矩阵的分解与正交阵之间的联系摘要通过一个矩阵分解可分解成正交
矩阵的分解毕业论文.
学士学位论文矩阵的分解学院、专业数学科学学院数学与应用数学研究方向代数学学生姓名林意学号200920134781指导教师姓名周末指导教师职称教授2014年4 月 16日矩阵的分解摘要众所周知,矩阵是代数学中的一个重要概念,它的出现促进了代数学的快速发展.矩阵分解作为矩阵理论中非常重要的一部分,是指将一个矩阵分解成一些特殊类型矩阵的乘积(或和)的形式.矩阵分解的内容丰富,形式多样,是解决某些线性代数问题的重要工具.本文主要从矩阵的QR分解、满秩分解、三角分解和奇异值分解等方面对矩阵的分解作了论述,首先给出了这几种分解形式的定义以及相关性质,然后给出了它们各自的具体的分解方法,最后通过例题的形式将各分解方法呈现出来.关键词:矩阵;分解;QR分解;三角分解;满秩分解The Decomposition of the MatrixABSTRACTAs everyone knows,matrix is one of the most important concepts in algebra,whose appearance promotes the development of algebra.While as a significant part of the theory of matrix,the decomposition of matrix aims at decomposing a matrix into the product(or sum) of several specific kinds of matrices.The decomposition of matrix not only concludes rich contents and forms,but also works as one of the significant methods in dealing with some linear algebra problems.In this paper,the decomposition of matrix is mainly introduced from the aspects mentioned below,such as QR decomposition,full rank decomposition,LU decomposition and so on.Firstly,the definitions and related properties of these forms of decomposition are given.And then,specific decomposition ways of theirs are illustrated.Finally,these decomposition methods are clearly presented by the forms of some examples.Keywords:Matrix;Decomposition;QR Decomposition;LU Matrix Decomposition;Full Rank Decomposition目录摘要 (I)ABSTRACT (II)目录 (III)一、引言 (1)二、矩阵的QR分解 (1)(一)矩阵QR分解的基本概念及定理 (1)(二)矩阵QR分解的常用方法及应用举例 (1)三、矩阵的三角分解 (8)(一)矩阵三角分解的基本概念及定理 (8)(二)矩阵三角分解的常用方法及应用举例 (9)四、矩阵的满秩分解 (15)(一)矩阵满秩分解的基本概念及定理 (15)(二)矩阵满秩分解的常用方法及应用举例 (15)五、矩阵的奇异值分解 (17)(一)矩阵奇异值分解的基本概念及定理 (17)(二)矩阵奇异值分解的常用方法及应用举例 (18)六、结论 (20)参考文献 (20)致谢................................................................................................................ 错误!未定义书签。
工程数学(07)矩阵的正交分解
工程数学
对第二种情形的Hk阵,还可进行降维处理。
H k阵对向量x的前k 1个分量的作用就如同是一个 (k 1)阶的单位阵的作用。 x Rn
x x ( 2 ) (2) x x ( xk
工程数学
工程数学
1 例:W 2
1 3 0 R ,|| W ||2 1 2 1 2 1 1 T H I 2WW I 2 0 0 2 1 2 2 0 0 1 0 1 0 1 0 0
工程数学
T
工程数学
H阵的性质:
( 1)非奇异
det( H ) 1 2W TW 1
(2)对称正交 H HT HH T H 2 ( I 2WW T )( I 2WW T ) T T T I 4WW 4WW WW I
2 1 2 w1 2 w2 w1 H 2 wn w1
工程数学
工程数学
算法2
给定向量x 0, 计算初等反射阵H1。
, xn )T 。 , xn
1、输入x ( x1 , x2 ,
2、将x规范化 , M max x1 , x 2 , 如果M 0, 则转出停机, 否则xi xi / M , i 1, 2, , n 3、计算
1 ( xi2 )
i 1
n
1 2
如果x1 0, 4、x1 x1 1 5、1 1 x1 6、计算U 1,U 1 x 1 T 7、H 1 I U 1U 1
则 1 1
1 8、y ( M 1 , 0,
9、输出H 1 , y。
, 0)T
矩阵分解的常用方法(全文)
矩阵分解的常用方法一、矩阵的三角分解定义:如果方阵可分解成一个下三角形矩阵L和上三角形矩阵U的的乘积,则称可作三角分解或LU分解。
定理1:高斯消元过程能够进行到底的充分必要条件是的前n-1个顺序主子式都不为零,即k ≠0,k=1,2,…,n-1。
(1)当条件(1)满足时,有L(n-1)…L(2)L(1)=U。
其中U为上三角形矩阵L(k)=lik=,i=k+1,…,n。
容易得出,detL(k)≠0(k=1,2,…,n-1),故矩阵L(k)可逆,于是有=(L(1))-1(L(2))-1…(L(N-1))-1U。
由于(L(K))-1是下三角形矩阵,故它们的连乘积仍然是下三角矩阵。
令L=(L(1))-1(L(2))-1…(L(N-1))-1=则得=LU。
即分解成一个单位下三角形矩阵L和一个上三角形矩阵U的的乘积。
二、矩阵的QR(正交三角)分解定义:如果实(复)非奇异矩阵能化成正交(酉)矩阵Q 与实(复)非奇异上三角矩阵R的乘积,即=QR,则称上式为的QR分解。
定理2:任何实的非奇异n阶矩阵可以分解成正交矩阵Q 和上三角形矩阵R的乘积,且除去相差一个对角线元素之绝对值等于1的对角矩阵D外,分解成=QR是唯一的。
矩阵QR的分解具体做法如下:令的各列向量依次为α1,α2,…,αn,由于是非奇异的,所以α1,α2,…,αn线性无关,按照施密特正交法正交化得到个标准的正交向量β1,β2,…,βn,且β=bαβ=bα+b22α2β=bα+b2nα2+…+bnnαn这里bij都是常数,且由正交化过程知bii≠0(i=1,2,…,n)写成矩阵形式有(β1,β2,…,βn)=(α1,α2,…,αn)β,即Q=B。
其中B=是上三角矩阵(bii≠0,i=1,2,…,n)。
显然B可逆,而且B=R-1也是上三角矩阵,由于Q的各列标准正交,所以Q 正交矩阵,从而有=QR。
三、矩阵的奇异值分解定理3 (奇异之分解定理)设是一个m×n的矩阵,且r ()=r,则存在m阶酉矩阵U和n阶酉矩阵V,使得UHV=(2),其中?撞=dig(1…r),且1≥2≥…≥r≥0。
矩阵分解理论与应用
矩阵分解理论与应用矩阵分解是一种数学运算,其将一个复杂的矩阵分解为多个简单的因子矩阵,从而简化计算复杂度、提高计算效率。
随着数据处理技术的不断升级,矩阵分解在各个领域得到了广泛的应用,特别是在数据挖掘、推荐系统、图像处理等方面。
矩阵分解的理论矩阵分解的理论基础主要有奇异值分解(SVD)、QR分解和LU分解等。
其中,SVD是最常用的矩阵分解理论,它可以将矩阵分解为三个矩阵之积,即A = U * Σ * V^T,其中U和V是正交矩阵,Σ是对角矩阵。
这种分解方式可以将一个高维矩阵转化为多个低维矩阵,从而降低计算复杂度、提高算法运行效率。
QR分解则是将一个矩阵分解为一个正交矩阵和一个上三角矩阵的乘积,这种分解方式可以实现矩阵的排除操作、解线性方程组等计算操作。
LU分解则是将一个矩阵分解为两个矩阵的乘积,其中一个是下三角矩阵,另一个是上三角矩阵,这种分解方式可以解线性方程组,也可以进行矩阵求逆运算。
矩阵分解的应用在数据挖掘领域中,矩阵分解常用于推荐系统,特别是基于协同过滤的推荐算法中。
通过将用户评分矩阵进行矩阵分解,可以得到用户的潜在特征向量和物品的潜在特征向量,从而可以计算用户对未评分物品的评分预测值,进而推荐给用户。
在图像处理方面,矩阵分解可以用于图像压缩和降噪。
通过将图像像素矩阵进行矩阵分解,可以得到多个低维度的矩阵,从而减少存储空间和计算复杂度,同时也可以减少图像噪声的影响。
此外,矩阵分解还可以应用于信号处理、网络分析、文本处理等领域。
比如,矩阵分解可以用于音频信号处理中的声音分离,网络分析中的社交网络挖掘等。
总结矩阵分解作为一种常用的数学运算,在数据处理和计算领域具有广泛的应用。
通过将高维度、复杂的矩阵分解为多个低维度、简单的因子矩阵,矩阵分解大大提高了计算效率和运行速度,为各个领域的数据处理和挖掘提供了重要的数学工具。
矩阵分解公式
矩阵分解公式
(原创实用版)
目录
1.矩阵分解公式的概述
2.矩阵分解公式的类型
3.矩阵分解公式的应用
4.矩阵分解公式的举例
正文
矩阵分解公式是一种重要的数学工具,它在诸多领域中都有着广泛的应用。
矩阵分解公式可以帮助我们将一个矩阵分解成一些简单的矩阵的乘积,这对于理解和操作矩阵而言是非常有帮助的。
矩阵分解公式主要有两种类型,一种是矩阵的 LU 分解,另一种是矩阵的 QR 分解。
矩阵的 LU 分解是将一个矩阵分解成一个下三角矩阵和一个上三角矩阵的乘积,而矩阵的 QR 分解则是将一个矩阵分解成一个正交矩阵和一个上三角矩阵的乘积。
这两种分解方法各有其优点和适用范围,需要根据具体情况选择合适的分解方法。
矩阵分解公式在许多领域都有着广泛的应用,例如在数值分析中,矩阵分解可以帮助我们求解线性方程组;在机器学习中,矩阵分解可以用来对数据进行降维处理;在图像处理中,矩阵分解可以用来对图像进行压缩和增强等。
举个例子,假设我们有一个 3x3 的矩阵 A,我们需要将其进行 LU 分解。
首先,我们需要求出矩阵 A 的主对角线元素,然后将主对角线元素组成一个新的矩阵 L,接着求出矩阵 L 的逆矩阵,最后将矩阵 A 乘以矩阵 L 的逆矩阵,就可以得到一个下三角矩阵,这个下三角矩阵的乘积再乘以矩阵 L,就等于矩阵 A。
这就是矩阵的 LU 分解。
矩阵的分解与正交阵之间的联系摘要通过一个矩阵分解可分解成正交
矩阵的分解与正交阵之间的联系摘要:通过一个矩阵分解可分解成正交阵与某个矩阵的乘积引出关于矩阵的极分解定理,QR 分解定理,极值分解定理,奇异值分解定理等,并对它们进行了证明和扩充。
关键词:分解 矩阵 正交阵正文:今年来,在数学专业的考研试卷中,高代部分关于矩阵的分解的题目(利用它们来进行计算或证明某个特定问题)有增多的趋势。
学过矩阵论的人都知道,矩阵的分解主要有两大类,一类是矩阵的加法分解,一类是矩阵的乘法分解。
本篇着重讨论乘法分解中的几种特殊分解。
定义1: ()n n ij A a R ⨯=∈ , A A E '=, 则A 称为正交阵。
定义1':()n n ij A a R ⨯=∈, ( I ) 112210i j i j in jn a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==( II ) 112210i j i j ni nj a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==(III) 1A A -'=在02年的厦大高代考研卷子中,就有矩阵的分解与正交阵结合起来的题目。
TH1:(02年高代试卷)设A 是可逆的n 阶实方阵。
求证:存在正交阵U ,正定阵T ,使A=UT ,且这个分解式是唯一的。
证明:A 可逆, ∴AA '正定 从而存在正定阵T , 使2AA T '=121()[()]A A T A T TUT --''=== 即 1()U A T -'=则 1112111()()()()U U AT T A A T A A A A A E------''''''====现假设A 还有另一分解,即A=UT=US 则 1UU ST -'= ,U 为正交阵,而U 的特征值为实数且是正的111122221()()T S T T T S T --∴=可对角化 即 1E S T -= S T ∴=∴分解式是唯一的。
矩阵分解总结
矩阵分解总结
矩阵分解总结:
矩阵分解是一种被广泛应用于各个领域的数学方法,它将一个复杂的矩阵表示
为几个简化的矩阵相乘的形式。
矩阵分解在数据压缩、机器学习、信号处理等领域中具有重要的作用。
一种常见的矩阵分解方法是奇异值分解(SVD),它将一个矩阵分解为三个矩
阵的乘积,分别是左奇异向量矩阵、奇异值对角矩阵和右奇异向量矩阵。
SVD在
图像处理、推荐系统等领域中得到了广泛的应用。
另一种常见的矩阵分解方法是QR分解,它将一个矩阵分解为一个正交矩阵和
一个上三角矩阵的乘积。
QR分解在线性回归、最小二乘法等问题中起到了重要的
作用。
矩阵分解还有其他多种方法,如LU分解、Cholesky分解等。
它们各自在不同
领域具有独特的优势和应用。
矩阵分解的目标是将一个大型、复杂的问题简化为多个小型、简单的问题,进而提高计算效率和问题求解的准确性。
通过矩阵分解,我们可以发现矩阵中的隐藏模式、结构和特征,从而更好地理
解和处理数据。
无论是在科学研究、工程技术还是商业应用中,矩阵分解都起到了重要的作用,为进一步的数据分析和决策提供了有力支持。
总结起来,矩阵分解是一种重要的数学方法,它将复杂的矩阵拆解为简单的因子,以便更好地分析和处理数据。
不同的矩阵分解方法在不同领域有着广泛的应用,为数据科学和工程技术领域带来了重要的进展。
线性代数中的矩阵分解与应用
线性代数中的矩阵分解与应用矩阵分解是线性代数中重要的概念,它可以将一个矩阵分解成多个简单的矩阵,从而方便我们进行运算和应用。
在本文中,我们将探讨矩阵分解的几种常见方法以及它们在不同领域的应用。
一、LU分解LU分解是最基本的矩阵分解方法之一,它将一个矩阵分解为一个下三角矩阵L和一个上三角矩阵U的乘积。
具体地说,给定一个矩阵A,LU分解将A分解为A=LU的形式,其中L为单位下三角矩阵,U 为上三角矩阵。
LU分解在求解线性方程组、矩阵求逆以及计算行列式等方面有广泛的应用。
二、QR分解QR分解是将一个矩阵分解为一个正交矩阵Q和一个上三角矩阵R 的乘积。
QR分解在很多数值计算问题中都有重要应用,比如最小二乘拟合、矩阵特征值计算以及信号处理等。
通过QR分解,我们可以将复杂的运算转化为简单的乘法和求解上三角矩阵的问题,从而提高计算效率。
三、奇异值分解(SVD)奇异值分解是将一个矩阵分解为一个正交矩阵U、一个对角矩阵Σ和另一个正交矩阵V的转置的乘积。
奇异值分解在数据降维、图像压缩、推荐系统等领域中被广泛应用。
通过奇异值分解,我们可以发现矩阵的特征结构,并根据特征值的大小选择保留重要信息,去除冗余信息,从而简化问题并提高计算效率。
四、特征值分解特征值分解是将一个方阵分解为一个由特征向量组成的矩阵和一个由对应特征值构成的对角矩阵的乘积。
特征值分解在矩阵的谱分析、信号处理、振动分析等领域有广泛应用。
通过特征值分解,我们可以得到矩阵的特征向量和特征值,从而研究矩阵的性质和行为。
矩阵分解在实际应用中具有重要意义。
例如,在机器学习中,矩阵分解可以应用于协同过滤算法,通过对用户与物品评分矩阵进行分解,可以发现用户和物品之间的潜在关联关系,从而实现个性化的推荐。
此外,矩阵分解还可以用于图像处理中的图像压缩和去噪,通过对图像矩阵进行分解,可以提取主要特征并减少数据量,从而节省存储空间和提高图像质量。
总结起来,线性代数中的矩阵分解是一种重要的数学工具,具有广泛的应用。
矩阵分解的研究[开题报告]
毕业论文开题报告数学与应用数学矩阵分解的研究一、选题的背景、意义数学作为一种创造性活动不仅拥有真理,而且拥有至高无上的美.矩阵是数学中的重要组成部分,因此对矩阵的研究具有重大的意义。
在近代数学、工程技术、经济理论管理科学中,大量涉及到矩阵理论的知识。
因此,矩阵理论自然就是学习和研究上述学科必不可少的基础之一。
矩阵理论发展到今天,已经形成了一整套的理论和方法,内容非常丰富。
矩阵分解对矩阵理论及近代计算数学的发展起了关键的作用。
寻求矩阵在各种意义下的分解形式,是对与矩阵有关的数值计算和理论都有着极为重要的意义。
因为这些分解式的特殊形式,一是能明显的反映出原矩阵的某些特征;二是分解的方法与过程提供了某些有效的数值计算方法和理论分析根据。
这些分解在数值代数和最优化问题的解决中都有着十分重要的角色以及在其他领域方面也起着必不可少的作用。
二、研究的基本内容与拟解决的主要问题本文简单的介绍了矩阵的定义,通过矩阵的定义,由m n ⨯个数(1,2,,,1,2,,)ij a K i m j n ∈==K K 排成的m 行、n 列的长方形表111212122212n n m m mn a a a a a a a a a ⎛⎫ ⎪ ⎪ ⎪ ⎪⎝⎭K K M M O M K (1) 称为数域K 上的一个m n ⨯矩阵。
其中的ij a 称为这个矩阵的元。
两个矩阵相等就是它们对应位置的元全相等[1]。
矩阵通常用一个大写拉丁字母表示。
如(1)的矩阵可以被记为A .如果矩阵的行数m 与列数n 相等,则称它为n 阶方阵。
数域K 上所有m n ⨯矩阵的集合记为(),m n M K ,所有n 阶方阵的集合记为()n M K ,元全为0的矩阵称为零矩阵,记为0.矩阵A 的位于第i 行、第j 列的元简称为A 的(),i j 元,记为(),A i j 。
如果矩阵A 的(),i j 元是(1,2,,,1,2,,)ij a i m j n ==K K ,则可以写成()ij A a =。
矩阵正交分解
矩阵正交分解
1 矩阵正交分解
矩阵正交分解(Matrix Orthogonal Decomposition),是矩阵分
解技术的一种,它可以将高维矩阵分解成多个变量之间互不相关的、
线性无关的正交基向量的组合,其中基向量有极好的正交性和几何性质。
矩阵正交分解技术可以帮助研究者有效地处理矩阵数据,并能显
著提高统计分析的准确性和效率。
通过矩阵正交分解技术,可以消除
多个变量之间的间接性和共线性影响,使得研究者可以有效地分析不
同变量间的动态变化和静态相关性。
而且矩阵正交分解技术可以帮助研究者降低变量的复杂性,将原
无规律的统计数据转换成只包含有意义性和相关性研究变量的新矩阵,形成一个更为清晰和简便的数据集,以便进行更深入的数据分析。
除了常规的统计分析,矩阵正交分解技术还可以应用于投资回报
率的分析、股票市场的预测分析、因变量预测建模等等,在这些领域
中矩阵正交分解技术可以有效提高统计分析的准确度。
从上面的介绍中可以看出,矩阵正交分解技术对于统计分析研究
具有重要的意义,是大数据分析分析中不可缺少的一个要素。
线性代数中的矩阵分解理论
线性代数中的矩阵分解理论矩阵分解是线性代数中的一个重要概念和技术,通常用于将一个矩阵拆解成简化形式。
在许多应用领域,矩阵分解都具有广泛的应用,例如信号处理、数据压缩、机器学习等。
本文将介绍线性代数中的矩阵分解理论及其应用。
一、矩阵分解的基本原理在线性代数中,矩阵分解是将一个给定的矩阵拆分为多个矩阵的乘积的过程。
常见的矩阵分解方法有LU分解、QR分解和奇异值分解等。
这些分解方法都具有不同的特点和适用范围。
1. LU分解LU分解是将一个矩阵A拆解为两个矩阵L和U的乘积。
其中L是一个下三角矩阵,U是一个上三角矩阵。
LU分解常用于求解线性方程组,通过分解后的矩阵可以对方程组进行简化和求解。
2. QR分解QR分解是将一个矩阵A拆解为一个正交矩阵Q和一个上三角矩阵R的乘积。
QR分解常用于求解最小二乘问题和矩阵的特征值等。
3. 奇异值分解奇异值分解是将一个矩阵A拆解为一个酉矩阵U、一个对角矩阵Σ和另一个酉矩阵V的转置的乘积。
奇异值分解是矩阵分解中最广泛应用的方法之一,可以用于降维、数据压缩和图像处理等领域。
二、矩阵分解的应用领域矩阵分解在许多应用领域中都有重要的应用,下面介绍几个常见的应用领域。
1. 信号处理在信号处理中,矩阵分解常用于信号的降噪和信号的重构。
通过将观测到的信号矩阵进行分解,可以得到信号的主要成分和噪声的成分,从而实现信号的处理和分析。
2. 数据压缩矩阵分解在数据压缩领域中被广泛应用。
通过将一个高维的数据矩阵进行分解,可以提取出数据的主要成分,从而实现数据的降维和压缩。
常用的数据压缩方法之一就是基于奇异值分解的方法。
3. 机器学习在机器学习中,矩阵分解被广泛应用于推荐系统和聚类分析等任务中。
通过将用户-物品的评分矩阵进行分解,可以得到潜在的用户兴趣和物品特征,从而实现个性化推荐和相似物品的聚类分析。
三、矩阵分解的扩展除了上述介绍的常见矩阵分解方法外,还有许多其它的矩阵分解方法被提出和应用。
例如,非负矩阵分解、稀疏矩阵分解等。
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11121222000⎛⎫⎪ ⎪= ⎪⎪⎝⎭n n nn 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 nnA 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。
矩阵分解综述
矩阵分解综述
矩阵分解是一种重要的数学技术,它可以将一个矩阵分解成为多个矩阵的乘积,从而方便地对复杂的线性方程组进行求解和计算。
矩阵分解在代数学、数值计算、信号处理、图像处理等领域有着广泛的应用。
常见的矩阵分解包括LU分解、QR分解、SVD分解和特征值分解等。
以下是对这几种分解方法的简要综述:
1.LU分解
LU分解是一种矩阵分解的方法,它将矩阵分解为上三角矩阵和下三角矩阵的乘积。
LU 分解用于解线性方程组时可以减少计算量并提高计算效率。
2.QR分解
QR分解是将矩阵分解为正交矩阵和上三角矩阵的乘积。
QR分解在处理线性回归等问题时非常有用。
3.SVD分解
奇异值分解(Singular Value Decomposition, SVD)是将矩阵分解成三个矩阵的乘积形式的分解方法:$A=U\Sigma V^T$(注:$\Sigma$为奇异值矩阵,$U,V$为正交矩阵)。
SVD 分解能够将复杂的矩阵映射到低维子空间,从而降低矩阵的维度,压缩数据并消除噪声。
4.特征值分解
特征值分解是将一个矩阵分解为一个特征值矩阵和一个特征向量矩阵的乘积形式。
用于计算特征值和特征向量来帮助分析和理解数据的结构并发现不同的模式。
除了这几种分解方法,近年来还出现了许多新的矩阵分解方法,比如长短时记忆网络(LSTM)、具有局部相关性的矩阵分解(LCMF)等。
LSTM常用于自然语言处理和语音识别等领域,LCMF则被广泛用于推荐系统中。
矩阵分解及应用
引言数学是人类历史中发展最早,也是发展最为庞大的基础学科。
许多人说数学是万理之源,因为许多学科的研究都是以数学做为基础,有了数学的夯实基础,人类才铸就起了众多学科的高楼大厦,所以数学的研究和发展一直在不断的发展壮大。
在数学中有一支耀眼的分支,那就是矩阵。
在古今矩阵的研究发展长河中产生了许多闪耀星河的大家。
英国数学大家詹姆斯·约瑟夫·西尔维斯特,一个数学狂人,正是他的孜孜不倦的研究使得矩阵理论正式被确立并开启了矩阵发展的快速发展通道。
凯莱和西尔维斯特是非常要好的朋友,他也是一位非常伟大的数学大师,正是他们伟大的友谊,加上两人的齐心协力最后他们共同发展了行列式和矩阵的理论。
后来高斯在矩阵方面的研究取得重要的成就,尤其是高斯消去法的确立,加速了矩阵理论的完善和发展。
而在我国,矩阵的概念古已有之。
从最早的数学大家刘徽开始我们古代数学大家都已或多或少的研究了矩阵。
尤其在数学大家刘徽写的《九章算术》中,它最早提出了矩阵的类似定义。
而且是将矩阵的类似定义用在了解决遍乘直除问题里了。
这已经开始孕育出了最早的矩阵形式。
随着时间转移,矩阵的理论不断的完善,在对于那些大型矩阵的计算中如果用基本方法显得过于繁重,于是发展出了矩阵的分解,随着对矩阵分解的不断研究完善,矩阵分解方法和理论也日趋成熟矩阵经常被当做是数学工具,因为在数学问题中要经常用上矩阵的知识。
矩阵是一个表格,要掌握其运算法则,作为表格的运算与数的运算既有联系又有差别,在所有矩阵的运算方法中,矩阵的分解是他们中一种最重要并且也是应用最广泛。
矩阵分解主要是对高斯消去法的延续和拓展。
在一些大型的矩阵计算中,其计算量大,化简繁杂,使得计算非常复杂。
如果运用矩阵的分解,将那些大型矩阵分解成简单的矩阵的乘积形式,则可大大降低计算的难度以及计算量。
这就是矩阵分解的主要目的。
而且对于矩阵的秩的问题,特征值的问题,行列式的问题等等,通过矩阵的分解后都可以清楚明晰的反应出来。
矩阵论矩阵分解汇总
矩阵论矩阵分解汇总矩阵分解是矩阵论中一个重要的研究领域,其目标是将一个给定的矩阵分解成多个特定的子矩阵或数学结构。
常见的矩阵分解方法包括QR分解、LU分解、SVD分解等。
下面我将对其中的几种矩阵分解方法进行汇总介绍。
QR分解是矩阵分解中最为常用的一种方法之一,它把一个矩阵分解为一个正交矩阵和一个上三角矩阵相乘的形式。
QR分解在数值计算以及线性回归等领域得到了广泛应用。
在实际计算中,QR分解可以通过Graham-Schmidt算法或是Householder变换来实现。
LU分解是将一个矩阵分解为一个下三角矩阵和一个上三角矩阵的乘积。
LU分解在求解线性方程组、计算行列式、求逆矩阵等问题中经常被使用。
在实际计算中,LU分解可以通过高斯消元法来实现。
SVD分解是将一个矩阵分解为三个部分的乘积:一个正交矩阵、一个对角矩阵和另一个正交矩阵的转置。
SVD分解在数据降维、推荐系统、图像压缩等领域有着广泛应用。
这是一种最常用的矩阵分解方法,可以通过各种迭代算法来进行计算。
特征值-特征向量分解将一个矩阵分解为一个特征向量矩阵和一个特征值对角矩阵的乘积。
特征值-特征向量分解在物理学、结构力学、量子力学等领域有着重要应用。
这种分解方法可以用于求解线性方程组、寻找最大特征值和最小特征值等问题。
奇异值分解是一种广义的SVD分解方法,将一个矩阵分解为一个奇异向量矩阵、一个奇异值矩阵以及另一个奇异向量矩阵的转置。
奇异值分解在图像处理、机器学习、数据压缩等领域有着广泛应用。
它可以用于数据降维、图像压缩、噪声过滤等问题。
以上是几种常见的矩阵分解方法,在实际计算和应用中都有着重要的作用。
矩阵分解的广泛应用使得它成为了线性代数和数值计算领域的核心研究之一、不同的矩阵分解方法适用于不同的问题,通过选择合适的矩阵分解方法,可以提高计算效率,减少计算复杂度,从而更好地解决实际问题。
正交矩阵与正交变换的性质及应用
正交矩阵与正交变换的性质及应用程祥河南大学数学与信息科学学院 开封 475004摘要 矩阵是数学中的重要概念,是代数学重要研究对象之一,也是数学与其他领域研究与应用的一个重要工具,而正交矩阵作为一类特殊且常用的矩阵,在矩阵论中占有重要地位,且应用非常广泛,因此对正交矩阵的探讨具有十分重要的意义.本文主要对正交矩阵的性质及结论进行归纳总结,并对相关性质进行推广. 关键词:正交矩阵;正交变换;性质1.1 正交矩阵的的定义及其判定定义1 n 阶实矩阵A , 若满足E A A =', 则称A 为正交矩阵. 性质1 A 为正交矩阵1'-=⇔A A .性质2 A 为正交矩阵⇔'1,,,1,2,,0,,i j i j i j n i j αα=⎧==⎨≠⎩.的列向量为A i α.性质3 A 为正交矩阵⇔'1,,1,2,...0,,i j i j i j n i j ββ=⎧===⎨≠⎩.的行向量为A i β.1.2 正交矩阵的性质性质1]3[ 若A 为正交矩阵则*'1,,A A A -均为正交矩阵. 证明 有E A A A A E A A A A ====---1''11''''')()(,)()(,E A A A A ==*''**)()(,可得*'1,,A A A -均为正交矩阵.性质2 若A 为正交矩阵则11)det(-=或A 证明 对E A A ='两边同取行列式,可得1))(det(2=A ,故11)det(-=或A .性质3]4[ 若B A ,为正交矩阵,则AB 也为正交矩阵. 证明 有E AA A ABB AB AB ===''''))((, 可得AB 为正交矩阵.性质4 正交矩阵的特征值的模为1.证明 设A 为正交矩阵,复数λ为其任一特征值X 为其对应的特征向量,即X AX λ=,0≠X两边取转置'''X A X λ=,由此得X X AX A X λλ'''=,有E A A ='可得X X X X '2'λ=,从而1=λ.性质5 正交矩阵的实特征值为1±.性质6]5[ 行列式为1的奇数阶正交矩阵必有特征值1. 证明 设A 为n 阶正交矩阵且1)det(=A ,n 为奇数 则''')()1()1(A E A E A A A A E n n --=--=-=-A E n --=)1(A E --=, 故0=-A E ,即A 有特征值1.性质7 行列式为-1的正交矩阵必有特征值-1. 证明 设A 为正交矩阵且1)det(-=A 则''')(A E A A E A A A A A E +=+=+=+A E +-=, 故0=+A E ,即A 有特征值-1.性质8]6[ 设λ为正交矩阵A 的特征值,则1-λ也为A 的特征值. 证明 因λ为A 的特征值故存在特征向量λααα=A 使得 从而λαα''A A A =,得αλα1'-=A ,即1-λ为'A 的特征值, 从而1-λ也为A 的特征值.性质9]8[ 设A 为一n 阶正交矩阵,有一特征值为)0(≠+ββαi ,相应的特征向量为iy x +,则.0,'''==xy y y x x 证明 有))(()(iy x i iy x A ++=+βα, 得()()⎪⎪⎭⎫ ⎝⎛-=αββαy xy x A ,两边转置得⎪⎪⎭⎫⎝⎛⎪⎪⎭⎫⎝⎛-=⎪⎪⎭⎫ ⎝⎛'''''y x A y x αββα, 令y x Z y y Y x x X ''',,===,故⎪⎪⎭⎫⎝⎛=⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛⎪⎪⎭⎫ ⎝⎛-Y Z Z X Y Z Z Xαββααββα, 计算可得⎪⎪⎭⎫⎝⎛=⎪⎪⎭⎫ ⎝⎛++-+--+--+Y Z Z XZ X Y Y X Z Z Y X Z Z Z Y X αββααββααββααββα2)()(222222222, 比较第一行元素可知Z Y X αββα2)1(22=+-,)()1(22Y X Z -=-+αβαβ,又A 为正交矩阵,有性质4知122=+βα,代入并注意到0≠β有)(2Y X Z -=-βα, )(2Y X Z -=αβ,可得0))((22=-+Y X βα即Y X =,易得0=Z ,从而0,'''==xy y y x x .下面举具体例子说明正交矩阵上述性质的应用.例1]1[ 证明:不存在正交矩阵22,B AB A B A +=使得. 证明 设有正交矩阵22,B AB A B A +=使得,则'22''',,B A B A B A 以及都是正交矩阵, 且B A B A B A B A +=-='22',,故B A B A +-,为正交矩阵,从而B A A B E B A B A E '-'-='--=2))((, B A A B E B A B A E '+'+='++=2))((,两式相加,得E E 42=,矛盾 故得证.例2 设1)(,0,≤+=+*B A r B A n B A 证明阶正交方阵且为 证明 因B A ,为正交方阵,故1,±=='A E A A ,又A B B A -==+估,0,从而12-=-='='A B A B A ,得B A '有特征值-1,故0)1('='+-='--B A AA B A E n ,即0,0)1()1('=+=+-='+-B A B A A B A A n n ,因此1)(≤+*B A r .例3]1[ 设1=A A 为一三阶正交方阵且证明:存在一实数31,≤≤-k k 使得023=-+-E kA kA A .证明 设321λλλ,,的三个特征值分别为A 则32131322123213)()()(λλλλλλλλλλλλλλλλλ-+++++-=-=A E f , 因为A 为奇数阶正交矩阵且1=A , 故A 有特征值1,不妨设11=λ则122321===A λλλλλ,于是32313221323211,1λλλλλλλλλλλλλ++=++++=++,从而1)(23-+-=-=λλλλλk k A E f ,其中),(13232为实数或共轭虚数λλλλ++=k , 有因正交矩阵的特征值的模为1, 故323232)(λλλλλλ+≤+≤+-,得2232≤+≤-λλ,于是31≤≤-k ,从而023=-+-E kA kA A ,31≤≤-k .例4]7[有椭球面1222222=++cz b y a x 的中心,引三条两两垂直的射线,分交曲面于点321,,P P P ,设332211,,r OP r OP r OP ===.证明:222232221111111c b a r r r ++=++. 证明 设i i i i OP νμλ,,的方向余弦为, 31≤≤i 则()i i i i i i i r r r P νμλ,,点坐标为,且1222=++i i i νμλ,代入曲面方程可得22222221c b a r ii i iνμλ++=, 故223222122322212232221232221111c b a r r r νννμμμλλλ++++++++=++, 有321,,OP OP OP 两两垂直可得⎪⎪⎪⎭⎫⎝⎛333222111νμλνμλνμλ为正交矩阵, 故1,1,1232221232221232221=++=++=++νννμμμλλλ,从而有222232221111111c b a r r r ++=++. 2.1正交变换的定义及等价条件定义2:欧氏空间V 的线性变换T 称为正交变换,如果它保持向量的内积不变,即对任意的V ∈βα,,都有),(),(βαβα=T T .正交变换可以从几个不同的方面来加以刻画.定理]2[ 设T 是维欧氏空间的一个线性变换,于是下面的四个命题是相互等价的:(1) T 是正交变换;(2)T 保持向量的长度不变,即对于ααα=∈T V ,;(3)如果n εεε ,,21是标准正交基,那么n T T T εεε,,,21 也是标准正交基;(4)T 在任一组标准正交基下的矩阵是正交矩阵. 2.2正交变换的性质和应用由于矩阵与变换间存在一一对应的关系,因此正交矩阵性质可以平 移到正交变换上来.下面通过具体例子说明其应用.例5]2[ 设T 是欧氏空间的一个变换,证明:如果T 是保持内积不变.即对于),(),(,,βαβαβα=∈T T V ,那么它一定是线性的,因而它是正交变换. 证:先证:.)(βαβαT T T +=+由条件得,0),(2),(),(),(2),(2),(),(2),(),()),((2)),((2))(),(())(,)((=++++-+-++=++++-+-++=--+--+βαββααββααβαβαβαβαββααββααβαβαβαβαβαβαβαT T T T T T T T T T T T T T T T T T从而,)(,0)(βαβαβαβαT T T T T T +=+=--+再证:).()(ααkT k T =同理,由于.).()(,0)()(0),(),(),(),(),()),(())(,())(),(())()(),()((222是线性变换,得证故T T k k T T k k T k k k k k k T T k T k T k k T T k k T k T kT k T kT k T αααααααααααααααααααααααα==-=+--=+--=--例6 设m ααα,,,21 与m βββ,,,21 是n 维欧氏空间V 的两组向量,证明:存在正交变换T 使),,1(m i T i i ==βα的充要条件是m j i j i j i ,,1,),,(),( ==ββαα 证明 设有正交变换).,1(,m i T T i i ==βα使得,则 .,,1,),,(),(),(m j i T T j i j i j i ===ββαααα证 设.,,1,),,(),(m j i j i j i ==ββαα成立.令),,,,(),,,,(212211m m L V L V βββααα ==则.2211⊥⊥⊕=⊕=V V V V V但易知m m m m k k k k ββααϕ++→++ 11111:是1V 到2V 的同构映射.于是dim )(1V =)dim (2V .从而得,)dim()dim(21⊥⊥=V V ,令2ϕ为⊥1V 到⊥2V 得一个同构映射,则对,V ∈γ令⊥∈∈+=12,1121,V V γγγγγ,易知2211:γϕγϕγ+→T 是V 的正交变换且由0+=i i αα得m i T i i i ,,1,021 ==+=βϕαϕα例7]1[设21,T T 是n 维欧氏空间V 的两个线性变换,))(,(),(2211V T T T T ∈∀=ααααα,证明:存在T TT T V =1使得的正交变换.证明 令)(),(2211V T V V T V ==则易知)(:211V T T ∈∀−→−αααϕ,是的一个同构映射与21V V ,因此有)dim ()dim (212211⊥⊥⊥⊥=⊕=⊕=V V V V V V V 得,令知的一个同构映射,则易与是⊥⊥212V V ϕ),,(:2211212211V V V T ∈∈∈+=+−→−ααααααϕαϕα,是V 的正交变换,且对任意V ∈β有,而0,)(11111+==∈αααT T V V T T故ααϕαα21111)()(T T T T TT ===,因此T TT =1.参考文献[1]杨子胥. 高等代数精选习题[M].高等教育出版社,2008.[2]北京大学数学系几何与代数教研室前代数小组.高等代数(第三版)[M].高 等教育出版社,2003.9.[3]刘志明.关于正交矩阵性质的探讨[J].重庆师范学院学报(自然科学版),2000,第17卷增刊.[4]吴险峰,张晓林.正交矩阵的进一步探讨[J].齐齐哈尔大学学报,2008,第14卷第6期.[5]戴立辉,王泽文,刘龙章.正交矩阵的若干性质[J].华东地质学院学报,2002,第25卷第3 期.[6]涂文彪.正交矩阵的进一步推广及性质[J].蒙自师专学报,1992,总22期. [7]吕林根,许子道.解析几何(第四版)[M].高等教育出版社,2006.5.[8]胡邦.研究生入学考试考点解析与真题详解[M] .电子工业出版社,2008.。
线性代数中的矩阵分解和特征值问题
线性代数中的矩阵分解和特征值问题线性代数是数学中的一个重要分支,不仅应用广泛,还在计算机科学、物理学等领域中发挥着重要的作用。
其中,矩阵分解和特征值问题是线性代数中的重要内容。
在本文中,我们将详细介绍这两个问题的理论意义和应用。
一、矩阵分解矩阵分解是将一个矩阵分解成几个简单矩阵的积的过程。
常见的矩阵分解方法有LU分解、QR分解、奇异值分解等。
1.1 LU分解LU分解是将一个矩阵分解成一个下三角矩阵和一个上三角矩阵的乘积。
具体来说,设A是一个n阶方阵,其LU分解为:A=LU其中L是一个下三角矩阵,U是一个上三角矩阵。
LU分解的应用很广泛,如在求矩阵的逆、解线性方程组等方面都有很大的用处。
1.2 QR分解QR分解是将一个矩阵分解成一个正交矩阵和一个上三角矩阵的乘积。
具体来说,设A是一个m×n矩阵(m≥n),其QR分解为:A=QR其中Q是一个正交矩阵,R是一个n阶上三角矩阵。
QR分解在矩阵的最小二乘解、特征值问题等方面具有很大的作用。
1.3 奇异值分解奇异值分解是将一个矩阵分解成一个正交矩阵、一个奇异值矩阵和一个正交矩阵转置的乘积。
具体来说,设A是一个m×n矩阵,其奇异值分解为:A=UΣV^T其中U和V都是正交矩阵,Σ是一个m×n的矩阵,其对角线上的元素称为A的奇异值。
奇异值分解在图像处理、模式识别等领域中有着广泛的应用。
二、特征值问题特征值问题是线性代数中的一个重要问题,其主要涉及到矩阵的特征向量和特征值。
设A是一个n维方阵,如果存在一个非零n维向量x和一个实数λ,使得下列等式成立:Ax=λx则称λ为矩阵A的一个特征值,x称为矩阵A对应于特征值λ的一个特征向量。
2.1 特征值分解特征值分解是将一个对称矩阵分解成一个正交矩阵和一个对角线矩阵的乘积。
具体来说,设A是一个n阶对称矩阵,其特征值分解为:A=QΛQ^T其中Q是一个正交矩阵,Λ是一个对角线矩阵,其对角线上的元素就是矩阵A的特征值。
矩阵分解及应用
矩阵分解及应用1 引言矩阵是研究图形(向量)变换的基本工具许多数学模型都可以用矩阵表示,矩阵理论既是学习数学的基础,又是一门最有实用价值的数学理论.它不仅是数学的一个重要分支,而且业已成为现代各科领域处理大量有限维空间形式与数量关系强有力的工具.矩阵在代数学习课程中占有重要的地位,而矩阵的分解在矩阵理论研究及其应用中有着重要意义,是其他一些研究课题解决问题的工具.本文介绍了矩阵的几种分解方法:三角分解、正交分解、满秩分解、奇异值分解以及各种分解方法的应用.三角分解在求线性方程组的过程中占有十分重要的作用;正交三角)(QR 分解在计算数学中扮演十分重要的角色,尤其是以QR 分解所建立的QR 方法,已对数值线性代数理论的近代发展起了关键的作用;矩阵的满秩分解和奇异值分解是近几十年来求各类最小二乘问题和最优化问题的重要数学工具. 2 矩阵的三角分解及应用 2.1 杜利特尔分解法定义 2.1]1[ 对于n 阶矩阵A =)(ij a ,n j i ,,2,1, =.如果LU A =,其中L 为单位下三角矩阵,U 为上三角矩阵,则称LU A =为矩阵A 的杜利特尔分解. 确定三角矩阵L 和U 的方法:设LU A =,其中L =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡1112121 n n l l l ,U =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡nn n n u u u u u u 22211211 按矩阵的乘法有ij a =∑=),m in(1j i s sj isu l,n j i ,,2,1, =由于kk l =1所以有kj a =+kj u ∑-=11k s sj ksu l,n k k j ,,1, +=所以kj u =-kj a ∑-=11k s sj ksu l,n k k j ,,1, +=同理ik l =kkskk s is ik u u l a ∑-=-11,n k k i ,,2,1 ++=这样便可以得到三角矩阵L 和U . 2.2 克劳特分解法定义 2.2]1[ 对于n 阶矩阵A =)(ij a ,n j i ,,2,1, =,如果LU A =,其中L 为下三角矩阵,U 为单位上三角矩阵,称LU A =为矩阵A 的克劳特分解.确定三角矩阵L 和U 的方法:设LU A =,其中L =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡nn n n l l l l l l 21212111,U =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡1112112 n n u u u 按矩阵的乘法有ij a =∑=),m in(1j i s sj isu l,n j i ,,2,1, =由于kk u =1所以有ik a =+ik l ∑-=11k s sk isu l,n k k i ,,1, +=所以ik l =-ik a ∑-=11k s sk is u l .n k k i ,,1, +=.同理=kj u kksjk s ks kj l u l a ∑-=-11,1,2,,j k k n =++这样便可以得到三角矩阵L 和U . 2.3 矩阵三角分解的应用例2.1 用LU 分解法求解下列方程组123121325282117x x x x x x x ++=⎧⎪+=⎨⎪+=⎩ 解 (1)杜利特尔分解法:原方程组的系数矩阵为A =⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡1102021211 令 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡101001323121l l l 111213222333000u u u uu u ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡1102021211 则有=j u 1j a 1;=1i l 111u a i 1i a = =22u -22a 21l 12u 1=;=23u -23a 21l =13u 2- =32l 22123132a u u l -2-=;=33u 33a 31(l -13u 32l +)23u 3=所以=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡101001323121l l l ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-122011001 , ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡232322131211000u u uu u u ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=300210211 这样原方程组就化为依次求下列两个三角方程组⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-122011001⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡321y y y ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=785 (2-1) ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-300210211⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡321x x x ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=321y y y (2-2)解方程组(2-1)可得=1y 5,=2y 3,=3y 3 代入(2-2)可得=1x 2-,=2x 5,=3x 1.(2)克劳特分解法:令 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡333231222111000l l l l l l ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡10010*******u u u ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=1102021211 则有=1i l 1i a ;=i u 1111l a ii a 1= =22l 22a 21l -12u 1= ;=32l 31l 12u 2-= =23u 22132123l u l a -2-=;=33l -33a 31(l +13u 32l 3)23=u所以⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡322011001000333231222111l l l l l l ,⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡10021021110010*******u u u 这样原方程组就化为依次求下列两个三角方程组⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-322011001⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡321y y y ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=785 (2-3) ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-100210211⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡321x x x ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=321y y y (2-4) 则由方程组(2-3)可得51=y ,=2y 3,=3y 1 代入(2-4)可得21-=x ,52=x ,13=x .由上述解题过程可以看出,为求方程组的解,可先把方程组的系数矩阵进行分解,方程组化为b LUX =,则求解此方程组要化为依次求方程组Ly bUx y =⎧⎨=⎩,由Ly b =可求出y ,再将y代入Ux y =,求出x 即得方程组的解.这两种方法在解更多元的方程组中比其它的消元法更加方便.3 矩阵的正交三角)(QR 分解及应用 3.1 矩阵的正交三角)(QR 分解定义3.1]3[ 如果实(复)非奇异矩阵A 能够化成正交(酉)矩阵Q 与实(复)非奇异上三角矩阵R 的乘积,即QR A =,则称式QR A =为矩阵A 的QR 分解.把一个矩阵A 进行正交分解的方法:设n 阶实(复)非奇异矩阵A 的n 个列向量依次为n 21α,,α,α ,由于A 非奇异,所以这n 个向量线性无关,将它们正交化,可得到n 个标准正交列向量n q q q ,,,21 ,将n21α,,α,α 正交化,可得⎪⎪⎩⎪⎪⎨⎧---=-==--1111,1212211ββαββαβαβn n n n n n k k k 其中,(,)()(,)i j ij j j k j i =<αβββ,将上式改写为⎪⎪⎩⎪⎪⎨⎧+++=+==--nn n n n n k k k βββαββαβα11,112121211 用矩阵形式表示为)(n 21α,,α,α =C n ),,,(21βββ ,其中C =⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡1112121 n n k k k 再将n βββ,,,21 单位化,可得1i i i=q ββ,(1,2,)i n =…, 于是有()=12n α,α,,α()n C 12=β,β,,β()n 12q ,q ,,q ⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡n βββ21C 令⎩⎨⎧⋅==C diag R Q n n ),,,(),,,(2121βββq q q (3-1) 则Q 是正交(酉)矩阵,R 是上三角矩阵,且有QR A =.例3.1 求矩阵011110101A ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦的QR 分解. 解 令 1230111,1,0101⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥===⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦ααα 将它们进行正交化可得1122133212130111121,,2232311223⎡⎤⎡⎤⎢⎥⎢⎥⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥===-==--=-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎢⎥⎢⎥-⎢⎥⎣⎦⎣⎦βαβαββαββ 根据(3-1)构造矩阵0Q ⎡⎤⎢⎥⎢⎥=⎥⎥⎦111221131R ⎤⎡⎤⎥⎢⎥⎥⎢⎢⎥⎢⎥⎢⎢⎥==⎢⎥⎢⎢⎥⎢⎥⎢⎢⎥⎢⎢⎢⎥⎢⎢⎢⎥⎣⎦⎣⎣则有QR A =.3.2 矩阵正交三角()QR 分解的应用通过对实系数n 次方程求根问题及上Hessenberg 阵的QR 分解理论的分析和研究,将实系数n 次方程的求根问题转化为求上Hessenberg 阵的特征值问题,利用上Hessenberg 阵的QR 分解法求实系数n 次方程11100n n n n a x a x a x a --++⋅⋅⋅++=的全部实根.对于实系数n 次方程1110()0n n n n n P x a x a x a x a --=++⋅⋅⋅++=,令ii na b a =,(0,1,2,,1)i n =-则()0n P x =化为首项系数为1的代数方程1110()0n n n n Q x x b x b x b --=++⋅⋅⋅++=由线性代数可知,()0n Q x =可以看成是实矩阵A 的特征多项方程0E A λ-=, 即1110()0n n n n Q b b b λλλλ--=++⋅⋅⋅++=,其中⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡-----=---01001000000100000101321b b b b b A n n n 因此,求方程()0n Q x =的全部实根就转化为求上述矩阵A 的全部实特征值.可以直接用QR 分解法求出矩阵A 的全部实特征值. 4 矩阵的满秩分解及应用 4.1 矩阵的满秩分解定义 4.1[5] 设矩阵(0)m n r A C r ⨯∈>,如果存在矩阵m r r n r r F C G C ⨯⨯∈∈和,使得A FG =,则称式A FG =为矩阵A 的满秩分解.对矩阵A 作满秩分解的方法:设矩阵(0)m n r A C r ⨯∈>,rankA r =,根据矩阵的初等变换理论,对矩阵A 进行初等行变换,可将矩阵A 化为阶梯形矩阵B ,即0G A B ⎡⎤→=⎢⎥⎣⎦行,r n r G C ⨯∈,于是存在有限个m 阶初等矩阵的乘积,记作P ,使得PA B = 或者 A P B -1=将P -1分块为[]P FS -1=,m r m r n rF C S C ⨯⨯-∈∈(n-r ), 则有[]10G A P B FS FG -⎡⎤===⎢⎥⎣⎦其中F 是列满秩矩阵,G 是行满秩矩阵.例4.1 求矩阵02042100036330211441j j jA j j +⎡⎤⎢⎥=----⎢⎥⎢⎥-⎣⎦(j =. 解 根据上述的理论提供的算法,需要求出阶梯形矩阵B 及诸初等矩阵的乘积P ,为此,对矩阵[]A I 进行初等行变换,当A 所在的位置成为阶梯形矩阵B 时,I 所在的位置就是进行初等变换对应的初等矩阵的乘积P .[]=I A ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-----+10014411200103363000001124020j j jj j ⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡-+---−→−13100000003101210000021212102110j j j j j 行所以11100010122221000121003000000113j j j B j j ⎡⎤-⎡⎤⎢⎥--⎢⎥⎢⎥⎢⎥⎢⎥=+-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎢⎥⎣⎦,P=可求得1200030211j P -⎡⎤⎢⎥=-⎢⎥⎢⎥⎣⎦所以201101012032200012121j j j A j ⎡⎤⎡⎤--⎢⎥⎢⎥=-⎢⎥⎢⎥+⎢⎥⎣⎦⎣⎦.4.2 矩阵满秩分解的应用利用矩阵的满秩分解处理一些问题时,有时会十分方便,下面介绍运用矩阵的满秩分解,给出线性方程组最小二乘解和极小范数最小二乘解.定理 4.1[3] 设矩阵{13}m n m A C b C A A ⨯∈∈∈(1,3),,,,则x A b =(1,3)是方程组b Ax =的最小二乘解.定理 4.2[6] 设矩阵m n m A C b C ⨯∈∈,,则x A b +=是方程组Ax b =的极小范数最小二乘解.例4.2 取例4.1中的矩阵A 和11j b -⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦,求方程组Ax b =的极小范数最小二乘解. 解 由例4.1知矩阵A 的一个满秩分解式为201101012032200012121j j j A FG j ⎡⎤⎡⎤--⎢⎥⎢⎥==-⎢⎥⎢⎥+⎢⎥⎣⎦⎣⎦ 于是有82210HF F ⎡⎤=⎢⎥⎣⎦,H 1339222GG 39722j j ⎡⎤-⎢⎥=⎢⎥⎢⎥+⎢⎥⎣⎦从而H H H H F F F GG G A 11)()(--+=⎥⎦⎤⎢⎣⎡--⎥⎦⎤⎢⎣⎡--⎥⎦⎤⎢⎣⎡--+-⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡-+=130202411538113939314461121221100210100j j j j j j⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡--+-++-------+-+---+---=j j j j j j j j jj j jj j j 2091177138137399682636709481121655690960543973918120108781461800017481所以方程组Ax b =的极小范数最小二乘解为⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡+-------==+j j j j j b A x 59462129551813362608741.5 矩阵的奇异值分解及应用矩阵的奇异值分解不仅是矩阵理论和矩阵计算的最基本和最重要的工具之一,而且在控制论、系统辨识、信号处理、最优化问题、特征值问题、最小二乘问题及统计学等方面都有直接而重要的应用,以下介绍矩阵奇异值分解及在广义逆中的应用. 5.1矩阵的奇异值分解定义5.1[6] 设矩阵(0)m n r A C r ⨯∈>,H A A 的特征值为12r r 1n 0λλλλλ+≥≥≥>===则称i σ=n i ,,2,1 =)为矩阵A 的奇异值.定义5.2]6[ 设矩阵(0)m n r A C r ⨯∈>,则存在m 阶酉矩阵U 和n 阶酉矩阵V ,使得000H U AV ⎡⎤=⎢⎥⎣⎦∑(5-1)其中∑=),,,(21r diag σσσ ,而i σ),,2,1(r i =为矩阵A 的全部非零奇异值,则000H A U V ⎡⎤=⎢⎥⎣⎦∑为矩阵A 的奇异值分解.对一个矩阵A 作奇异值分解的方法:设矩阵(0)m n r A C r ⨯∈>,记Hermite 矩阵H A A 的特征值为12r r 1n 0λλλλλ+≥≥≥>===则存在n 阶酉矩阵V ,使得120()00H H n V A A V λλ⎡⎤⎡⎤⎢⎥==⎢⎥⎢⎥⎢⎥⎣⎦⎢⎥⎣⎦∑ (5-2)将V 分块为[]()1212,,n r n n r r n rV V V V C V C ⨯⨯--=∈∈ 并改写式(5-2)为2000HA AV V ⎡⎤=⎢⎥⎢⎥⎣⎦∑则有2112,0H H A AV V A AV ==∑(5-3) 由式(5-3)的第一式可得211H H V A AV =∑ 或者 1111)()Hr AV AV I --=∑∑(由式(5-3)的第二式可得22()()0H AV AV = 或者 2AV =0令111U AV -=∑,则11H r U U I =,即1U 的r 个列是两两正交的单位向量,记作1(,,,)r U 12=υυυ.所以可将,,,r 12υυυ,扩充为m C 的标准正交基,记增添的向量为,,r m +1υυ,并构造矩阵2,,r m U +1=(υυ),则[]121,,,,,r r m U U U 12+==(υυυυυ),是m 阶酉矩阵,且有11210H H r U U I U U ==, 于是可得 []111121212000H H HHH H U U U U AV UAV AV U U UU ⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦∑∑∑=== 000⎡⎤⎢⎥⎣⎦∑= 改写式(5-1)为000HA U V ⎡⎤=⎢⎥⎣⎦∑所以矩阵A 可以进行奇异值分解,其分解式为 HV U A ⎥⎦⎤⎢⎣⎡=∑000. 例5.1 求矩阵100111A ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦的奇异值分解. 解 2112TB A A ⎡⎤==⎢⎥⎣⎦的特征值是13λ=,21λ=,对应的特征向量依次为 111ξ⎡⎤=⎢⎥⎣⎦, 211ξ-⎡⎤=⎢⎥⎣⎦于是可得2=rankA,001⎤=⎥⎣⎦∑所以存在正交矩阵V =⎥⎥⎦此时 V V =1,计算1110U AV -⎥==⎥⎥⎥⎥⎦∑构造 []120U U U ==⎥⎥⎦ 则A 的奇异值分解为00100H A U V ⎤⎥=⎢⎥⎢⎥⎣⎦.5.2 奇异值分解在广义逆中的应用定义5.2[10] 矩阵m n A C ⨯∈,满足方程AXA A = (1) XAX X = (2) ()H AX AX = (3)()H XA XA = (4)中的)(i )(,j ,, )(l 的n m X C ⨯∈称为A 的一个},,,{l j i -逆,记作(,,,)i j l A ,另外还可以记作{,,,}X A i j l ∈,其中{,,,}A i j l 表示(,,,)i j l A 的全体,特别记(1,2,3,4)A A +=,称A +为A 的Penrose Moore -广义逆,有了奇异值分解,我们就能很容易地利用矩阵A 的奇异值分解表示出矩阵A 的各种广义逆(,,,)i j l A .矩阵A 的奇异值分解的应用:设m n A C ⨯∈有奇异值分解HV U A ⎥⎦⎤⎢⎣⎡=∑000(5-4) 其中U 和V 均为酉矩阵,01>⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=∑r σσ . )(A rank r =,对于 X =(,,,)i j l A ,记⎥⎦⎤⎢⎣⎡==22211211^X X X X XU V X H 则)1HU X X X V A⎥⎥⎦⎤⎢⎢⎣⎡=-∑2221121)1( (5-5))2HU X X X X V A⎥⎥⎦⎤⎢⎢⎣⎡=∑∑-122121121)2,1( (5-6) )3HU X X V A⎥⎥⎦⎤⎢⎢⎣⎡=-∑22211)3,1(0 (5-7))4HU X X V A⎥⎥⎦⎤⎢⎢⎣⎡=-∑22121)4,1(0 (5-8))5HU X V A⎥⎥⎦⎤⎢⎢⎣⎡=-∑00211)3,2,1( (5-9))6HU X V A⎥⎥⎦⎤⎢⎢⎣⎡=-∑00121)4,2,1((5-10) )7HU V A ⎥⎥⎦⎤⎢⎢⎣⎡=-+∑0001(5-11)证明 )1 由式AXA A =可知,HHHV U V XU V U ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡∑∑∑000000000 即⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡∑∑∑00000000022211211X X X X 故可知∑∑∑=11X ,即111-∑=X ,则式(5-5)得证.)2 把(5-4)式和(5-5)式代入式XAX X =可得 HHU X X X V U X X X X X X V ⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡---∑∑∑∑222112122211212221121000 即⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡--∑∑∑2221121122121121X X X X X X X 亦即122122X X X ∑=,则(5-6)式得证.)3 由(5-4)式和(5-5)式可知 HHU X I U U X X X U AX ⎥⎦⎤⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑∑-00000122221121但由式H AX AX )(=,故必有12X =0,则(5-7)式得证.)4 由(5-4)式和(5-5)式可知 HHH V X I V V U U X X X V XA ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡=∑∑∑-0000021*******但由式()HXA XA =,则21210()000HHHI I X XA V V V V X⎡⎤⎡⎤==⎢⎥⎢⎥⎣⎦⎣⎦∑∑ 故必有021=X ,则(5-8)式得证.)5 由(5-4)式和(5-6)式可知HH H U X IU U X X X X V V U AX ⎥⎦⎤⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑∑∑-0000021211221121但由式()H AX AX =,则有HH H U X I U U X IU AX ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡=∑∑0000)(1212 所以有012=X .由(5-4)式和(5-7)式可知HHH H U X V U X X V V U U X X V XAX ⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡=---∑∑∑∑00000002112221122211但由式XAX X =,则有HHU X X V U X V ⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡--∑∑22211211000 所以有022=X ,则(5-9)式得证.)6 由(5-4)式和(5-6)式可知HHH V X I V V U U X X X X V XA ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡=∑∑∑∑-0000021211221121但由式()H XA XA =,则有HHV X I V V X IV ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡∑∑00002121 所以有021=X .由(5-4)式和(5-8)式可知HHH H U X V U X X V V U U X X V XAX ⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡=---∑∑∑∑00000001212212122121但由式XAX X =,则有HHU X X V U X V ⎥⎥⎦⎤⎢⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡--∑∑2212112100所以有022=X ,则(5-10)式得证.)7 由(5-4)式和(5-9)式可知HHH V X I V V U U X V XA ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡⎥⎥⎦⎤⎢⎢⎣⎡=∑∑∑-000000021211但由式()H XA XA =,则有HH V X IV X I V ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡∑∑00002121 所以有021=X .由(5-4)式和(5-10)式可知HHH U X I U U X V V U AX ⎥⎦⎤⎢⎣⎡=⎥⎥⎦⎤⎢⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑∑-000000012121但由式()H AX AX =,则有HH U X I U U X IU ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡∑∑00001212 所以有012=X ,由)5的证法可知022=X .则(5-11)式得证. 6 结束语本文论述了矩阵的分解及这些分解在其它学科中的应用,在论述过程中着重讨论了三角分解、QR 分解、满秩分解及奇异值分解的具体应用.对于矩阵的分解可以借助计算机和一些数学软件进行分解,利用这些工具可以很方便的求出矩阵的某一种分解,这样在计算矩阵分解时就可以节省很多的时间.但矩阵的分解并不是只有这四种分解,还存在有其它的分解及其相应的应用,在这就不再做深入的研究了,要进行更深入的分析,使其更加完善,有待于今后的进一步研究.参考文献[1] 石东洋.数值计算方法[M].郑州:郑州大学出版社,2007.[2] 关红钧,苏艳华.关于n阶矩阵的三角分解[J].沈阳航空工业学院学报,2001,18(4):38-39.[3] 程云鹏,张凯院,徐仲.矩阵论[M].西安:西北工业大学出版社,1999.[4] 禹利萍.用QR分解法求实系数代数方程的全部实根[J].承德民族师专学报,2001,21(2):14-15.[5] 刘轩黄.矩阵的满秩分解及其应用[J].江西电力职工大学学报,1999,12(4):5-7.[6] 戴华.矩阵论[M].北京:科学出版社,2001.[7] 黄有度,狄成恩,朱士信.矩阵论及其应用[M].合肥:中国科学科技大学出版社,1995.[8] 张凯院,徐仲等.矩阵论典型试题解析及自我测试题[M].西安:西北工业大学出社,2001.[9] 燕列雅.初变换进行矩阵的QR分解[J].数学通讯报,1998,12(1):13-15.[10] 骈俊生.奇异值分解在广义逆中的若干应用[J].阜阳师范学院学报,2005,22(1):16-17.[11] 刘轩黄.满秩分解的两种简单实现方法及应用[J].华中师范大学学报,1986,20(4):425-426.[12] 北京大学数学系.高等代数[M].北京:高等教育出版社,1978.。
数值分析(07)矩阵的正交分解PPT文档55页
1
0
、
倚
南
窗
以
寄
傲
,
审
容
膝
之
易
安
。
46、我们若已接受最坏的,就再没有什么损失。——卡耐基 47、书到用时方恨少、事非经过不知难。——陆游 48、书籍把我们引入最美好的社会,使我们认识各个时代的伟大智者。——史美尔斯 49、熟读唐诗三百首,不会作诗也会吟。——孙洙 50、谁和我一样用功,谁就会和我一样成功。——莫扎特
数值分析(07)矩阵的正交分解
6
、
露
凝
无
游
氛
,
天
高
风
景
澈
。
7、翩翩新 来燕,双双入我庐 ,先巢故尚在,相 将还旧居。
8
、
吁
嗟
身
后
名
,
于
我
若
浮Байду номын сангаас
烟
。
9、 陶渊 明( 约 365年 —427年 ),字 元亮, (又 一说名 潜,字 渊明 )号五 柳先生 ,私 谥“靖 节”, 东晋 末期南 朝宋初 期诗 人、文 学家、 辞赋 家、散
文 家 。汉 族 ,东 晋 浔阳 柴桑 人 (今 江西 九江 ) 。曾 做过 几 年小 官, 后辞 官 回家 ,从 此 隐居 ,田 园生 活 是陶 渊明 诗 的主 要题 材, 相 关作 品有 《饮 酒 》 、 《 归 园 田 居 》 、 《 桃花 源 记 》 、 《 五 柳先 生 传 》 、 《 归 去来 兮 辞 》 等 。
- 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)。
矩阵的分解与正交阵之间的联系摘要:通过一个矩阵分解可分解成正交阵与某个矩阵的乘积引出关于矩阵的极分解定理,QR 分解定理,极值分解定理,奇异值分解定理等,并对它们进行了证明和扩充。
关键词:分解 矩阵 正交阵正文:今年来,在数学专业的考研试卷中,高代部分关于矩阵的分解的题目(利用它们来进行计算或证明某个特定问题)有增多的趋势。
学过矩阵论的人都知道,矩阵的分解主要有两大类,一类是矩阵的加法分解,一类是矩阵的乘法分解。
本篇着重讨论乘法分解中的几种特殊分解。
定义1: ()n n ij A a R ⨯=∈ , A A E '=, 则A 称为正交阵。
定义1':()n n ij A a R ⨯=∈, ( I ) 112210i j i j in jn a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==( II ) 112210i j i j ni nj a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==(III) 1A A -'=在02年的厦大高代考研卷子中,就有矩阵的分解与正交阵结合起来的题目。
TH1:(02年高代试卷)设A 是可逆的n 阶实方阵。
求证:存在正交阵U ,正定阵T ,使A=UT ,且这个分解式是唯一的。
证明:A 可逆, ∴AA '正定 从而存在正定阵T , 使2AA T '=121()[()]A A T A T TUT --''=== 即 1()U A T -'=则 1112111()()()()U U AT T A A T A A A A A E------''''''====现假设A 还有另一分解,即A=UT=US 则 1UU ST -'= ,U 为正交阵,而U 的特征值为实数且是正的111122221()()T S T T T S T --∴=可对角化 即 1E S T -= S T ∴=∴分解式是唯一的。
证明完毕。
上述定理1也称为矩阵的极分解定理,又极分解定理我们可以得到一个推论。
推论1:设A 是一个n 阶实可逆矩阵,A=PU 是极分解,其中P 是正定矩阵,U 是正交矩阵,则 AA A A PU UP ''=⇔=。
证明:(充分性)22()()()()AA PUU P PP P U UP U P PU PU PU A A '''''''=======; (必要性)AA A A ''= 22P U P U '∴=而2P 及U 均为正定矩阵知它们均有正定平方根 P 和U PU '而平方根是唯一的, P U PU '∴= U P P U ∴=。
TH2: 任一实满秩矩阵A 可分解成一个正交阵与一个主对角线元素都大于零的上三角阵之积,且这种分解是唯一的这个分解也称为矩阵的QR 分解。
证明:设12(,,,)n A ααα=,其中12,,,n ααα为A 的列向量A 为实满秩矩阵,12,,,n ααα∴线性无关,则可用施密特正交化方法,令11212211111(,)(,)(,)(,)n n i n ni i i i βααββαβββαββαβββ-==⎧⎪⎪=-⎪⎨⎪⎪=-⎪⎩∑ (1) 其中(,)αβαβ'=再将i β单位化,令1i i ir ββ= , 1,2,,i n = (2)则12,,,n r r r 为标准正交基,而12(,,,)n U r r r =为正交阵由(1)(2)解出i α,得1111212(,,,)(,,,)0n n n nn t t A r r r UT t ααα⎡⎤⎢⎥===⎢⎥⎢⎥⎣⎦其中1110n nn t t T t ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦为上三角阵 且0ii i t β=>为正实数再证唯一性:设还有正交阵1U 及对角线元素为正实数的上三角阵1T ,使11A U T =,下证: 11,U U T T ==令11B U U -=,则1111B U U TT --==,则B 既是正交阵又是上三角矩阵 即B 为对角矩阵,但T 与11T -的主对角线元素为正实数,从而1(,,),n B diag b b = 0,i b > 1,,i n =而由B 是正交阵,B E ∴= 即 1111E U U TT --== 1,U U ∴= 1T T = 证明完毕。
例1、 将102110123A ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦分解为正交矩阵与上三角矩阵之积。
解:令123(,,)A ααα=,其中i α为A 的列向量,对123,,ααα用施密特正交化方法得到正交向量123,,βββ 即 12312371161(,,)(,,)012001βββααα⎛⎫-- ⎪ ⎪⎪=- ⎪ ⎪ ⎪ ⎪⎝⎭在单位化得 12,,,n r r r 即1212300(,,,)(,,)000n r r r βββ⎤⎥⎥⎢⎥=⎢⎥⎢⎢⎢⎣令0Q ⎤⎥⎢=⎥⎢⎥⎥⎦ ,000R ⎢⎢=⎢⎢⎢⎢⎣则Q 为正交矩阵,R 为上三角矩阵,并且A QR =。
注:可见,在掌握QR 分解定理时,对起证明的思路及步骤也必须熟练掌握。
这样,在求矩阵A 的QR 分解时才能用到。
例2、(华中师大1994,1996)设A 是n 阶实可逆阵,证明:存在n 阶正交阵P 和 Q ,使100n a PAQ a ⎛⎫ ⎪=⎪ ⎪⎝⎭, 其中0(1,2,,)i a i n >= 且 22212,,,na a a 为A A '的全部特征值。
证明:由定理1知,存在正交阵C 和B ,使A=BC (1)其中B 的特征值 12,,,n a a a 均为正,且22212,,,na a a 为A A '的全部特征值, 由B 为正定阵,从而存在正交阵T ,使得100n a B T T a ⎛⎫⎪'=⎪ ⎪⎝⎭(2) 将(2)代入(1)得 1()00n a A CT T a ⎛⎫⎪'=⎪ ⎪⎝⎭11()00n a CT AT a -⎛⎫⎪''∴=⎪ ⎪⎝⎭, 即 100n a PAQ a ⎛⎫⎪= ⎪ ⎪⎝⎭(3) 其中1()P CT -'=, Q T '=均为正交阵。
注:我们可以将(3)改写为 100n a A P Q a ⎛⎫⎪''=⎪ ⎪⎝⎭, 这就是A 的一个分解即实可逆阵表示为(正交阵)(正定阵)(正交阵)之积。
例3、(浙江大学,天津师范大学)设A 为m n ⨯实矩阵,秩A=r ,则矩阵000D A P Q ⎡⎤'=⎢⎥⎣⎦,其中P ,Q 分别为m 阶和n 阶的正交矩阵,而12(,,,)r D diag a a a =,0i a > 1,2,,i r =。
证明:由题意知: AA '不是正定阵 (())r A r =从而存在正交阵P, 使 21200n AA P P λλ⎛⎫⎪''=⎪ ⎪⎝⎭(1) 又 ()()r r A r AA '== 不失一般性,不妨设222120r λλλ≥≥≥>,10r m λλ+===令 i i d λ= (1,2,,)i r =, 由(1)得 2000D AA P P ⎡⎤''=⎢⎥⎣⎦(2) 将P 分快,令[]12P P P =[]21212112000P D AA P P PD P P '⎡⎤⎡⎤''∴==⎢⎥⎢⎥'⎣⎦⎣⎦ (3)由于P 为正交阵, 1r P P E '∴=,用1P '左乘,1P 右乘(3)式两端得 211()P AA PD ''= (4) 令 111V D P A -''=,则 1V 为 r m ⨯ 实矩阵,且111111()()r V V D P A D P A E --''''== (5)[]1121122P E PP P P PP PP P '⎡⎤'''===+⎢⎥'⎣⎦122111111()E P P A PP A PDD P A PDV -''''-=== (6)由(6)得 1122A P D V P PA ''=+(7) 由于 ()r P A r '= 0P A X '∴= 有m r -个线性无关的解,将它们正交单位化后构造()m m r ⨯- 矩阵2V ,这样由 20P AV '= ,可得 122200P AV P AV ⎧'⎪=⎨'=⎪⎩ (8)(9)但 22V V E '= ,令 12(,)Q V V = 由于 112120V V D P AV -''==从而 Q 为正交阵,并(3)(8)式11212121212111()0P AV P A D P A P AA PP P PP P PD ---''''''''==== 1(0)P P '=由(9)式得 111221220()(,)00P D P AQ PDV P P A V V P ⎡⎤⎡⎤'''=+=⎢⎥⎢⎥⎣⎦⎣⎦(10)其中 12(,,,)n D diag d d d = 0i d > (1,2,,)i r =由(10)知 000D A P Q ⎡⎤'=⎢⎥⎣⎦。
(证法二)由假设,存在m 阶与n 阶可逆矩阵T,S ,使 000rE A T S ⎡⎤=⎢⎥⎣⎦对T ,S '作QR 分解,1T PR =,1S Q L ''= 其中1P ,1Q 分别为m 阶与n 阶正交矩阵,R ,L 分别为非奇异的正三角矩阵与下三角矩阵,则1211111132300000000rR R L E R L A P Q P Q R L L ⎡⎤⎡⎤⎡⎤⎡⎤''==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦ (1) 其中1R 为R 的r 阶顺序主子阵,1L 为L 的r 阶下三角顺序主子阵,所以 11R L 是r 阶可逆矩阵,因而存在正交矩阵2P ,2Q '使 211212()(,,,)r P R L Q diag a a a '= (2)其中0i a > 1,2,,i r =。