史荣昌魏丰版矩阵分析第二章(2)
矩阵分析课件

1 13
3 3 3
1
2
0
1
3 3
3
1 3
2 3
1
1 3
向量 A第一组基下的坐标为
x1
7 3
,
x2
4 3
,
x3
1, 3
x4
2 3
利用坐标变换公式可以求得 A 在第二组基下的坐标为
y1 y2 y3 y4
123
3
1
3
1 3
1 3 2 3
0 0 0
1 1
13 3 1 3
x1 1
例 4 全体正的实数 R 在下面的加法与数乘的
定义下也构成线性空间:
a b : ab, a, b R
k a : ak , a, k R
例 5 R 表示实数域 R 上的全体无限序列组成的
的集合。即
R
[a1,
a2, a3,]
ai F, i 1,2,3,
在 R 中定义加法与数乘:
[a1, a2, a3,] [b1, b2, b3,] [a1 b1, a2 b2, a3 b3, ] k[a1, a2, a3,] [ka1, ka2, ka3,] 则 R 为实数域 R上的一个线性空间。
i a1i1 a2i2 anin
a1i
1,2,
,
n
a2i
,
i 1, 2,
,n
ani
将上式矩阵化可以得到下面的关系式:
a11 a12
a1n
1, 2,
,
n
1
,2
,n
a21
a22
a2
n
an1 a2
ann
称 n 阶方阵
记为P
矩阵分析第二章

0 1 0 c c c c c c 0 ( 1) 0 0 ( 1)
例 3:
A( )
( 1) ( 1) c c c 2 2 ( 1 ) ( 1 ) 公因子1 ( 1) r ( 2) r r ( 2) 1
1 1 3
42 3 7 3 3 2 3 4 2 r r r 2 4 3 5 3 2 3 4 2 4 2 1 2 1 0 2 2 4 3 5 3 2 3 4 2 4 2 1
1 ( 1) , 2 ( 1 )
例 4:
公因子1
32 2 3 2 1 2 2 3 2 2 A( ) 4 3 5 3 2 3 4 2 4 2 1
证明思路:构造性。把A()变换为a11()能整除所有其它元 素(a11()为A()所有元素的公因子)且首项系数等于1的形 式,并令d1() a11(),则
d 1 ( ) A( )
, 其中d1 ( )能整除 A1 ( )所有元素 A1 ( )
然后再对A1()进行上述类似操作,如此反复,即可把A() 化成所需形式
1 2 2 2 1 2 2 1
1 2 1 ( a ) c c a 0 1 a 1 r r ( a ) r 1 c c ( a ) c ( a ) 3 1 公因子1 a 1 1 c c 1 ( a ) 3 a 0
史荣昌魏丰版矩阵分析第一章(1)

矩阵分析主讲教师:张艳霞矩阵理论的应用微分方程、概率与统计、优化、信号处理、控制工程、经济理论等等。
工程经济理论等等如需更深入地学习和了解在自己专业的应用,可如需更深入地学习和了解在自己专业的应用可参考:《矩阵分析与应用》,张贤达著,清华大学出版社;《Matrix Analysis for Scientists & Engineers》:Alan J. Laub,SIAM.第章第一章线性空间和线性变换线性空间的基本概念及其性质线性空间的基底,维数, 坐标变换线性空间的基底维数线性空间的子空间,交与和线性映射及其值域、核线性变换及其矩阵表示矩阵(线性变换)的特征值与特征向量矩阵的可对角化条件第一节第节线性空间一:线性空间的定义与例子线性间的义定义设是一个非空的集合,是一个数域,V F 在集合中定义两种代数运算,一种是加法运算,来表示另种是运算用来表示V 用来表示; 另一种是数乘运算, 用来表示, +i并且这两种运算满足下列八条运算律:(1)加法交换律αββα+=+(2)加法结合律()()αβγαβγ++=++(3)零元素: 在中存在一个元素,使得对于V 0任意的都有V α∈0αα+=(4)负元素: 对于中的任意元素都存在一V α个元素使得β0αβ+=(5)i =1αα(6)()()k l kl αα=(7)()k l k l ααα+=+(8)()k k k αβαβ+=+为数域F 称这样的上的线性空间。
V例1全体实函数集合构成实数域上的线性空间。
R 例2复数域上的全体型矩阵构成的集C m n ×合为上的线性空间。
m n × C C 例3实数域上全体次数小于或等于的多项式R n 集合构成实数域上的线性空间;1[]n R x +R 实数域上全体次数等于的多项式集合不构成实数域上的线性空间;R n R二:线性空间的基本概念及其性质定义:线性组合;线性表出;线性相关;线性无关;向量组的极大线性无关组;向量组的秩向量组的极大线性无关组向量组的秩R例1实数域上的函数空间中,函数组2x x1,cos,cos2是线性相关的函数组。
矩阵分析第二章 共112页

其为中di|d 1i, 1()(si 是1 ,互异,r的 1 复),数所,e i以j 是满非足负如整下数关。系因
0 e11 e21 0 e12 e22
er1 er2
定义
称为
0 e1s e2 s ers
2
2 4 4 2 3 7
0
1
2 3 4
0
1
2 3 4
1
2
0
0
2
1
0 4 2 3 1 2 3 4
1
0
0
0
2
1
B ()P ()A ()Q ()
矩阵Smith标准形的存在性
定 理 任意一个非零的mn型的 矩阵都等价于
一个对角矩阵,即
d1 ( )
d2()
A( )
dr ( )
0
0
其中 r 1,di()是首项系数为1的多项式且
d i()d i 1 () (i 1 ,2 , ,r 1 )
相当于用相应的 阶m初等矩阵左乘 A。( 对 ) A ( ) 的列作初等列变换,相当于用相应的 n 阶初等矩阵右
乘 A( ) 。 定义 如果A ( ) 经过有限次的初等变换之后变成 B ( ) ,则称 A ( ) 与 B ( ) 等价,记之为
A() B()
定理 A ( ) 与 B ( ) 等价的充要条件是存在两个可逆 矩阵 P ( ) 与 Q ( ) ,使得
矩阵分析第2章习题解

第二章习题1、 用初等变换把下列矩阵化为标准型 (1)322253λλλλλλ⎛⎫- ⎪+⎝⎭ (2)23100(1)λλ⎛⎫- ⎪-⎝⎭ (3)22211λλλλλλλλλ⎛⎫- ⎪- ⎪ ⎪+⎝⎭(4)2(1)0000(1)λλλλ+⎛⎫⎪ ⎪ ⎪+⎝⎭解: (1)322253λλλλλλ⎛⎫- ⎪+⎝⎭2122()23233235351102033r r λλλλλλλλλλλλλ-⎛⎫+⎛⎫+ ⎪ ⎪⎪--- ⎪⎝⎭⎝⎭32103λλλλ⎛⎫ ⎪--⎝⎭(2)231(1)λλ⎛⎫-⎪-⎝⎭212222(3)32211110331(3)(1)4(1)r r λλλλλλλλλλλ--⎛⎫⎛⎫---- ⎪ ⎪-+-----⎝⎭⎝⎭[因为32331λλλ-+-除以21λ-商为3λ-余式为4(1)λ-]222222114(1)(3)(1)(3)(1)4(1)11λλλλλλλλλλ⎛⎫⎛⎫------ ⎪ ⎪------⎝⎭⎝⎭211(3)(1)42224(1)011(1)(3)(1)(1)4c c λλλλλλλλ+-+-⎛⎫⎪ ⎪--+-+-⎝⎭31(1)(1)λλλ-⎛⎫⎪+-⎝⎭(3)22211λλλλλλλλλ⎛⎫- ⎪- ⎪ ⎪+⎝⎭222101λλλλλλλλ⎛⎫⎪- ⎪ ⎪++⎝⎭222221001(1)(1)λλλλλλλλλλλλ⎛⎫⎪-⎪ ⎪++-++-++⎝⎭43321000λλλλλλ⎛⎫ ⎪- ⎪ ⎪----⎝⎭ 43210002λλλλ⎛⎫⎪ ⎪ ⎪---⎝⎭ 221(1)λλλ⎛⎫⎪⎪ ⎪+⎝⎭(4)2(1)000000(1)λλλλ+⎛⎫⎪ ⎪ ⎪+⎝⎭ 2(1)00021λλλλλλ+⎛⎫⎪⎪⎪++⎝⎭32(2)(1)000(2)1r r λλλλλλλ-++⎛⎫⎪ ⎪ ⎪-+⎝⎭1(2)0000(1)λλλλλλ-+⎛⎫⎪⎪⎪+⎝⎭21(2)00(2)000(1)λλλλλλλ-+⎛⎫ ⎪++ ⎪ ⎪+⎝⎭ 210(1)000(1)λλλλ⎛⎫⎪+⎪⎪+⎝⎭2100(1)000(1)λλλλ⎛⎫⎪+ ⎪ ⎪+⎝⎭2、试证:Jordan 块 10()0100J αααα⎛⎫⎪= ⎪ ⎪⎝⎭相似于0000αεαεα⎛⎫⎪⎪ ⎪⎝⎭,这里0ε≠是任意实数。
《矩阵分析》课程教案

讨 论
练 习
作 业
作业:第3章练习题中任选5题
教学要求
熟练掌握线性空间与线性变换,矩阵的Jordan标准型,内积空间,正规矩阵,Hermite矩阵,二次型,矩阵分解,特征值的估计与计算,矩阵的扰动问题,向量范数与矩阵范数,矩阵序列和级数,广义逆矩阵,矩阵函数等基本概念和基本方法。
教学方法
课堂讲述+实验演示+实际动手操作+作业+研究报告
教学手段
多媒体课件+案例+理论推导+编程实现
考核方式
结合课堂所学写一篇论文/开卷考试二者选一
教学参考资料
[1]《矩阵分析》,史荣昌,魏丰编著,北京理工大学出版社,2010.6,第3版
[2]《Matrix Methods in Data Mining and Pattern Recognition》,Lars Eldén,The SIAM series on Fundamentals of Algorithms,2007.2
本课程针对计算机应用技术专业研究生的知识结构背景,在其本科阶段所学的《线性代数》的基础之上,进一步深化和提高矩阵理论的相关知识,并着重培养学生运用矩阵分析的知识和方法解决计算机应用领域相关问题的能力。通过本课程的学习,使学生掌握矩阵理论的基本概念,基本理论和基本方法,全面了解和掌握矩阵的标准形、特征值与特征向量、矩阵分解、范数与矩阵函数等重点内容,了解近代矩阵理论中十分活跃的若干分支,为今后的进一步学习和研究打下扎实的基础。
山西财经大学研究生课程教案
课程名称
矩阵分析
课程编码
《矩阵分析》

所以,V1 是向量空间。
(2) V2 不是向量空间。
因为若 1,a2 , ,an T V2 , 则2 2,2a2 , ,2an T V2 .
数乘运算:设 k为数域 p 中的数,向量
ka1,ka2,L ,kan 称为向量 a1,a2,L ,an
与数 k 的数量乘积。记为 k
数乘运算满足下列四条规则:
50 1 60 k(l ) (kl )
70 k l k l
80 k( ) k k , 是n维向量,k, l P
则与的和 为
(a b ,a b , ,a b )
1
1
2
2
n
n
负向量:向量 (a ,a , ,a )
1
2
n
称为向量 的负向量
向量的差 ( )
加法运算满足性质
10 20 ( ) ( ) 30 0
40 0
注: 零向量和负向量是唯一的
满足: , V
(4) 对于 V , V ,使
在集合V的元素与数域F之间还定义一种运算,叫乘法.即对于
V中任一元素 与数域F中任一数k,在V中有唯一 与它们对应,称为k与 的数乘积,记为 k 且满足:
(1)1 (2)k(l ) (kl) (3)(k l) k l (4)k( ) k k
问题3:全体正实数R ,加法“”和数乘“”分别
定义为:a,b R , k R, R是否为R上的线性空间?
a b ab
k
a
ak
,
例:设A Rmn , 记 N ( A) {x Rn , Ax 0},则N ( A)为R上的线性空间. 称其为矩阵A的核或零空间。
矩阵的奇异值分解在虹膜识别中的应用

矩阵的奇异值分解在虹膜识别中的应用矩阵的奇异值分解(SVD)可以应用于虹膜识别系统中。
对预处理后的虹膜图像进行经典模态分解,将获得的一系列固有模态函数和残差分量构成初始矩阵,然后,对该矩阵进行SVD,以其奇异值作为虹膜特征向量,最后输入支持向量机进行分类识别。
这种方法可以有效的提取虹膜的关键特征,可以运用于身份鉴别系统中。
1.虹膜识别简介1.1生物特征识别概述随着网络与通信技术的发展和信息时代的到来,为确保个人人身财产的安全,身份识别的难度和重要性变得越来越突出。
统的身份识别方法如证件、钥匙、自动取款机的银行卡、用户名、密码等,但这些方法存在明显的缺点:物品容易丢失或被伪造;个人的密码容易遗忘或记错。
因此,传统的身份识别方法己经远远落后于时代的要求,人类必须寻求更为安全可靠、使用方便的身份识别新途径。
生物技术的发展和进步为身份鉴别提供了新的方法和手段,基于生物特征的生物识别技术成了今年身份认证领域研究的热点。
由于生物特征具有“人各有异,终生不变,随身携带”三个特点,具有稳定、便捷、不易伪造的优点,它正在成为身份认证的一个新介质。
目前研究最热、具有广阔应用前景的生物识别技术主要有指纹、掌纹、虹膜、脸像、声音、笔迹等识别。
1.2虹膜识别系统眼睛的外观由巩膜、虹膜、瞳孔三部分构成。
巩膜即眼球外围的白色部分,约占总面积的30%;眼睛中心为瞳孔部分,约占5%;虹膜位于巩膜和瞳孔之间,包含了最丰富的纹理信息,占据65%。
虹膜是一种在眼睛中瞳孔外的织物状的各色环状物,每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构。
如图1-1为典型的虹膜图片。
图1-1 典型虹膜图片虹膜的形成是在胚胎时期随机形成的,导致每个人的红魔的结构各不相同,并且这种独特的虹膜结构在人的一生中几乎不发生变化。
即便是对于同一个人,左眼和右眼的虹膜区别也是十分明显的,自然界不可能出现完全相同的两个虹膜。
矩阵分析课件

的次数低。
定理 2.1.4 任意一个非零的n阶 矩阵 A
都等价于一个对角矩阵,即
A( )
d1( )
参照例 2.1.2 的方法可把二阶矩阵用初等变换化某一
个元素成常数。
1
A 0
0
1 C2C3 0
0
1 C3 C2 0
0
0
3 2 2 4 3 2
0
3 2 1
4 3 2
0
3 2 2 4 3 2
0
2 1
0
0
0
2
2 1
4 3 2
0
1
0
2
2
3
2 5
3
然后用初等变换把公因子 所在的行、列的
其余元素均化为零。
A( )
2 3
2
2
3
5
23r1
r2
0
2 5
3
(
2
10
3)
( 5)C1C2
0
0
(
2
10
3)
3
3C2 0
0 ( 2 10 3)
例 2.1.2 用初等变换把 矩阵
1 2
A( )
【证明】必要性:设 A()可逆,在式(2.1.1)
的两边求行列式得
A( ) B( ) 1
(2.1.2)
因为 A( ) 和 B( ) 都是 的多项式,所以根
据式(2.1.2)推知,A( ) 和 B( ) 都是零次多
项式,此即 A( ) 是非零的常数.
史荣昌魏丰版矩阵分析第三章(1)

内积空间正规矩阵与第三章内积空间、正规矩阵与H -矩阵定义:设是实数域上的维线性空间,对于中的任意两个向量按照某一确定法则对应着一V R n V ,αβ个实数,这个实数称为与的内积,记为,并且要求内积满足下列运算条件:αβ(,)αβ1()(,)(,)αββα=2()(,)(,)(()(k k αβαβ=34000),,)(,)()(,),(,).αβγαγβγααααα+=+≥==当且仅当时这里是中任意向量,为任意实数,我们称带有这样内积的维线性空间为欧氏空间。
,,αβγV k n V 例1在中,对于nR 1212(,,,),(,,,)n n x x x y y y αβ==""规定11122(,)n nx y x y x y αβ=+++"容易验证是上的一个内积,从而成1(,)n R n R 为一个欧氏空间。
如果规定211222(,)n nx y x y nx y αβ=+++"容易验证也是上的一个内积,这样又成为另外一个欧氏空间2(,)n R n R又成为另外个欧氏空间。
例2在维线性空间中,规定n mR×nm T容易验证这是上的一个内积,这样对于(,):Tr()A B AB =n mR ×n mR ×这个内积成为一个欧氏空间。
例3在维线性空间中,规定2n n nC×(,):()HA B Tr AB =其中H表示中所有元素取共轭复数后再转置,容易验证是上的一个内积,从而连同这个内积一起成为酉空间。
B B (,)n n×n nC ×连同这个内积起成为酉空间。
C欧氏空间的性质)()β欧氏空间的性质:(1)(,,k k αβα==(2)(,)(,)(,))()ttαβγαβαγ++11(3)(,,i i i i i i k k αβαβ===∑∑(4)(,)(,)tti i i i k k αβαβ===∑∑11i i4242ii i ++⎡⎤(1)21i i ⎢⎥−+⎢⎥4212i i ⎢⎥−+−−⎣⎦6123i i +⎡⎤(2)1291i i ⎢⎥−−⎢⎥317i i ⎢⎥−+−⎣⎦⎡018(3)4i i −⎤⎢⎥100i i −−−⎢⎥−−⎦84i i ⎢⎥⎣3132i i +⎡(4)13415i i ⎤⎢⎥−+2155i i ⎢⎥⎢⎥−−⎣⎦标准正交基底与Schmidt 正交化方法定义为一组不含有零向量的向量组如果:设为组不含有零向量的向量组,如果内的任意两个向量彼此正交,则称其为正交向量组{}i α{}i α量组。
《矩阵分析》(第3版)史荣昌,魏丰.第一章课后习题答案讲课讲稿

《矩阵分析》(第3版)史荣昌,魏丰.第一章课后习题答案第1章 线性空间和线性变换(详解)1-1 证:用ii E 表示n 阶矩阵中除第i 行,第i 列的元素为1外,其余元素全为0的矩阵.用ij E (,1,2,,1)i j i n <=-L 表示n 阶矩阵中除第i 行,第j 列元素与第j 行第i 列元素为1外,其余元素全为0的矩阵.显然,ii E ,ij E 都是对称矩阵,ii E 有(1)2n n -个.不难证明ii E ,ij E 是线性无关的,且任何一个对称矩阵都可用这n+(1)2n n -=(1)2n n +个矩阵线性表示,此即对称矩阵组成(1)2n n +维线性空间.同样可证所有n 阶反对称矩阵组成的线性空间的维数为(1)2n n -.评注:欲证一个集合在加法与数乘两种运算下是一个(1)2n n +维线性空间,只需找出(1)2n n +个向量线性无关,并且集合中任何一个向量都可以用这(1)2n n +个向量线性表示即可.1-2解: 11223344x x x x ααααα=+++令 解出1234,,,x x x x 即可.1-3 解:方法一 设11223344x x x x =+++A E E E E即123412111111100311100000x x x x ⎡⎤⎡⎤⎡⎤⎡⎤⎡⎤=+++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦⎣⎦ 故12341231211203x x x x x x x x x x +++++⎡⎤⎡⎤=⎢⎥⎢⎥+⎣⎦⎣⎦于是12341231,2x x x x x x x +++=++=1210,3x x x +==解之得12343,3,2,1x x x x ==-==-即A 在1234,,,E E E E 下的坐标为(3,3,2,1)T --.方法二 应用同构的概念,22R ⨯是一个四维空间,并且可将矩阵A 看做(1,2,0,3)T ,1234,,,E E E E 可看做(1,1,1,1),(1,1,1,0),(1,1,0,0),(1,0,0,0)T T T T .于是有1111110003111020100311000001021000300011⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥→⎢⎥⎢⎥⎢⎥⎢⎥-⎣⎦⎣⎦因此A 在1234,,,E E E E 下的坐标为(3,3,2,1)T --.1-4 解:证:设112233440k k k k αααα+++=即1234123412313412411111110110110110k k k k k k k k k k k k k k k k k ⎡⎤⎡⎤⎡⎤⎡⎤+++⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦+++++⎡⎤==⎢⎥++++⎣⎦于是12341230,0k k k k k k k +++=++=1341240,0k k k k k k ++=++=解之得12340k k k k ====故1234,,,αααα线性无关. 设123412341231341241111111011011011a b x x x x c d x x x x x x x x x x x x x ⎡⎤⎡⎤⎡⎤⎡⎤⎡⎤=+++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦⎣⎦+++++⎡⎤=⎢⎥++++⎣⎦于是12341230,0x x x x x x x +++=++= 1341240,0x x x x x x ++=++=解之得122,x b c d a x a c =++-=-34,x a d x a b =-=-1234,,,x x x x 即为所求坐标.1-5 解:方法一 (用线性空间理论计算)32312233410()121,,,021,1,(1),(1)p x x x x x y y x x x y y ⎡⎤⎢⎥⎢⎥⎡⎤=+=⎣⎦⎢⎥⎢⎥⎣⎦⎡⎤⎢⎥⎢⎥⎡⎤=---⎣⎦⎢⎥⎢⎥⎣⎦又由于23231,1,(1),(1)111101231,,,00130001x x x x x x ⎡⎤---⎣⎦⎡⎤⎢⎥-⎢⎥⎡⎤=⎣⎦⎢⎥-⎢⎥⎣⎦于是()p x 在基231,1,(1),(1)x x x ---下的坐标为11234111113012306001306000122y y y y -⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦方法二 将3()12p x x =+根据幂级数公式按1x -展开可得32323()12(1)(1)(1)(1)(1)(1)(1)2!3!36(1)6(1)2(1)p x x p p p p x x x x x x =+''''''=+-+-+-=+-+-+- 因此()p x 在基231,1,(1),(1)x x x ---下的坐标为[]3,6,6,2T.评注:按照向量坐标定义计算,第二种方法比第一种方法更简单一些. 1-6 解:①设[][]12341234,,,,,,=ββββααααP将1234,,,αααα与1234,,,ββββ代入上式得20561001133611001121011010130011⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥=⎢⎥⎢⎥--⎢⎥⎢⎥-⎣⎦⎣⎦P 故过渡矩阵1100120561100133601101121001110131122223514221915223112822-⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥=⎢⎥⎢⎥--⎢⎥⎢⎥-⎣⎦⎣⎦⎡⎤---⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦P②设1212343410(,,,)10y y y y ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ξββββ将1234,,,ββββ坐标代入上式后整理得11234792056181336027112111310130227y y y y -⎡⎤-⎢⎥⎢⎥⎡⎤⎡⎤⎡⎤⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎢⎥⎢⎥⎣⎦评注:只需将,i i αβ代入过渡矩阵的定义[][]12341234,,,,,,=ββββααααP计算出P .1-7 解:因为12121212{,}{,}{,,,}span span span +=ααββααββ由于秩1212{,,,}3span =ααββ,且121,,ααβ是向量1212,,,ααββ的一个极大线性无关组,所以和空间的维数是3,基为121,,ααβ.方法一 设1212{,}{,}span span ∈ξααββI ,于是由交空间定义可知123411212111011030117k k k k -⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥--⎢⎥⎢⎥⎢⎥⎢⎥+++=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦解之得1222122,4,3(k l k l l l l =-==-为任意数)于是11222[5,2,3,4]T k k l =+=-ξαα(很显然1122l l ββ=+ξ)所以交空间的维数为1,基为[5,2,3,4]T -. 方法二 不难知12121212{,}{,},{,}{,}span span span span ''==ααααββββ其中2213[2,2,0,1],[,2,1,0]3TT ''=--=-αβ.又12{,}span 'αα也是线性方程组13423422x x x x x x =-⎧⎨=-⎩ 的解空间.12{,}span 'ββ是线性方程组13423413232x x x x x x ⎧=-+⎪⎨⎪=-⎩ 的解空间,所以所求的交空间就是线性方程组1342341342342213232x x x x x x x x x x x x =-⎧⎪=-⎪⎪⎨=-+⎪⎪=-⎪⎩ 的解空间,容易求出其基础解系为[5,2,3,4]T -,所以交空间的维数为1,基为[5,2,3,4]T -.评注:本题有几个知识点是很重要的.12(1){,,,}n span αααL 的基底就是12,,,n αααL 的极大线性无关组.维数等于秩12{,,,}n αααL .1212(2){,}{,}span span +ααββ1212{,,,}span =ααββ.(3)方法一的思路,求交1212{,}{,}span span ααββI 就是求向量ξ,既可由12,αα线性表示,又可由12,ββ线性表示的那部分向量.(4)方法二是借用“两个齐次线性方程组解空间的交空间就是联立方程组的解空间”,将本题已知条件改造为齐次线性方程组来求解.1-8解:(1):解出方程组1234123420510640x x x x x x x x ---=⎧⎨---=⎩(Ⅰ)的基础解系,即是1V 的基, 解出方程组123420x x x x -++=(Ⅱ)的基础解系,即是2V 的基; (2): 解出方程组1234123412342051064020x x x x x x x x x x x x ---=⎧⎪---=⎨⎪-++=⎩的基础解系,即为12V V ⋂的基;(3):设{}{}1121,,,,,k l V span V span ααββ==L L ,则11,,,,,k l ααββL L 的极大无关组即是12V V +的基. 1-9解:仿上题解.1-10解: 仿上题解.1-11 证:设210121()()()0k k l l l l --++++=ξξξξL A AA①用1k -A从左侧成①式两端,由()0k=ξA可得10()0k l -=ξA因为1()0k -≠ξA,所以00l =,代入①可得21121()()()0k k l l l --+++=ξξξL A A A②用2k -A从左侧乘②式两端,由()0k=ξA可得00l =,继续下去,可得210k l l -===L ,于是21,(),(),,()k -ξξξξL A AA 线性无关.1-12 解:由1-11可知,n 个向量210,(),(),,()n -≠ξξξξL A AA线性无关,它是V 的一个基.又由21212121[,(),(),,()][(),(),,()][(),(),,(),0]000010000100[,(),(),,()]00000010n n n n n n----⨯==⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦ξξξξξξξξξξξξξξL L L L L L L M M M M L LA A A AA A A A AAA A A 所以A在21,(),(),,()n -ξξξξL A AA下矩阵表示为n 阶矩阵00001000010000000010⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦L L L M M M M L L评注:n 维线性空间V 中任何一组n 个线性无关的向量组都可以构成V 的一个基,因此21,(),(),,()n -ξξξξL A A A是V 的一个基.1-13证: 设()()()111,,,,,,,,,,,r s m r s A A ξξξββααα==L L L L L 设11,,,,,,r r s ξξξξξL L L 是的极大无关组,则可以证明11,,,,,,r r s αααααL L L 是的极大无关组. 1-14 解:(1)由题意知123123[,,][,,]=ααααααA A123123111[,,][,,]011001⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦βββααα 设A在基123,,βββ下的矩阵表示是B ,则11111123111011103011001215001244346238--⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥==-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎡⎤⎢⎥=---⎢⎥⎢⎥⎣⎦B P AP (2)由于0A ≠,故0=AX 只有零解,所以A的核是零空间.由维数定理可知A的值域是线性空间3R .1-15解:已知()()2323,,,,A αααααα=11A(1) 求得式()()2323,,,,P εεεααα=11中的过渡矩阵P ,则1B P AP -=即为所求; (2)仿教材例1.5.1.(见<矩阵分析>史荣昌编著.北京理工大学出版社.) 1-16解:设()23,,A ααα=1,则{}23(),,;()R A span N A ααα=1就是齐次方程组0Ax = 的解空间. 1-17证:由矩阵的乘法定义知AB BA 与的主对角线上元素相等,故知AB BA 与的迹相等;再由1-18 题可证. 1-18证:对k 用数学归纳法证。
史荣昌魏丰版矩阵分析第二章(1)

例1
求下列 λ 矩阵的Smith标准形。 标准形
0 0 (λ − 1)2 0 0
⎡ 0 ⎢ 0 ⎢ (1) ( ) ⎢ 0 ⎢ 2 ⎣λ − λ
3
3
2
⎡ 1− λ ⎢ A(λ ) = ⎢ λ ⎢1 + λ 2 ⎣
λ2 λ ⎤ ⎥ λ −λ ⎥ λ 2 −λ 2 ⎥ ⎦
⇒ D3 (λ ) = λ + λ
2
注意 :观察 D1 (λ ), D2 (λ ), D3 (λ ) 三者之间的关系。 定理: 等价 λ 矩阵有相同的各阶行列式因子,从而 有相同的秩 有相同的秩。
0 ⎤ −λ ⎥ ⎥ −λ 2 ⎥ ⎦
0 ⎡1 ⎢0 −λ ⎢ 2 ⎢ 0 − λ ⎣
⎤ ⎥ 3 2 −λ − λ + λ ⎥ −λ 4 − λ 3 − λ ⎥ ⎦ 0
⎤ ⎥ ⎥ λ (λ + 1)⎥ ⎦ 0 0
0 ⎤ −λ 3 − λ 2 + λ ⎥ ⎥ −λ 2 − λ ⎥ ⎦
⎡1 0 ⎢0 λ ⎢ ⎢ ⎣0 0
i列 i
行 j 行
定理 对一个 m × n 的 λ -矩阵 A( λ ) 的行作初等行变 换,相当于用相应的 m 阶初等矩阵左乘 A(λ ) 。对 A( λ ) 的列作初等列变换,相当于用相应的 n 阶初 等矩阵右乘 A(λ ) 。
P ( i , j )−1 = P ( i , j ), P ( i ( c ))−1 = P ( i ( c −1 )),
⎡ λ2 + λ − 4 λ−2 λ −1 ⎤ ⎢ 2 ⎥ 2 ⎢ 4λ + 3λ − 7 3λ − 3 λ + 3λ − 4 ⎥ ⎢ 4λ 2 + 3λ − 5 3λ − 2 λ 2 + 3λ − 4 ⎥ ⎣ ⎦
矩阵分析-(1)(终)

《矩阵分析》 · 徐赐文
《矩阵分析》
1.教材:
《矩阵分析》史荣昌编,北京理工大学出版社
2.参考书:
《矩阵分析学习指导》魏丰,史荣昌等编, 北京理工大学出版社
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
难点: 求线性映射的值域、核的基与维数
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
首先, 我们回忆一下《线性代数》中的向量.
向量的运算及性质
负向量: 向量 ( a1 , a2 ,, an ) 称为向量 的负向量
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
向量的差: ( )
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
第一章 线性空间和线性映射
《矩阵分析》 · 徐赐文
2014-3-16
矩阵分析课件chapter2 范数理论及其应用例题详解

第2章范数理论及其应用2.1向量范数及l p范数定义:如果V是数域K上的线性空间,且对于V的任一向量x,对应一个实数值||x||,它满足以下三个条件:1)非负性:||x||≥0,且||x||=0⇔ x=0;2)齐次性:||k⋅x||=|k|⋅||x||,k∈K;3)三角不等式:||x+y||≤||x||+||y||.则称||x||为V上向量x的范数,简称为向量范数。
注意:2)中|k|当K为实数时为绝对值,当K为复数域时为复数的模。
虽然向量范数是定义在一般的线性空间上的,但是由于前面的讨论,我们知道任何线性空间在一组基下都代数同构于常用的n维向量空间,因此下面我们仅仅讨论n维向量空间就足够了。
范数首先是一个函数,它将线性空间的任意向量映射为非负实数。
范数与函数性质1. 范数是凸函数。
即|| (1-λ)x+λy||≤(1-λ)||x||+λ||y||其中0≤λ≤ 1。
向量的范数类似于向量长度。
性质2. 若||⋅||为线性空间V上的向量范数,则k||⋅|| 仍然为向量范数, 其中k > 0.性质3. 若||⋅||f和||⋅||g为线性空间V上的两个向量范数,则(1). ||⋅||f+ ||⋅||g为V上向量范数。
(2). max{ ||⋅||f, ||⋅||g } 为V上向量范数。
性质4. 若||⋅||f和||⋅||g分别为线性空间V上两个线性交集为0的子空间V1和V2上的两个向量范数,则对任意x∈V1⊕V2,存在唯一分解x= u+v, 其中u∈V1,v∈V2,定义||x||1=||u||f+ ||v||g ,||x||2=max{||u||f,||v||g}则||x||1和||x||2为V1⊕V2上的向量范数。
性质5. (范数与凸集) 若||⋅||为线性空间V上的向量范数,集合Ω={x: ||x||≤ 1}为V上凸集。
反之,若Ω为V上的均衡闭凸集,即x∈Ω,则λ⋅x∈Ω,其中|λ|≤1.其中Ω含有内点,即包含一个小的单位球。
- 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)。
证:必要性,设 A 可对角化,则存在可逆矩阵 P, 使得
⎡λ1
⎤
⎢ P −1 AP = ⎢
λ2
⎥ ⎥
⎢
⎥
⎢ ⎣
λn
⎥ ⎦
对于任意常数 k,
⎡λ1
⎢ kI − A = kI − P ⎢
λ2
⎢
⎢
⎣
⎤
⎥
⎥ P −1 ⎥
λn
⎥ ⎦
⎡k − λ1
⎢ = P⎢
⎢ ⎢ ⎣
k − λ2
⎤
⎥
⎥ P −1 ⎥
k
−
λn
⎡⎣ X1,
X2,
X
3
⎤⎦
⎢ ⎢
0
−1
1
⎥ ⎥
⎢⎣ 0 0 −1⎥⎦
= ⎡⎣− X1, − X 2 , X 2 − X3 ⎤⎦
从而可得
AX1 = − X1, AX2 = − X2 , AX3 = X2 − X3
整理以后可得三个线性方程组
(I + A)X1 = 0 (I + A)X2 = 0 (I + A)X3 = X2
k≥3
⎢ O 00 ⎥
⎢ ⎣
0⎥⎦
(1) 每个Jordan 块 Ji 对应属于 λi 的一个特征向量; (2) 对于给定的 λi,其对应的Jordan 块的个数 等于λi 的几何重复度; (3) 特征值 λi 所对应的全体Jordan 块的阶数之和 等于 λi 的代数重复度.
根据 rank(kI − A)l = rank(kI − J )l , l = 1,2,
(λ − 1)2(λ − 2)⎥⎦
所以 A 的初等因子为 (λ −1)2 , λ − 2 .
故 A 的标准形为
⎡1 1 0⎤
J = ⎢⎢0 1 0⎥⎥
或
⎢⎣0 0 2⎥⎦
⎡2 0 0⎤ J = ⎢⎢0 1 1⎥⎥
⎢⎣0 0 1⎥⎦
例 求矩阵
⎡1 −1 2⎤
A = ⎢⎢3 −3 6⎥⎥
⎢⎣2 −2 4⎥⎦
1
⎥ ⎥
λ ⎥⎦i ni ×ni
rank(λi I − Ji )ni −1 = 1,
rank(λi I − Ji )h = 0, ( h ≥ ni )
⎡λi 1
⎢ ⎢
λi 1
Ji
=
⎢ ⎢
⎢
⎢⎣
⎤
⎥
⎥
⎥,
1
⎥ ⎥
λ ⎦⎥i n则
rank(λ j I − Ji )l = ni (l = 1, 2, )
初等因子都是一次因式。
例 求矩阵
⎡−1 1 0⎤
A = ⎢⎢−4 3 0⎥⎥
⎢⎣ 1 0 2⎦⎥
的 Jordan 标准形。
解: 先求出 A 的初等因子。对 λI − A 运用初等
变换可以得到
⎡λ + 1 −1 0 ⎤
λ
I
−
A
=
⎢ ⎢
−4
λ−3
0
⎥ ⎥
⎢⎣ 1
0 λ − 2⎥⎦
⎡1
⎤
⎢ ⎢
1
⎥ ⎥
⎢⎣
的Jordan标准形。
解: 先求出 A 的初等因子。对 λ I − A 运用
初等变换可以得到
⎡λ −1 1 2 ⎤
λI − A=
⎢ ⎢
−3
λ+3
−6
⎥ ⎥
⎢⎣ −2 2 λ − 4⎥⎦
⎡1
⎤
⎢ ⎢
λ
⎥ ⎥
⎢⎣
λ(λ − 2)⎥⎦
所以 A 的初等因子为λ, λ, λ − 2.
故 A 的 Jordan 标准形为 ⎡0 0 0⎤
阶数 ≥ 3 的有 4 − 3 = 1 块;
不再降秩,所以 λ = 2 的
Jordan块中最大阶数 = 3
从而,对应于 λ = 2 的Jordan块分别为:3阶1块,
2阶2块,共3块.
rank(3I − A) = 8, rank(3I − A)2 = 7
对应于 λ = 3 的Jordan块
共有 10 − 8 = 2 块;
J 中主对角元为 3 的Jordan块只有一个且为二阶。
故 A 的标准形为
⎡1 0 0⎤ J = ⎢⎢0 3 1⎥⎥
⎣⎢0 0 3⎦⎥
⎡3 1 0⎤ 或 J = ⎢⎢0 3 0⎥⎥
⎢⎣0 0 1⎥⎦
例:证明 n 阶非零矩阵 A 可对角化的充要条件是 对于任意常数 k, 都有 rank(kI − A) = rank(kI − A)2 .
A−
3I
=
⎢ ⎢
1
5
2
⎥ ⎥
→
⎢ ⎢
0
8 4⎥⎥
⎢⎣−2 −14 −6⎥⎦ ⎢⎣ 0 0 0⎥⎦
所以 rank( A − 3I ) = 2, 从而 λ2 的几何重数为
qλ2 = n − 2 = 3 − 2 = 1
特征值 λ2 = 3 是 f (λ) 的两重根,从而 λ2 在 A
的Jordan标准形 J 的主对角线上出现两次,因此
解: 首先用初等变换法求其 Jordan 标准形:
⎡λ − 3
λ
I
−
A
=
⎢ ⎢
3
⎢⎣ 2
0 8⎤
λ +1
−6
⎥ ⎥
0 λ + 5⎥⎦
⎡1 0
0⎤
⎢⎢0 λ + 1
0
⎥ ⎥
⎢⎣0 0 (λ + 1)2 ⎥⎦
故 A 的初等因子为
λ + 1,(λ + 1)2
从而 A 的 Jordan 标准形为
⎡−1 0 0 ⎤
则对于 A 的特征根 λ = λi ,共有 n − s1 个Jordan
块,其中阶数最高为 l 阶,阶数 ≥ 2 的Jordan块 有 s1 − s2 个,阶数 ≥ 3 的有 s2 − s3 个,阶数 ≥ 4 的有 s3 − s4 个,…, l 阶的有 sl−1 − sl 个。
如何求相似变换矩阵?
J = ⎢⎢0 0 0⎥⎥ ⎢⎣0 0 2⎥⎦
或
⎡0 0 0⎤ J = ⎢⎢0 2 0⎥⎥
⎢⎣0 0 0⎥⎦
例 用矩阵秩的方法求出矩阵
⎡2 3 2⎤
A
=
⎢ ⎢
1
8
2
⎥ ⎥
⎢⎣−2 −14 −3⎥⎦
的 Jordan 标准形。
解: 先求出 A 的特征多项式及其特征值
λ − 2 −3 −2 f (λ ) = λ I − A = −1 λ − 8 −2 = (λ − 1)(λ − 3)2
0 −1
⎥ ⎥
ai I − Ji = ⎢
⎥
⎢ ⎢
−1⎥⎥
⎢⎣
0 ⎥⎦
⎡0 0 1
⎤
⎢ ⎢
00
⎥ ⎥
(ai I
−
Ji
)2
=
⎢ ⎢
⎢
1⎥ 0⎥⎥
⎢⎣
0⎥⎦
由此可见,rank(ai I − Ji ) > rank(ai I − Ji )2 . 从而
rank(ai I − A) > rank(ai I − A)2 , 这与已知条件矛盾,
矩阵的Jordan标准形
定义: 称 ni 阶矩阵
⎡ai 1
⎢ ⎢
ai 1
Ji
=
⎢ ⎢
⎢
⎢⎣
⎤
⎥
⎥
⎥
1
⎥ ⎥
ai ⎥⎦ ni ×ni
为 Jordan 块。设 J1, J 2, , J s 为 Jordan 块,
称准对角形矩阵
⎡ J1
⎤
⎢
J
=
⎢ ⎢
J2
⎥ ⎥ ⎥
⎢⎢⎣
Js ⎥⎦⎥
为 Jordan 标准形。
J
=
⎢ ⎢
0
−1
1
⎥ ⎥
⎢⎣ 0 0 −1⎥⎦
再求相似变换矩阵:
设所求矩阵为 P ,则 P −1 AP = J, P 按列分块记为
P = ⎡⎣ X1 , X2 , X3 ⎤⎦
于是有
AP = A⎡⎣ X1, X2 , X3 ⎦⎤ = ⎣⎡ AX1, AX2 , AX3 ⎦⎤
⎡−1 0 0 ⎤
=
PJ
=
所以应该取 X 2 = k1α1 + k2α2
使得第三个非齐次方程有解,即其系数矩阵与增 广矩阵有相同的秩,容易计算出其系数矩阵的秩 为 1,从而应该使得增广矩阵
⎡⎣I + A, X2 ⎤⎦
的秩也为 1。即
⎡4 0 8
⎡⎣I + A,
X2 ⎤⎦ =
⎢ ⎢
3
0
6
⎢⎣−2 0 −4
−2k2 k1
⎤ ⎥ ⎥
rank(2I − A) = 7, rank(2I − A)2 = 4
对应于 λ = 2 的Jordan块
共有 10 − 7 = 3 块;
对应于 λ = 2 的Jordan块中,
阶数 ≥ 2 的有 7 − 4 = 3 块;
rank(2I − A)3 = 3 rank(2I − A)4 = 3
对应于 λ = 2 的Jordan块中,
所以每个Jordan块的阶数都为1,即 A 相似于对 角形。
求Jordan标准形的另一种方法
(计算 rank(λi I-A),k 得出对应于 λi 的Jordan 块的
个数,阶数)
⎡λi 1
⎢ ⎢
λi 1
Ji
=
⎢ ⎢
⎢
⎢⎣
⎤ ⎥
rank(λi I-Ji ) = ni − 1,
⎥ ⎥
, rank(λi I − Ji )2 = ni − 2,