵 A ∈ C 的谱为 λ1 , λ2 ⋯, λs ，其代数重数分为
m1 , m2 , ⋯, ms 则存在唯一的 Ei ∈ C n×n , i = 1,2, ⋯ , s 使
(1)
(2)
A = ∑ λi Ei ;
i =1
s
Ei , i = j Ei E j = o, i ≠ j
∀A ∈ R n×n , ∃P ∈ R n×n , P −1 = PT ,
λ1 * ⋯ ⋯ * λ2 ⋱ ⋮ P −1 AP = ⋱ ⋱ ⋮ ⋱ * λn
其中λ1，λ2， λn为A的特征值. ⋯
引理 证明
正规上三角矩阵是对角矩阵 设n阶矩阵A是正规上三角矩阵，则 阶矩阵A是正规上三角矩阵，
第六节
主要内容： 主要内容：
矩阵谱分解
一、单纯形矩阵的谱分解 二、正规矩阵与酉对角化 三、正规矩阵的谱分解
一、单纯形矩阵的谱分解 左特征向量 给定n阶矩阵 ， 的特征值。 给定 阶矩阵A，λ是A的特征值。由于 T与A有相同的 阶矩阵 的特征值 由于A 有相同的 特征值， 特征值，设Y是AT的属于λ的特征向量，则 是 的属于λ的特征向量，
Y 1T T Y2 = ( X 1 , X 2 , ⋯ , X s ) ⋮ Y T s
(2021年整理)上海交通大学矩阵理论张跃辉思考题汇总
矩阵理论思考题汇总第一章线性代数概要与提高1.秩为0的n阶矩阵只有1个.秩为1的矩阵与秩为2的矩阵是否可以比较多少?2.当n≥2时,n阶可逆矩阵与不可逆矩阵都是无限的.是否存在某种方式可以比较它们的多少?3.试给出矩阵秩的一种直观意义.1.齐次线性方程组的解的几何意义是什么?非齐次线性方程组的解与其对应的齐次线性方程组的解的几何意义是什么?2.初等变换的几何意义是什么?3.试给出满秩分解的一种直观意义.1.矩阵的特征向量和特征值有何直观意义?2.交换矩阵A的两行对其特征值与特征向量有何影响?交换两列呢?试总结之.3.如果同时交换矩阵A与B的相同两行(比如同时交换第1、2行),所得的矩阵相似,那么A与B是否相似?如果既交换1、2两行，又交换1、2两列,则又如何?4.能否有某种办法衡量有相同特征值的矩阵与无相同特征值的矩阵的多少?你认为哪种多一些?5.能否有某种办法衡量可对角化的矩阵与不可对角化的矩阵的多少?你认为哪种多一些?1.将线性空间的条件(B4)即1•α=α改为1•α=2α将如何?2.线性空间的定义实际上没有用到每个非零元素均有逆元这个条件.如何改造线性空间的定义,使其包括更多的系统,比如包括通常加法和乘法下的整数集合(去掉数域F中每个非零元素均有逆元的条件将得到数数环的概念)?3.设u=u(x,y,z,t)是未知函数,c是常数,∇2=∂2∂x2+∂2∂y2+∂2∂z2是Laplace算符.波动方程∂2u∂t2=c2∇2u的全体解是否构成线性空间?若u与时间t无关,则波动方程变为Laplace方程∇2u=0.该方程的全体解是否构成线性空间?总结之.4.试给出基与基向量一个直观的解释.5.试给出过渡矩阵的一种直观解释.1.将内积的正定性条件去掉将如何?是否这是无稽之谈?2.正交性概念是通常垂直概念的推广.Gram-Schmidt正交化方法在立体几何中有何解释?3.试给出标准正交基的一个直观解释.4.由标准正交基到另一组标准正交基的过渡矩阵有何特点?5.设F=C或R.F上的n元二次型全体是否构成F上的线性空间?n维双线性型全体呢?6.试对F上的任意m维向量x与n维向量y,推广双线性型的概念.这样的双线性型全体是否构成F上的线性空间?7.三阶度量矩阵的行列式有何几何解释?8.设(•,•)i,i=1,2是n维实线性空间V上的两个不同的内积,α,β∈V.是否可能(α,β)1=0但(α,β)2=0?是否可能(α,α)1<(β,β)1但(α,α)2>(β,β)2?一般地,这两个内积有何关系?19.试对n维实线性空间V上的双线性型讨论上题类似的问题?第二章矩阵与线性变换1.两个子空间的并何时是子空间?2.两个向量张成的子空间的几何意义是什么?3.两个子空间的交,并与和的几何意义分别是什么?4.实数域R作为实线性空间的所有子空间是什么?作为有理数域上的线性空间呢?5.复数域C作为实线性空间的所有子空间是什么?作为复数域上的线性空间呢?6.解释3阶矩阵A的四个子空间的几何意义和相互位置关系.7.设F=C或R.则F上的n元二次型全体构成F上的线性空间(第一章第五节思考题5).全体半正定二次型是否是该线性空间的子空间?全体不定二次型呢?8.设F=C或R.则F上的n维双线性型全体构成F上的线性空间(第一章第五节思考题5).全体n维对称双线性型是否是该线性空间的子空间?1.是否有可加性与齐次性等价的情形?2.平面(即R2)上的线性变换能否将直线变为抛物线或者椭圆?能否将抛物线或者椭圆变为直线?空间(即R3)中的线性变换能否将平面变为直线?能否将抛物线变为直线或者椭圆?3.如何建立空间中的过原点的直线和平面上的过原点的直线之间的同构映射?4.试利用线性变换的观点解释矩阵的等价.5.以线性变换的观点解释列满秩与行满秩矩阵以及矩阵的满秩分解.6.设V是1维线性空间,则End V与Aut V是什么?特别,什么是End R,Aut R,End C,Aut C?7.有限维线性空间上的单线性变换就是满线性变换,此结论对无限维线性空间成立吗?8.同构R∼=R∗与R3∼=(R3)∗有何自然含义?9.设V是空间中满足x+y+z=0的子空间,V的对偶空间是什么?1.试用正交分解理论解释勾股定理.2.试利用正交分解理论在空间中建立关于面积的勾股定理.能否建立更高维的勾股定理?3.最优解何时唯一?4.如果在R3中定义“广义内积”(x,y)=x1y1+x2y2−x3y3,则正交性有何变化?是否存在非零向量x与自己正交?1.平面(即R2)上的非等距线性变换不能保持所有向量的长度,但可否保持所有角度?2.空间(即R3)中的非等距线性变换能否保持一些向量的长度?能否将某个半径为1的圆还变为半径为1的圆?特别,空间中的幂零变换能否保持一些向量的长度?幂等变换保持哪些向量的长度?3.平面上的反射变换能否由旋转实现?反过来呢?4.对称变换并不保持图形的对称性,如何为“对称”一词找一个恰当的几何解释?5.反对称矩阵对应的线性变换有何特点?6.对称变换是否在任何一组基下的矩阵均为对称矩阵?在某组基下的矩阵为对称矩阵的线性变换是否一定是对称变换?1.设U i,V j,1≤i≤n,1≤j≤m是线性空间.描述Hom(n∑i=1⊕U i,m∑j=1⊕V i)中的元素的结构,并以此给出分块矩阵的一个几何解释.22.Q (√2)是有理数域上的2维线性空间.它与Q 及自身的张量积(空间)分别是什么?3.复数域C 是实数域R 上的2维线性空间.商空间C /R 是什么?4.设p 是素数,有限域F p =Z /p Z 的加法与乘法结构如何?能否建立F 2(或F p )上的线性空间(线性变换)理论?5.实多项式空间R [x ]与复数域C 均是R 上的线性空间,它们的张量积是什么?6.设V 是线性空间,σ∈End V 是幂零(幂等,同构,等)变换.设U 是σ的不变子空间,设¯σ是由σ诱导的V/U 上的商变换,问¯σ是否也是幂零(幂等,同构,等)变换?第三章矩阵的Jordan 标准形1.实数域上的Schur 三角化定理成立吗,即每个实方阵是否可以正交三角化?2.是否每个矩阵都可以分块酉三角化,即分块Schur 三角化定理中的可逆矩阵是否可以加强为酉矩阵?3.设A,B 为同阶方阵,则由降幂公式知AB 与BA 有相同的特征多项式,它们是否相似?4.特征多项式与最小多项式的商多项式有何意义?5.如果一个线性变换σ的特征值的模均小于1,σ有何特点?6.如果一个线性变换σ有一组正交的特征向量,σ有何特点?1.设矩阵A ∈M n (Q ),且A 的特征值均属于Q .是否存在可逆矩阵P ∈M n (Q )使得P −1AP 为Jordan 标准形?将Q 换成Z 又如何?2.分块矩阵(A B B A)的Jordan 标准形与A,B 的Jordan 标准形有何关系?特征值有何联系?特别讨论A =0与A =B 的情形.3.仿照幂零矩阵相似的判别准则给出两个同阶矩阵相似的判别准则.是否能够判断该准则与幂零矩阵相似的判别准则哪个更有意义?1.两个矩阵的和与积的Jordan 标准形是否等于它们的Jordan 标准形的和与积?2.如果P 与Q 均为Jordan 标准形中的变换矩阵,它们之间有何关系?1.用盖尔圆盘定理如何估计酉矩阵与正交矩阵的特征值?第四章正规矩阵与矩阵的分解1.复对称矩阵是否是正规矩阵?2.正规矩阵的和与积是否为正规矩阵?3.相似变换是否保持矩阵的正规性?4.讨论2阶与3阶实对称矩阵的特征值(包括零)的几何意义.1.试讨论非正规矩阵的谱分解的几何意义.2.设单纯矩阵A 仅有一个非零特征值λ,则A 的谱分解是什么?3.两个n 阶矩阵A 与B 何时满足条件AB =BA =0?4.研究单纯矩阵的谱分解,说明为什么不定义非单纯矩阵的谱分解.31.如果一个矩阵有LU 分解,它是否一定有UL (即上三角在左,下三角在右)分解?2.设一个矩阵既有LU 分解也有UL 分解,试比较正定矩阵的这两种分解在计算上的差异?3.半正定矩阵有无类似的Cholesky 分解?负定矩阵和不定矩阵呢?4.如果去掉对角元素均为正的条件,正定矩阵的Cholesky 分解是否具有唯一性?5.可逆矩阵未必有三角分解.能否设计一种方法以比较有三角分解的可逆矩阵与没有三角分解的可逆矩阵的数量?1.可逆矩阵是否存在“三角正交分解”即“A =RU ”,其中R,U 同正交三角分解？又,能否将上三角矩阵变为下三角矩阵?2.对行满秩矩阵如何定义正交三角分解?3.对不可逆矩阵能否定义类似的分解?4.由U ∗U =I 是否可以推出UU ∗=I ?1.矩阵的奇异值分解不唯一,但是否可以确定到某种程度?2.能否将极分解中的顺序改变?即是否存在酉矩阵U 和半正定矩阵P 使得A =UP ?3.不是方阵的矩阵可否定义极分解?唯一性如何?4.可否以满足条件B 2=A 的矩阵B 来定义√A ?更一般地,可否以满足条件B m =A 的矩阵B 来定义A 1/m ?第五章矩阵函数及其微积分1.在R 2中,中心在原点的非等边矩形是否可以是单位圆?中心在原点的正三角形与双曲线呢?2.三角不等式中的等号何时成立?是否存在范数使得三角不等式总是等式?3.两个范数的乘积是否仍是范数?(和的情形见习题18.)4.内积可以诱导范数.哪些p -范数可以诱导内积,即定义(x −y,x −y )=||x −y ||2?哪些不能?5.矩阵A 与其共轭转置A ∗的矩阵范数有何联系?可逆矩阵与其逆矩阵的矩阵范数有何联系?线性变换与其伴随变换的范数有何联系?6.矩阵范数中次乘性的等号何时成立?是否存在矩阵范数使得次乘性中的等号永远成立?7.能否在赋范线性空间中定义合理的角度?研究1-范数和∞-范数的单位圆中的几个角,它们是直角吗?1.若lim n →∞A n B n 存在,是否lim n →∞A n ,lim n →∞B n 一定存在?为什么?2.设A,B 均幂收敛,A +B,AB 幂收敛吗?1.e A e B =e B e A 成立的可能性有多大?更一般地,设f (x )是一个幂级数,则f (A )f (B )=f (B )f (A )成立的可能性如何?一般地,如何比较与A 可交换的矩阵的数量(当然是无穷多个)和与A 不可交换的矩阵的数量?2.试举例说明矩阵e A e B ,e B e A 与e A +B 可以两两不等.又,如果e A e B =e B e A ,是否有e A e B =e A +B ?3.矩阵的勾股定理是否成立,即是否有cos 2A +sin 2A =I ?4.公式(A (t )2) =2A (t )A (t )正确吗?45.设A (t )可逆,如何计算(A (t )−1) ?又A (t )是否可逆?6.设A (t )是正交矩阵,问A (t )还是正交矩阵吗?7.即使A 不可逆,积分∫t t 0e As d s 仍然有意义.应如何计算?1.设α∈C m ×1,β∈C n ×1,则J (αT Xβ)=∂αT Xβ∂X =?2.设α∈C m ×1,β∈C n ×1,则J (αT X T β)=∂αT X T β∂X=?3.设X 是方阵,J (X 2)=?4.如果定义J (X )=∂X ∂rvec X ,将得到何种结果?是否还有其它方式?5.试比较隐函数存在定理与Jacobian 猜想.第六章广义逆矩阵1.2×1矩阵与1×2矩阵的广义逆矩阵的几何意义是什么?2.两个n 阶矩阵A 与B 何时满足条件AB =BA =0?3.设P,Q 是两个可逆矩阵,等式(P AQ )†=Q −1A †P −1成立吗?1.列满秩矩阵与行满秩矩阵的Moore-Penrose 广义逆的几何意义是什么?2.利用谱分解计算Moore-Penrose 广义逆的几何意义是什么?1.零矩阵的广义逆矩阵是所有矩阵,是否还有别的矩阵的广义逆矩阵是所有矩阵?2.不可逆的方阵可否有可逆的广义逆矩阵?3.A −A 与AA −的几何意义是什么?4.试给出矩阵A 的广义逆矩阵的秩的一个上限?1.除了零矩阵与可逆矩阵外,是否还有别的矩阵的{1,2}-逆是唯一的?2.Hermite 矩阵的{1,2}-逆一定是Hermite 的吗?3.不可逆矩阵的{1,3}-逆与{1,4}-逆一定是不可逆的吗?4.矩阵的{1,2}-逆,{1,3}-逆,{1,4}-逆的几何意义是什么?5.何时A {1,i }=A {1,j },1≤i =j ≤4?6.何时A {1,i }是元素个数大于1的有限集合?1.利用广义逆矩阵如何刻画方程组Ax =b 的相容性?2.方程Ax =b 的最小范数解是否唯一?几何意义是什么?3.利用矩阵的张量积与广义逆求解矩阵方程AXB =C 有何异同?5。
矩阵的谱分解定理
矩阵的谱分解定理
矩阵的谱分解定理（Spectral Theorem）是线性代数中的一个重要定理，它允许我们将一个方阵分解为一些特殊的方阵的乘积，这些特殊的方阵称为特征矩阵。
具体来说，对于一个给定的n阶实对称矩阵A，存在n 个实数（特征值），以及n个n维向量（特征向量），使得A可以表示为这些特征向量的乘积之和，即A = Σλi * (vi * vi^T)。
其中λi是特征值，vi是对应的特征向量。
此外，对于复数的情况，谱定理也适用。
对于一个给定的n阶复对称矩阵A，存在n个复数（特征值），以及n个n维向量（特征向量），使得A可以表示为这些特征向量的乘积之和，即A = Σλi * (vi * vi^T)。
其中λi是特征值，vi是对应的特征向量。
需要注意的是，对于非方阵的情况，谱定理可能不适用。
此外，即使对于方阵，谱定理也不一定能够提供最简单或者最方便的解法。
例如，对于一些特殊的矩阵（如Toeplitz
矩阵），可能存在更简单的分解方法。
矩阵理论谱分解
一、单纯矩阵的谱分解
定义 1 设 1 , 2 ,, k是 A C nn 的相异特征值，
其重数分别为 1 , r 2 , , rk , 则称 ri 为矩阵A的特 r
征值i的 代数重复度
定义 2 齐次方程组 i x Ax
i
( i 1,2,, k )
的解空间 称为A的对应于特征值 i的特征 V
H
AUU
H
H
A U AU
U
H
AA U U
H
A
H
AU U
H
H
A UU
H
(U
H
AU )
(U
H
AU ) B
B
B为正规矩阵
引理 2 ( Schur )
U，使得
设A C
nn
，则存在酉矩阵
A URU
H
其中，R是一个上三角矩阵且主 对角线上的 元素为A的特征值.
证： A C
nn
条件是存在k 个矩阵 Ai ( i 1,2,, k ) 满足
(1) Ai Ai A j 0 k i j i j
( 2)
Ai
i 1
En
( 3)
A
i Ai
i 1
k
(4)
H Ai
Ai
( i 1,2,, k )
证 必要性： A是正规矩阵
A Udiag(1 Er , 2 Er ,, k Er )U
i 1
k
H
i Ai
i 1
k
( Ai ViVi
)
H Ai
(ViVi
H H
)
《矩阵谱分解》课件
图像处理：用于图像去噪、图像增强等 信号处理：用于信号分析、信号处理等 机器学习：用于特征提取、模型优化等 网络科学：用于网络分析、网络优化等
矩阵谱分解的方法
添加标题 添加标题 添加标题
概念：将矩阵分解为三个矩阵的乘积，分别是左奇异向量矩阵、对角矩 阵和右奇异向量矩阵
步骤：首先计算矩阵的奇异值和奇异向量，然后根据奇异值和奇异向量 构建左奇异向量矩阵、对角矩阵和右奇异向量矩阵
计算复杂度高：矩阵谱分解的计算复杂度较高，需要大量的计算资源和时间。 数值稳定性差：矩阵谱分解的数值稳定性较差，容易受到数值误差的影响。 适用范围有限：矩阵谱分解只适用于对称矩阵和正定矩阵，对于非对称矩阵和负定矩阵不适用。 难以解释：矩阵谱分解的结果难以解释，需要一定的数学背景和知识才能理解。
谱分解在数值计算 、信号处理等领域 有广泛应用
矩阵谱分解是将矩阵分解为两个或多个矩阵的乘积，这些矩阵的乘积等于原矩阵。
矩阵谱分解的目的是为了简化矩阵运算，提高计算效率。
矩阵谱分解可以分为实矩阵谱分解和复矩阵谱分解。
实矩阵谱分解可以将矩阵分解为两个实对称矩阵的乘积，而复矩阵谱分解可以将 矩阵分解为两个复对称矩阵的乘积。
应用：在数据压缩、图像处理、自然语言处理等领域有广泛应用
添加标题
优点：计算简单，易于实现，适用于大规模矩阵分解
特征值分解：将矩阵分解为特征值和特征向量的形式 特征值：矩阵的特征值是矩阵的特征方程的解 特征向量：矩阵的特征向量是满足矩阵乘以向量等于特征值乘以向量的向量 应用：特征值分解法在矩阵分析、数值计算、信号处理等领域有广泛应用
步骤四：计算矩 阵A的谱分解结果
确定矩阵A的奇异值或特征 向量
计算矩阵A的奇异值或特征 值
计算矩阵A的逆矩阵
矩阵分析与计算--05-矩阵分解-02-Schur、SVD
1
酉矩阵： U U
H
1
U 为酉矩阵 U的列(行)向量为C n的标准正交基
任意复方阵都可以酉相 似于一个上三角矩阵
U AU R=+N
H
定理证明：对n作数学归纳法
当n =1，结论显然成立。 假设结论对n-1的矩阵成立，下面考虑A为n方阵 取矩阵A的一个特征值为 1 ，设其对应的单位特 征向量为 1 ，则有
2.概念：酉相抵
1. 酉相抵：
酉
F 上的m n矩阵A与B称为酉相抵，如果有m阶 和n阶酉方阵U 和V , 使UAV B, 记为A B
酉相抵关系是一种等价关系！也称为“酉等价”
酉相抵标准型定理：
酉相抵标准型定理
定理3
设A F mn ,rankA = r ,记
2 specAH A 12 , 2 ,
i Ai
T i
Ai 为A的 投影阵
单纯矩阵的 谱分解
三、矩阵的奇异值分解
Singular value decomposition
(SVD)
1.概述
前面介绍的Jordan分解、Schur分解、谱分解 只适用于方阵。 对角矩阵比上三角矩阵更容易计算 奇异值分解把矩阵分解称为酉矩阵与对角矩阵 的乘积 奇异值分解基本适用于内积空间中与矩阵秩相 关的问题 A的奇异值分解依赖于正规矩阵A HA的酉相似 分解的。
Matrix Analysis and Computations
矩 阵 分 析 与 计 算 ——矩阵分解（二）
Matrix Decomposition 理学院 2011年10月
本讲主要内容 Schur分解、谱分解与奇异值分解
4-4幺正变换解析
（4.4.14）
将（4.4.14）式代入（4.4.13）式得
† * * S S = ( x ) ( x ) dx C ( x ) n m n m ( x ) dx
* * = n ( x) ( x)dx C m = n ( x) C m ( x)dx
（4.4.33）
对应于本征值为 （4.4.33）表明， S 矩阵的第 l 列正是算符 F l
* 1 * 2 * n
1 ( x) S11 2 ( x) S12 n ( x) S1n
S21 Sn1 1 (t ) S22 Sn 2 2 (t ) S2 n Snn n (t )
* n ( x) m ( x)dx
= nm
（4.4.15）
即
SS † I
（4.4.16）
† S SI 由 † 及逆矩阵的定义 SS I
S S
†
1
（4.4.17）
所以，S为幺正矩阵。从一个表象到另一个表象的变换 称为幺正变换。
† 1 † 幺正矩阵的条件 S S 与厄米矩阵的条件 A A 不相同， 所以幺正矩阵不是厄米矩阵。
cos e1 e2 sin sin e1 e1 R( ) e cos 2 e2
0
e1
R ( ) 为基矢之间的变换矩阵。 式中，
再来找矢量 A在两个不同坐标系中的变换关系。 e2 e2 因为 A Ae 1 1A 2e2 Ae 1 1A 2e2 A e1 Ae 所以 A1 e A e 1 1 1 2 2 e1 A e2 Ae A2 1 1 e2 A 2e2 e2 0 e2 e1 A1 cos sin A1 A e 1 1 e1 A1 即 R ( ) A2 A2 e1 e2 e2 e2 A2 sin cos A2
矩阵的分解
§1 矩阵的三角分解
一、n 阶方阵的三角分解
定义 1
正线上三角阵
a11 a12 0 a 22 R 0 0
a1n a2 n ann
单位上三角阵
1 a12 0 1 R 0 0
a1n a2 n 1
( i 1,2,, k )
的解空间Vi 称为A的对应于特征值 i的特征
空间，则Vi 的维数称为 A的特征值i的
几何重复度 定义 3 若矩阵A的每个特征值的代数重 复度
与几何重复度相等，则 称矩阵A为单纯矩阵
定理6 设 A C nn是单纯矩阵，则 A可分解
为一系列幂等矩阵 Ai (i 1,2,, n)的加权和，
a1 , a2 , , an 线性无关
正交化、单位化
a1 1 || a1 || i 1 ai ( ai , j ) j j 1 i i 2, 3, , n i 1 || ai (ai , j ) j || j 1
9 16 5 16
§2 矩阵的谱分解
一、单纯矩阵的谱分解
定义 1 设 1 , 2 ,, k 是 A C nn 的相异特征值，
其重数分别为 r 1 , r 2 ,, rk , 则称 ri 为矩阵A的特
征值i的 代数重复度
定义 2 齐次方程组 Ax i x
的最大秩分解 .
~
2 1 3 4
2 1 3 4
解:
A
1 0 0 0
3 9 0 16 16 7 5 1 16 16 0 0 0 0 0 0
9 16 5 ~ A 16 0 0
矩阵的分解——精选推荐
矩阵的分解§9. 矩阵的分解矩阵分解是将⼀个矩阵分解为⽐较简单的或具有某种特性的若⼲矩阵的和或乘积，这是矩阵理论及其应⽤中常见的⽅法。
由于矩阵的这些特殊的分解形式，⼀⽅⾯反映了原矩阵的某些数值特性，如矩阵的秩、特征值、奇异值等；另⼀⽅⾯矩阵分解⽅法与过程往往为某些有效的数值计算⽅法和理论分析提供了重要的依据，因⽽使其对分解矩阵的讨论和计算带来极⼤的⽅便，这在矩阵理论研究及其应⽤中都有⾮常重要的理论意义和应⽤价值。
这⾥我们主要研究矩阵的三⾓分解、谱分解、奇异值分解、满秩分解及特殊矩阵的分解等。
⼀、矩阵的三⾓分解——是矩阵的⼀种有效⽽应⽤⼴泛的分解法。
将⼀个矩阵分解为⾣矩阵（或正交矩阵）与⼀个三⾓矩阵的乘积或者三⾓矩阵与三⾓矩阵的乘积，这对讨论矩阵的特征、性质与应⽤必将带来极⼤的⽅便。
⾸先我们从满秩⽅阵的三⾓分解⼊⼿，进⽽讨论任意矩阵的三⾓分解。
定义1 如果(1,2,,)ii a i n = 均为正实数，()(,1,2,1;∈<=- ij a C R i j i n1,2,),=++ j i i n 则上三⾓矩阵1112122200=n nnn a a a a a R a 称为正线上三⾓复（实）矩阵，特别当1(1,2,,)ii a i n == 时，R 称为单位上三⾓复（实）矩阵。
定义2如果(1,2,,)ii a i n = 均为正实数，()(,1,2,1;∈>=- ij a C R i j i n1,2,),=++ j i i n 则下三⾓矩阵11212212000?? ?=n n nn a a a L a a a称为正线下三⾓复（实）矩阵，特别当1(1,2,,)ii a i n == 时，L 称为单位下三⾓复（实）矩阵。
定理1设,?∈n n n A C 则A 可唯⼀地分解为1=A U R其中1U 是⾣矩阵，R 是正线上三⾓复矩阵；或者A 可唯⼀地分解为2=A LU其中2U 是⾣矩阵，L 是正线下三⾓复矩阵。
矩阵分析课件chapt4 矩阵分解例题详解
第4章 矩阵分解(I)高斯消去法假设矩阵A 的顺序主子式i D ≠0 (i=1,…,n),则我们可以进行以下的顺序消元过程1．消元过程n k k i b m b b nk k j i a m a a k k ik k i k i k kj ik k ij k ij ,,2,1,,,2,1,,)()()1()()()1( ++=-=++=-=++等价于用初等矩阵T k k k e l I L -=分别左乘)(k A 和)(k b ，即)()1(k k k A L A =+ (1)其中，Tk n k k k k k m m m l ),,,,0,,0(,,2,1 ++=,n k i a a m k kk k ik ik ,,1,/)()( +==我们称ik m 为消元因子，)(k kk a 为主元素； 消元过程的一个重要性质是：消元过程不改变矩阵的主子矩阵的行列式(主子式)的值。
例⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=012131121A ,顺序主子式为，1，5，-10 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--−−−−−→−++250050121)1*(2)3(),1()2(,顺序主子式为，1，5，-10 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--−−→−-200050121)2()3(，顺序主子式为，1，5，-10 引理：约化的主元素)(i ii a ≠0的充要条件是矩阵A 的顺序主子式i D ≠0 (i=1,…,k);推论：若矩阵A 的顺序主子式i D ≠0(i=1,…,k)，则1)1(11D a =，k i D D a i i i ii ,,2,1,/1)( ==-；由此有若A 对称正定或严格对角占优，而它们的顺序主子矩阵也是对称正定或严格对角占优，从而顺序主子式不为0，顺序高斯消去过程可进行；2.回代过程：⎪⎪⎩⎪⎪⎨⎧--=-==∑+=1,,2,1,/)(/)(1)()()()( n n k a a b x a b x k kk n k j k kj k k k n nn n n n 设⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=012131121A ，⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=311b , 用高斯消去法解线性方程Ax=b.增广矩阵为 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡----301211311121 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−−−−→−++125000501121)1*(2)3(),1()2( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−→−-120000501121)2()3( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−→−-120000501121)2()3( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−→−-2/1100005011212/)3( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−→−2/1100001011215/)2(⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--−−−−→−-+2/110000102/3001)2*(2)3()1(， 因此，问题的解为⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=2/102/3x 3. 数值稳定性1)选列主元 ；2)选全主元；3)高斯若当(Gauss-Jordan)消去法，求矩阵的逆;⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=012131121A , 求A -1. 增广矩阵为 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---100012010131001121 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--−−−−−→−++102250011050001121)1*(2)3(),1()2( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−−−→−-11120005/15/10100011215/)2(),2()3( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−−−→−+-2/12/12/110005/15/10102/12/12/1021)3()1(,2/)3( ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---−−−→−-2/12/12/110005/15/10102/110/110/10012)*2()1( 从而⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡---=-5550225111011A4．高斯顺序消元法解方程的计算量1)乘除次数：3/3/23n n n -+2)加减次数：6/52/3/23n n n -+3)求矩阵的逆的计算量为o(4n )(II) 顺序消元过程与矩阵的三角分解(1) T k k T k k k e l I e l I L +=-=--11)( (2) 若 ,j i ≤则有0=j T i l e ，从而T j j T i i Tj j T i i e l e l I e l I e l I ++=++))((，Le l e l e l I L L L T n n T T n =++++=------112211111211(3) 由)()1(k k k A L A =+有)(111211)1(n n A L L L A A ----== 故有 A =LU ，其中)(n A U =.这时L 为单位下三角矩阵。
矩阵谱分解例题
矩阵谱分解例题矩阵谱分解（MatrixSpectralDecomposition，MSD）是一种常用的线性代数方法，可以将一个复杂的矩阵分解为若干子矩阵的乘积，其中每个子矩阵都具有特定的特性，使得它们之间存在明确的关系。
矩阵谱分解是一种无损压缩算法，用于将大型矩阵压缩到更小的空间，同时保留有用的结构和内容。
科学计算、图像处理、机器学习等领域，矩阵谱分解已经成为一种基本的技术手段。
本文旨在介绍矩阵谱分解的基本原理和例题，为读者提供一种理解矩阵谱分解的方法。
一、矩阵谱分解的基本原理矩阵谱分解的基本原理是将一个大的复杂的矩阵分解为若干小的矩阵的乘积，同时保留有用的结构和内容。
它通过分析一个矩阵的特征值（Eigenvalues）和特征向量（Eigenvectors），将矩阵分解为一系列子矩阵，每个子矩阵都可以通过特征值和特征向量来表示。
例如，原始矩阵A可以表示为A=EVV*，其中V是特征向量，E是特征值。
传统的矩阵谱分解算法包括以下三步：（1）计算矩阵A的特征值和特征向量；（2）将矩阵A的特征值和特征向量连接起来，得到一个新的矩阵S；（3）将矩阵S进行分解，得到一系列子矩阵，其中每个子矩阵都可以通过特征值和特征向量得到。
二、矩阵谱分解的例题下面将对矩阵谱分解的例题进行分析：例题1：有一个2阶矩阵A，其中A=$begin{bmatrix}3 & -1 2 & 4end{bmatrix}$将A分解为若干子矩阵的乘积。
首先，计算矩阵A的特征值和特征向量。
A的特征值为$lambda_1=5$，$lambda_2=1$，其特征向量为$vecv_1=(frac{1}{4},frac{3}{4})^T$，$vecv_2=(-frac{3}{4},frac{1}{4})^T$。
将特征值和特征向量连接起来，得到矩阵S，即$S=begin{bmatrix}5 & 0 0 & 1end{bmatrix}begin{bmatrix}frac{1}{4} & -frac{3}{4} frac{3}{4} & frac{1}{4} end{bmatrix}$最后，将矩阵S进行分解，得到$A=begin{bmatrix}5 & 0 0 & 1end{bmatrix}begin{bmatrix}frac{1}{4} & -frac{3}{4} frac{3}{4} & frac{1}{4} end{bmatrix}begin{bmatrix}3 & -1 2 & 4end{bmatrix}$综上，矩阵A可以分解为三个子矩阵的乘积，分别是：$A=begin{bmatrix}5 & 0 0 & 1end{bmatrix}begin{bmatrix}frac{1}{4} & -frac{3}{4} frac{3}{4} & frac{1}{4} end{bmatrix}begin{bmatrix}3 & -1 2 & 4end{bmatrix}$例题2：有一个4阶矩阵A，其中A=$begin{bmatrix}2 & -1 & 4 & 0 0 & -2 & 5 & 1 1 & -1 & 2 & 0 2 & -1 &3 & 4end{bmatrix}$将A分解为若干子矩阵的乘积。
矩阵谱分解
下列类型的矩阵都是正规矩阵：
实对称矩阵
AT=A;
反实对称矩阵 AT=-A;
正交矩阵
AT=A-1;
酉矩阵
AH=A-1;
Hermite矩阵 AH=A;
反Hermite矩阵 AH=-A;
对角矩阵
2、酉相似
设A, B Cnn ,若存在可逆矩阵P,使P1AP B, 则称A与B是相似的。
若P是正交矩阵(实矩阵），即P1 PT， 则称A与B是正交相似的。
也称A的属于的特征向量为右特征向量.
性质:单纯矩阵不同特征值的左右特征向量是正交的 以矩阵特征值的代数重复度都为1为例加以证明:
设A是 n阶单纯矩阵， 1, 2, …, n 是A 的n个不
同特征值，x1,x2, …,xn是A的n个线性无关的特征 向量，P=(x1,x2, …,xn),则:
A PP1, AT (PT )1PT
x1, x2
y1T y2T
1 1 0
1 0 1
1
3 1
3
2 3 1
3
1
3 2
3
3 1
3 1
3
3 2
3 1
3
3 1
3
2
3
1 1 1
1
E2
x3 y3T
11
1 3
1 3
1 3
3 1
3
1
3
3 1
3 1
3
3 1
3
1
3
从而 A E1 5E2
二、正规矩阵与酉对角化
1、正规矩阵定义： 设 ACnn, 满足 AH A AAH
E0i
i j i j
同时
Y1T
In
矩阵论-谱分解
i 1
i 1
6)因为E j =U j UHj ，由上节引理知r(E j )=r(U j )=n j.
r
r
r
r
: AAH j E j ( j E jH ) i i Ei EiH i i Ei
j 1
j 1
i 1
i 1
r
且AH A i i Ei , i 1
所以AAH =AH A.
正规矩阵谱分解步骤：
第五节 谱分解
1.正规矩阵的谱分解
设A是正规矩阵，则U Unn , 满足：A=Udiag{1, ,n}UH ,
若令U=(1, ,n ),则
A=(1,
,n )diag{1,
,n
}
1H
H 2
111H
H n
n
n
H n
(1)
其中
i是矩阵A的特征值i所对应的单位特征向量，i
H是
i
n阶矩阵.(1)式称为A的谱分解.由于i可能是重根，所以上式
任取z V1 V2,有z Ex, Ez ,这里为原点对应的向量. 则 =Ez=E2x Ex z,所以V1 V2 ={}，
x Cn，有x=Ex+(I-E)x,其中Ex V1，(I-E)x V2， 所以Cn =V1 V2.
=(1,
0,
1),
2
=
(0,
1 5
,
2 5
),
3
=(0,
2 5
,
1 5
)
1
1 0 1
则E1
=11
=
0
(1,
0,
1)=
0
0
0
0
0 0 0
0
2 5
第四节矩阵谱分解
diag1 , 2 ,, n
这表明AT也与对角矩阵相似，故AT也是单纯矩阵
设y1,y2, …,yn是AT的n个线性无关的特征向量.则
( y1,y2, …,yn ) = (PT )-1 = (P-1 ) T 从而
P 1
T y1 T y2 yT n
即单纯矩阵A分解成n个矩阵Ai之和的形式，其系数组合是A的谱 （所有相异的特征值）。
对于 Ai 有下面的性质：
(1)
Ai xi y
T i
Ai A j ( xi yiT )( x j y T ) xi ( yiT x j ) y T 则 j j
xi y o
Ai o
T T y1 x2 y1 xn T T y2 x2 y2 xn I, T T yn x2 yn xn
1, i j y xj 0, i j
T i
对于单纯矩阵A（矩阵特征值的代数重复度都为1）， 由 A PP 1
x1 x2 1 xn
2、酉相似
设A, B C nn , 若存在可逆矩阵P, 使P 1 AP B, 则称A与B是相似的。
若P是正交矩阵(实矩阵），即P 1 PT， 则称A与B是正交相似的。
若P是酉矩阵(复矩阵），即P 1 P H， 则称A与B是酉相似的。
3、Schur 定理
（1）任意复方阵酉相似于一个上三角矩阵。即
则A UU H
由U H U I , H H , 则
AA H (UU H )(UU H ) H UU H UH U H UH U H UH U H (UH U H )(UU H ) A H A
【工程数学课件】矩阵谱分解
充分性：
k
k
AAH ( i Ai )( j Aj )H
i 1
j1
kk
i j Ai AHj
i1 j1
kk
i j Ai Aj
i1 j1
k
| i |2 Ai
i 1
同理可知
k
AAH | i |2 Ai
i 1
AH A AAH
A 是正规矩阵
充分性： A与对角矩阵酉相似
A是正规矩阵
定理6 设A C nn，它有k 个相异特征值
i (i 1,2, , k)，则A是正规矩阵的充要
条件是存在k 个矩阵Ai (i 1,2, , k)满足
(1)
Ai Aj
k
0Ai
(2) Ai En
i 1
i j i j
k
(3) A i Ai
i 1
(4) AiH Ai (i 1,2, , k)
定义 3 若n阶复矩阵A满足 AAH AH A
则称 A为正规矩阵 引理 1 设A为正规矩阵，A与B酉相似，则 B为正规矩阵
证 A与B酉相似
B U 1AU U H AU
BBH U H AU(U H AU)H U H AUU H AHU
U H AAHU U H AH AU U H AHUU H AU
(U H AU )H (U H AU ) BH B
B为正规矩阵
引理 2 (Schur) 设A C nn，则存在酉矩阵
U，使得
A URU H
其中，R是一个上三角矩阵且主对角线上的
元素为A的特征值.
证： A C nn
A PJP1 P UR1
A UR1J(UR1)1 UR1JR11U H URU H
矩阵谱分解
得A的特征值 1 1(三重）, 2 3 对于 1 1, 相应的线性无关的特征向量为
x1 1,1,0,0T , x2 1,0,1,0T , x3 1,0,0,1T
对于2 3, 相应的特征向量为 x4 1,1,1,1T
将x1,x2,x3标准正交化得：
1
1, 2
1 2
,0,0T
,2
i 1
例2：求单纯矩阵A
1 2
2 1
2 2
的谱分解
2 2 1
由矩阵A的特征多项式 E A ( 1)2( 5)
得A的特征值 1 1, 2 5 及相应的线性无关的特征向量
为 x1 1,1,0T , x2 1,0,1T , x3 1,1,1T
1 2 1
3 3 3
设
i 对应的左特征向量为
I,
ynT x1 ynT x2 ynT xn
yiT x j
1, 0,
i j i j
对于单纯矩阵A（矩阵特征值的代数重复度都为1），
由 A PP1
1
y1T
x1 x2 xn
2
y2T
n
ynT
1x1 y1T 2 x2 y2T n xn ynT
n
i
xi
yiT
n
i Ai
个线性无关的右特征向量，
是A的相应 yii
T
,
y2i
T ,,
ymi i
T
的mi个线性无关的左特征向量
设 X i x1i , x2i ,, xmi i ,Yi y1i , y2i ,, ymi i
Ei
X iYiT
mi
xij
(
y
i j
)T
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0 λ2 I m2 0
O M L λσ I mσ
~ ~ P1 E i = Pi Pi ~ P2 σ ~ = ∑ λ i Pi Pi M ~ i =1 P σ
Department of Mathematics
证明(1) 因为 证明 % P1 % I mi i = j P2 −1 %P = P P = ( P1 , P2 ,L Pσ ) = I n , Pi j M O i≠ j % Pσ E i E j = δ ij E i
H
= λ1α 1α 1 + λ2α 2α 2 + L + λ nα nα n
其中 αi 是矩阵 A 的特征值 λi 所对应的单位特征向 谱分解表达式。 量。我们称上式为正规矩阵 A 的谱分解表达式。
Department of Mathematics
特征值
λi 的代数重数为ni ，λi 所对应的个两两正交的 单位特征向量为 α i1 , αi 2 ,L , α in ,则 A 的谱分解表 则 i
1 1 = −1 −2 1 2 1 −1 T 1 (P ) = 0
0 1 0 −1 1 −2 2 1 0
Department of Mathematics
取 β = [1,1,0]T 1
令
T
G1 = α β + α 2 β 2
T 1 1
同理可得: 同理可得: E j Gi = O
i =1
因为 EiGj = O
σ
Gi = I nGi = ( ∑ E i )Gi = E i Gi E i = E i I n = E i ( ∑ Gi ) = E i Gi
i =1
因为 E j Gi = O
所以, 所以 E i = Gi 唯一性得证
Department of Mathematics
Department of Mathematics
证明: 由 证明 (3)由 A = ∑ λi E i
i =1
σ
得 Ei A = Ei ∑ λi Ei
i =1
σ
同理可得
AE i = λi E i
σ σ σ
i =1 i =1 i =1
证明: 证明 (4)因为n = rankI n = rank ∑ E i ≤ ∑ rankE i ≤ ∑ m i = n
Department of Mathematics
λ 1 → α 1 = [ 2 , − 1, 0 ] λ 2 → α 2 = [0 , 0 ,1 ]
T
T
λ 3 → α 3 = [ − 1,1,1 ]
于是
P = [α1 , α 2 , α 3 ]
−1
−1
T
P = [α1 , α 2 , α 3 ] 2 0 −1 −1 0 1 = 0 1 1
A = G1 − 2G2
正规阵的谱分解: 正规阵的谱分解 设 A 为正规矩阵，那么存在 U ∈ U n×n 使得: 为正规矩阵， 使得
λ1 A = [α 1 , α 2 , L , α n ]
H H
λ2
O
α1H H α 2 M H λn α n
~ ~ ~ ~ 所以: E i E j = Pi Pi Pj Pj = Pi ( Pi Pj ) Pj = δ ij E i 所以
证明(2) 证明
~ P1 ~ σ P2 = P P −1 = I ∑ Ei = ( P1 , P2 ,L Pσ ) M n i =1 ~ Pσ
Department of Mathematics
例 2 ： 求正规矩阵 0 1 1 −1 1 0 −1 1 的谱分解表达式。 的谱分解表达式。 A= 1 −1 0 1 −1 1 1 0 解：首先求出矩阵 易计算 的特征值与特征向量。 A 的特征值与特征向量。容
A = ∑ λi ∑αijαij = ∑ λiGi
H i =1 j =1 i =1 r ni r
设正规矩阵 A 有 r 个互异的特征值 λ1 , λ2 ,L , λr ，
达式又可以写成
其中 Gi =
H
∑α α
i =1 ij
ni
H ij
，并且显然有: 并且显然有
Gi = Gi = Gi , GiGk = 0(i ≠ k )
3
λ I − A = (λ − 1) ( λ + 3)
从而 A 的特征值为
λ1 = λ2 = λ3 = 1, λ4 = −3
Department of Mathematics
当 λ = 1 时，求得三个线性无关的特征向量为
α1 = [1,1,0,0]
T T T
α 2 = [1,0,1,0]
α 3 = [ −1,0,0,1]
Department of Mathematics
练习
求正规矩阵
0 −1 i 1 0 0 的谱分解表达式。 的谱分解表达式。 A= i 0 0
的特征值与特征向量。 解：首先求出矩阵 A 的特征值与特征向量。
λ I − A = λ (λ 2 + 2)
从而 A 的特征值为 λ1 = 2i, λ2 = − 2i, λ3 = 0 可以求出分别属于这三个特征值的三个线性 无关的特征向量: 无关的特征向量
rank ∑ E i = ∑ m i
i =1 i =1
σ
σ
所以: 而: rankE i ≤ m i ,所以 所以
rankEi = mi
证明:(5) 假设 有谱分解 A = ∑ λi E i 和 A = ∑ λi Gi 假设A有谱分解 证明
i =1 i =1
σ
σ
Department of Mathematics
且满足: 且满足
(1) E i E j = δ ij E i , ( 2)
∑E
i =1
σ
i
= In
( 3) E i A = AE i = λ i E i
(4) rankE i = m i (5) E i 是唯一的, 即A的谱族是唯一的
Department of Mathematics
分析: 分析 设 m i 是λ i 的代数重复度 ( i = 1,2, Lσ ) 则: A = Pdiag (λ1 , L λ1 , λ 2 , L , λ 2 , L λσ , L , λσ m2 m1 mσ
矩阵论电子教程
哈尔滨工程大学理学院应用数学系
第 四 章
矩阵的分解
Department of Mathematics
§4.4 单纯矩阵的谱分解 定理1: 定理 阶可对角化的矩阵， 设 A 是一个 n 阶可对角化的矩阵，相异
n× n 特征 值为 λ1 , λ2 ,L , λσ ，则E ,E i , E 称为i = 1,2, Lσ ) E1, ∃ L∈ C ( 的谱族 2 σ称为A的谱族 σ 使得: 使得 A = ∑ λi E i 此式称为A的谱分解 此式称为 的谱分解 i =1
i =1
r
i
=I
是唯一的。 （6）满足上述性质的矩阵 Gi 是唯一的。我们称 Gi ） 正交投影矩阵。 为正交投影矩阵。 推论1 推论 设 A 是一个
σ
i =1
n 阶可对角化的矩阵， 阶可对角化的矩阵， i =1
m k =0
f ( A) = ∑ f ( λ i ) E i
σ
谱分解为: 谱分解为 A = ∑ λi E i ,若: f (λ )∑ ak λk , 则有 若
T
η2 = 1 , −i 2 , 1 2 2
可对角化矩阵的谱分解步骤： 可对角化矩阵的谱分解步骤： （1）首先求出矩阵 A 的全部互异特征值 λ1 , λ 2 ,L , λσ ） 及每个特征值
λi 所决定的线性无关特征向量
pi 1 , pi 2 , L , pim i , P = ( pi 1 , pi 2 , L , pim i )
( P −1 )T = ( β i 1 , β i 2 ,L , β imi ) （2）写出 ）
Department of Mathematics
λ1 → α1 = − 2, −i,1 λ2 → α 2 = 2, −i,1 λ3 → α 3 = [0, i,1]
T T
T
再将其单位化可得三个 标准正交的特征向量
−1 , −i , 1 η1 = 2 2 2
E i = pi 1 β T i 1 + pi 2 β T i 2 + L + pimi β T imi （3）令: ）
（4）最后写出 ）
A = λ1 E1 + λ 2 E 2 + L + λσ Eσ = ∑ λi E i
i =1
σ
Department of Mathematics
例1：已知矩阵 ：
则由(3)知 则由 知: AE i = λi E i
AG j = λ j G j ( i ≠ j )
AE i G j = λ i E i G j
AE i G j = λ j E i G j ( i ≠ j )
所以: 由于 i ≠ j ,所以 E i G j = O 所以
σ
λi E iG j = λi E iG j
T
β 2 = [ −1, −2,1] β 3 = [1, 2,0]
T
2 2 0 = −1 −1 0 −1 −2 1
那么其谱分解表达式为
G2 = α 3 β
T 3
−1 −2 0 1 2 0 = 1 2 0