矩阵分析第三章3.1-2

合集下载

第3章 矩阵的初等变换与线性方程组的解

第3章 矩阵的初等变换与线性方程组的解
1 0 A = 0 2 0 −2

1 0 B = 0 2 0 0
矩阵等价性具有如下性质: (1)反身性: A ↔ A (2)对称性:如果 A ↔ B ,那么 B ↔ A (3)传递性:如果 A ↔ B, B ↔ C ,那么 A ↔ C
第 i行
| E ( i , j ) |= −1,
第j行
E ( i , j ) −1 = E ( i , j )
第i列
第j列
-12-
2、倍乘初等矩阵
1 E ( i ( k )) = O 1 k 1 O
↑ 第i列
← 第 i行 1
r
Pl L P2 P1 A = E
问 A − 1 = Pl L P2 P1 作一次行变换 再作一次行变换 继续… 考虑对 ( A E ) 作行变换
P1 ( A E ) = ( P1 A P1 E )
P2 P1 ( A E ) =
( P2 P1 A
P2 P1 E )
Pl L P2 P1 ( A E ) = ( Pl L P2 P1 A Pl L P2 P1 E )
A ↔ B,
如何把它们用等号联系起来?
-11-
定义
对单位矩阵E做一次初等变换得到的矩阵称
为初等矩阵。 共有三种初等矩阵,分别为 1、交换初等矩阵
1 O 1 0 1 L ← 1 E ( i, j ) = M O M 1 1 L 0 ← 1 O 1 ↑ ↑
第三章 矩阵的初等变换与线性方程组的解
§3.1 矩阵的初等变换 §3.2 初等矩阵 §3.3 矩阵的秩 §3.4 线性方程组的解

鲁棒控制理论与设计 第三章 矩阵分析和线性矩阵不等式

鲁棒控制理论与设计 第三章 矩阵分析和线性矩阵不等式

k<r
则 A 与秩为 k 的任一矩阵 B 之差的 L1 和 L2 范数分别为
min A − B =
rank (B )=k
1
A − Ak
1 = σ k +1

(3.1.30)
3-5
第三章 矩阵分析和线性矩阵不等式
min A − B 2 =rank (B )=k2A − Ak
2 2
=
σ
2 k +1
+
L
∂A ∂θ
= [ ∂A ∂θ1
,
∂A ∂θ 2
,L ,
∂A ∂θ n
]
(3.1.12)
4) 标量对矩阵求导仍为矩阵。设 J 为标量, M 为矩阵,则 ∂J 是以 ∂J 为第 ij 元素的矩阵,
∂M
∂mij
其中 mij 表示 M 矩阵的第 ij 元素。
在上述约定下,有如下一些结果:
1) ∂ (aT x) = aT ; ∂x

A21
A -1 11
A12
]
(3.1.5) (3.1.6)
证明:因为
所以有
⎡ A11
⎢ ⎣
A21
A12 ⎤ ⎡ I
A22
⎥ ⎦
⎢⎣−
A−1 22
A21
0⎤
A−1 22
⎥ ⎦
=
⎡ ⎢
A11


A12 0
A−1 22
A21
A12
A−1 22
I
⎤ ⎥ ⎦
det
A ⋅ det
A −1 22
=
det[ A11
3.1.2 矢量与矩阵的微分运算
在鲁棒控制理论和系统建模中,矢量与矩阵的微分运算是非常重要的。本节我们不加证明地给出 一些常用到得运算定理和公式。为了叙述方便,采用下列约定。

第3章 矩阵的标准形1

第3章  矩阵的标准形1

⇒ 设 A( λ )可逆,则存在B( λ ) ,使得 A( λ ) B( λ ) = B( λ ) A( λ ) = En
⇒ A(λ ) B (λ ) = 1 即 A(λ ) B (λ ) =1 由于 A(λ ) , B (λ ) 均 B(λ ) 均为 λ 的多项式,所以 A(λ ) , 为常数。
设 A(λ ) =C ≠ 0 ,则 ⎛1 ⎞ ⎛1 ⎞ ⎜ adjA(λ ) ⎟ A(λ ) = A(λ ) ⎜ adjA(λ ) ⎟ = En ⎝c ⎠ ⎝c ⎠ 所以, A(λ )是可逆的。其中 adjA(λ ) 是 A(λ ) 的伴随矩阵。
矩阵分析简明教程
矩阵分析简明教程
定义3.2.5 定义 3.2.5
形如
⎛ d1 (λ ) ⎜ ⎜ ⎜ J (λ ) = ⎜ ⎜ ⎜ ⎜ ⎜ ⎝ ⎞ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ 0⎟ ⎠
d r (λ ) 0
引理3.2.1 引理 3.2.1 如果 λ − 矩阵 A( λ ) 的左上角元素a11 ( λ ) ≠ 0, 且 A( λ ) 中至少有一个元素不能被 a11 ( λ) 整除,则可以 找到一个与 A( λ) 等价的 λ − 矩阵 B( λ ) ,其左上角 元素 b11 ( λ) ≠ 0, 且次数比 a11 ( λ) 的次数低。
二、行列式因子、不变因子与初等因子
定义3.2.6 定义 3.2.6 矩阵 A( λ ) 的所有非零 k 阶子式的首一 (最高次项系数为 1 )最大公因式 Dk ( λ ) 称为 A( λ ) 的 k 阶行列式因子 阶行列式因子。 定义3.2.7 定义 3.2.7 矩阵 A( λ ) 的Smith标准形中的非零对角元
矩阵分析简明教程
矩阵分析简明教程
λ - 矩阵及其Smith标准形 § 2、

《MATLAB矩阵分析》PPT课件

《MATLAB矩阵分析》PPT课件

整理ppt
24
2.三角阵 三角阵又进一步分为上三角阵和下三角阵, 所谓上三角阵,即矩阵的对角线以下的元 素全为0的一种矩阵,而下三角阵则是对角 线以上的元素全为0的一种矩阵。
整理ppt
25
(1) 上三角矩阵 求矩阵A的上三角阵的MATLAB函数是triu(A)。 triu(A)函数也有另一种形式triu(A,k),其功能是 求矩阵A的第k条对角线以上的元素。例如,提取 矩阵A的第2条对角线以上的元素,形成新的矩阵 B。 (2) 下三角矩阵 在MATLAB中,提取矩阵A的下三角矩阵的函数 是tril(A)和tril(A,k),其用法与提取上三角矩阵的 函数triu(A)和triu(A,k)完全相同。
(6) 帕斯卡矩阵 我们知道,二次项(x+y)n展开后的系数随n 的增大组成一个三角形表,称为杨辉三角 形。由杨辉三角形表组成的矩阵称为帕斯 卡(Pascal)矩阵。函数pascal(n)生成一个n阶 帕斯卡矩阵。
整理ppt
14
• 杨辉三角是一个由数字排列成的三角形数表,一般形式如下: 1 11 121 1331 14641 1 5 10 10 5 1 1 6 15 20 15 6 1 ...................................................... 杨辉三角最本质的特征是,它的两条斜边都是由数字1组成的,而其 余的数则是等于它肩上的两个数之和。
整理ppt
35
2.矩阵的范数及其计算函数 MATLAB提供了求3种矩阵范数的函数,其 函数调用格式与求向量的范数的函数完全 相同。
整理ppt
36
在线性方程组Ax=b两边各左乘A-1,有 A-1Ax=A-1b 由于A-1A=I,故得 x=A-1b 例3.8 用求逆矩阵的方法解线性方程组。 命令如下: A=[1,2,3;1,4,9;1,8,27]; b=[5,-2,6]'; x=inv(A)*b

矩阵分析(3)

矩阵分析(3)

这里 , , 是 V 中任意向量,k 为任意实数
,只有当 0 时 (,) 0 ,我们称带有 这样内积的 n 维线性空间 V 为欧氏空间。
例 1 在 Rn 中,对于
(x1, x2 ,L , xn )T , ( y1, y2 ,L , yn )T
规定
( , ) T x1 y1 x2 y2 L xn yn

AT A AAT I 则称 A 是正交矩阵,一般记为 A Enn
例:
(1)
4 5
1 5
i
2 5
2 5
i
2 5
2 5
i
1 5
4 5
i
是一个酉矩阵
(2)
223
1 3
2
2
3 1
3 3 3
1
2
2
3 3 3
是一个正交矩阵
(3)
cos sin
sin cos
是一个正交矩阵
i 1
i 1
t
t
(4) (, kii ) ki (, i )
i 1
i 1
定义:设 V 是 n 维酉空间,i 为其一组
基底,对于V 中的任意两个向量
n
n
xii , y j j
i 1
j 1
那么 与 的内积
n
n
n
(, ) ( xii , yii ) xi y j (i , j )
例 2 设 C%[a, b] 表示闭区间 [a,b]上的所有
连续复值函数组成的线性空间,证明:对于
任意的 f (x), g(x) C%[a,b] ,我们有
b
b
2
b
2
a f (x)g(x)d (x) a f (x) d (x) a g(x) d ( x)

矩阵分析3.1-2

矩阵分析3.1-2

Hermite 第三章 内积空间、正规矩阵、矩阵解析几何中,是用向量的长度和夹角来定义内积,而在矩阵理论中是先定义内积概念,再引入向量的长度、夹角等概念。

在线性空间中,向量之间的基本运算只有加法和数乘运算,向量的度量性质没有反映,局限了线性空间的应用。

现在我们借助内积把度量概念引入到线性空间中。

&3.1 欧氏空间、酉空间一、概念,,,(,3.1),,(,).1V R n V 设是实数域上的维线性空间如果对中任意两个向量、有唯一确定的实数与之对应这实数记为并且满足下列四个条 件则这实数称为与的内定积义:αβαβαβαβ(1) (,)(,)(2) (,)(,)(3) (,)(,)(,)(4) (,)0,0(,)0,,,;.k k V k R V n αββααβαβαβγαγβγααααααβγ==+=+≥==∈且仅当时其中是中任意向量称定义有这样内积的线性空间为维欧氏空间112211 (..,)... (,) Tn na b a b a b αβαβαβαβ==+++nT T12n 12n nn设R 是n 维实向量空间,若=(a ,a ,...,a ),=(b ,b ,...,b )令容易验证,所规定的是R 的内积,从而R 成为欧例3氏空间。

注: 1.今后欧氏空间R n 中的内积都指如上例3.1.1定义的内积运算.2.对同一个线性空间,可以定义不同的内积,因而得到不同的欧氏空间.212122312 (,)(,) .(. ,TTR a a b b R αβαβ==11122122 设在中对向量和规定内积为,)=2a b +a b +a b +a b 证明按照如上的内积运算构成是欧例氏空间。

313.. ∀∈⎰ba 用表示C[a,b]闭区间[a,b]上的所有实值连续函数构成的实线性空间,f(x),g(x)C[a,b],规定(f(x),g(x))=f(x)g(x)dx容易验证,这样规定的(f(x),g(x))是C[a,b]上的一个内积,从而C[a,b]成为一个欧 例氏空间。

史荣昌魏丰版矩阵分析第三章(1)

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。

矩阵理论

矩阵理论

个列向量线性无关,对任意 x ( x1 , x2 , xn )T C n , 规定:
x

Ax
n 则 x 是 C 中的向量范数。
x1 x2 证 (1) Ax ( A1 , A2 ,, An ) x1 A1 x2 A2 xn An 0 x n
kx
E

(kx )e
i 1 i
n
i E
( kxi ) k ( xi ) k x
2 2 i 1 i 1
n
1 2
n
1 2
E
(3)对 x xi ei , y yi ei V , 有
i 1 i 1
n
n
x y
E
( xi yi )ei

x y
p
( xi yi ) .
p i 1
n
1 p
由于
( xi yi ) . ( xi ) ( yi )
i 1 i 1 i 1
n
1 p p
n
1 p p
n
1 p p
(闵可夫斯基不等式 Minkowski) 其中 1 p ,从而得到: x y 故 x
x y

A( x y) Ax Ay Ax Ay x y ,
n 故 x 是 C 中的向量范数。
此例说明 C 中可以定义无穷多种向量范数。
n
e1, e2 ,, en 是 V 的一组基,则对 例5 设 V 是 n 维线性空间,
x V , x 有唯一表示式: x x1e1 x2e2 xnen
§3.2 函数矩阵的微分和积分
  1. 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. 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. 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)。
n

, .
T
例如在R 中, a1 , a2 , , an
,
a a a
2 1 2 2
2 n
在C 中,
n
a1 , a2 , , an ,
T

a1 a2 an
2
Байду номын сангаас
2
2
定理3.1.2 : 设V 是酉(欧氏)空间, 、 V , k C , 那么 (1) 0, 当且仅当 0时, 0; (2) k k ; (3) , ; (4) . (非负性) (齐次性) ( 柯西一许瓦滋不等式) (三角不等式)
证 : , V,设 ,2 , ..., n ) x, =(1 , 2 , ..., n ) x (1 , 2 , ..., n ) y. =(1 , 2 , ..., n ) y (1
由坐标变换公式,知 x Px, y Py,
2 2 2 2
, , 2 Re( , ) 2 ( , ) ( )2 ,
.
在R n中, 柯西 - 许瓦兹不等式即 :
2 2 2 2 2 a1 a2 an b12 b2 bn ,
T
T
令 ( , )

T

H n
a1 b1 a2 b2 ... an bn 容易验证,所规定的 ( , )是C 的内积, 从而C 成为酉空间。
n
二、酉(欧氏)空间的性质
1. 欧氏空间的性质
(1)( , k ) k ( , ); ( 2)( , ) ( , ) ( , ); (3)( ki i , ) ki ( i , );

, , 0, , ,

2

,

2
2
所以, | ( , ) ||| || || || .
(4)

2 2
2
, , , , , 即
T
x1 x2
xn A x1 x2 xn ( , )
T
x11 x22 xnn
Hermite矩阵 : 规定记号: A A
H

T
,
称A H为A的复共轭转置。
复共轭转置有运算性质 : (1) A H ( A)T ; (2)( A B ) H A H B H ; (3)( kA) H kA H ; (4)( AB ) B A ;
例3.1.1 设R n是n维实向量空间,若
=(a1 ,a 2 ,...,a n ) , =(b1 ,b 2 ,...,b n )
T
T
令 ( , ) T a1b1 a2b2 ... anbn 容易验证,所规定的 ( , )是R 的内积,从而
n
R n 成为欧氏空间。
, , , , k k , . , , , ,

于是,由以上3式有
, , , , , , 0. , , , ,
(1)( , ) ( , ), (2)( k , ) k ( , ), (3)( , ) ( , ) ( , ), (4)( , ) 0, 当且仅当 0时( , ) 0.
其中、 、 为V中任意向量, 任意复数k C ; 称定义有这样内积的线性空间V 为n维复欧氏 空间或酉空间. 欧氏空间与酉空间统称为内积空间.
显然,实对称矩阵是实Hermite矩阵;酉空间的度 量矩阵是Hermite矩阵.欧氏空间的度量矩阵是实对称 阵。
对于线性空间不同的基,它们的度量矩阵是不 同的,它们之间的关系由下述定理给出。
, 2 , n 为酉空间 定理3.1.1 : 设1 , 2 , , n和1 的两个基, A、B分别为这两个基的度量矩阵,基的过 度矩阵为P,即 1 , 2 , , n P , 1 , 2 , , n 那么两个度量矩阵满足 BT P H AT P .
n n n
,使
B P AP , 则称A和B是复相合的;
n n 设A、B R nn , 如果存在P Rn ,使
B P T AP , 则称A和B是实相合的.
三、酉空间(欧氏空间)的度量 1、向量的长度 : 定义3.1.6 : 设V 是酉(欧氏)空间, V , 的长度 (即模)定义为为 :
i 1 i 1 n n n
( 4)( , ki i ) k i ( , i ).
i 1 i 1
n
设1 , 2 , , n为n维酉空间V 的一组基,
, V 且 xi i , y j j
i 1 j 1
n
n

n n n n ( , ) xi i , y j j xi y j ( i , j ) j 1 i 1 i 1 j 1 令gij ( i , j ) i , j 1, 2, , n .
T
n
例3.1.5设n 维空间R 中对向量( n阶矩阵) A, B 规定内积为 ( A, B ) tr ( A B ),
T
2
n n
A, B R
n n
,
则R
n n
是欧氏空间。
定义3.1.2 : 设V 是复数域C 上的n维线性空间, 如果对V中 任意两个向量、 , 有唯一确定的
复数与之对应, 这复数记为( , )且满足下列四个 条件, 则这复数( , )称为 与的内积 :
注: 1.今后欧氏空间Rn中的内积都指如上例3.1.1定
义的内积运算.
2.对同一个线性空间,可以定义不同的内积,因 而得到不同的欧氏空间.
例3.1.2 设在R 2中对向量 (a1 , a2 )T 和 (b1 , b2 ) 规定内积为 ( , )=2a1b1 +a1b2 +a 2 b1 +a 2 b2 , 证明R 2按照如上的内积运算构成是欧氏空间。 例3.1.3 用表示C[a,b]闭区间[a,b]上的所有实值 连续函数构成的实线性空间,f(x),g(x) C[a,b], 规定
第三章 内积空间、正规矩阵、Hermite矩阵
在线性空间中,向量之间的基本运算只有 加法和数乘运算,向量的度量性质没有反映, 局限了线性空间的应用。现在我们借助内积把 度量概念引入到线性空间中。
解析几何中,是用向量的长度和夹角来定 义内积,而在矩阵理论中是先定义内积概念, 再引入向量的长度、夹角等概念。
称n阶方阵: G gij

为基1 ,2 ,,n的度量矩阵.
G gij

g11 g 21 g n1
g12 g22 gn 2
g1n g2 n gnn
1 , 1 2 , 1 , n 1
H H H
(5)( A H ) H A; (6)若A可逆,则( A H )1 ( A1 ) H .
定义3.1.4 : 设A C nn ,
若A A, 则称A为Hermite矩阵;
H
若A A, 则称A为反Hermite矩阵.
H
容易证明: ( 1)AH A Re(aij ) Re(a ji ), Im(aij ) Im(a ji ); ( 2) AH A Re(aij ) Re(a ji ), Im(aij ) Im(a ji ).
不妨取
, k= ,由于( , ) ,


2

2
, ,
, ( , ) 那么, k , , , ; ( , ) ,
, k , , ; ,

在复数域C上定义内积时,不能象实数 (i ,i )=i ( , )=-( , ),
2
域上内积定义方式,否则会出现矛盾。如 ( , )>0, 这样( , )<0,矛盾!实际上( ,k )=k( , )
例3.1.6 设C 是n维复向量空间,若
n
=(a1 ,a 2 ,...,a n ) , =(b1 ,b 2 ,...,b n )
证 : (1)、 (2)易证.
(3)当 0, Cauchy Schwarz不等式成立;
当 0,k R(或k C),有 0 - k
2
k , k

, k , k , k k ( , )
(f(x),g(x))= f(x)g(x)dx
a b
T
容易验证,这样规定的(f(x),g(x))是C[a,b]上的一 个内积,从而C[a,b]成为一个欧氏空间。
例3.1.4 设A为n阶正定矩阵,对于R 中的任意两 个列向量X,Y,规定 (X,Y)=X AY 容易验证(X,Y)是R n 上的一个内积,于是R n 成为一 个欧氏空间。
&3.1 欧氏空间、酉空间
一、概念
定义3.1.1 设V 是实数域R上的n维线性空间, 如果对V中任意两个向量、 , 有唯一确定 的实数与之对应, 这实数记为( , ), 并且满足 下列四个条件, 则这实数( , )称为 与 的 内积:
(1) ( , ) ( , ) (2) ( k , ) k ( , ) (3) ( , ) ( , ) ( , ) (4) ( , ) 0,当且仅当 0时( , ) 0 其中 , , 是V 中任意向量, k R; 称定义有这 样内积的线性空间V 为n维欧氏空间.
相关文档
最新文档