1、矩阵范数、算子范数
- 矩阵无穷范数是非自相容范数,矩阵1-范数、矩阵2-范数是自相容范数
- 矩阵2-范数:Frobenius范数,是向量2-范数的自然推广。
- 酉等价保F范数
- 若矩阵范数是相容范数:则必存在向量范数与之相容。
- 证明过程:构造
- 矩阵的特征值一定小于等于该矩阵的相容矩阵范数。
- 反过来说,如果矩阵的特征值大于了某个矩阵范数,则该矩阵范数一定不相容。
- 任意向量范数:则必存在矩阵范数与之相容,其中放大效果的最大值称为算子范数。
- 算子范数再大,不过向量范数的上确界,鸡头始终是鸡
- 和向量范数相容的矩阵范数,终归是矩阵范数,始终有,所以矩阵范数会大于等于算子范数。
- 换句话说,和向量范数相容的矩阵范数的下确界是算子范数。
- 算子范数是自相容矩阵范数。
- 常见算子范数:
- 从属于向量1-范数的算子范数称为算子1范数:极大绝对列和范数;
- 从属于向量2-范数的算子范数称为算子2范数:谱范数=;
- 从属于向量∞-范数的算子范数称为算子无穷范数:极大绝对行和范数;
- 证明思路:存在上界,上界可达。
- 算子范数的性质:是算子范数
- ;
- ;
- HÖlder 范数:p-范数。可以p取1和无穷。
- HÖlder不等式:
2、矩阵分解
已经写过一期了,见:矩阵理论–矩阵分解
补充:
正规矩阵A性质:
- ;
- A的特征子空间和AH的特征子空间完全相同。
- A的特征子空间正交,即不同特征值的特征向量必正交。
- A是单纯矩阵
任意矩阵A:
- 和的非零特征值完全相同,数值相同、代数重复度相同。
- rank(A)=rank(AH)=rank(AHA)=rank(AAH)。证明很重要
- AHA的核空间包含A的核空间,即Ax=0,则必有AHAx=0
- A的核空间包含AHA的核空间,即AHAx=0,则必有xHAHAx=<Ax,Ax>=0,即Ax=0
- N(AHAx)=N(A),由秩-零化度定理知:rank(A)=rank(AHA)
- 和都是半正定矩阵。
- A的特征值和奇异值的关系:
- 若A为非方阵,则A没有特征值。但A有奇异值。
- 如果A为方阵,则A的特征值的平方和<=A的奇异值的平方和。(schur不等式)
- 如果A为正规矩阵,则A的特征值的平方和==A的奇异值的平方和。
- 正规矩阵酉相似于对角阵(谱分解),任意方阵酉相似于三角阵(shcur分解)。
3、矩阵的估计
1、有关特征值的不等式
- 舒尔不等式:
- Hirsh不等式:
- Bendixson不等式:
- n(n-1)是因为实矩阵的反共轭对称分量是的对角元为0。
- 除以2是因为实矩阵的复特征根成对出现。
- 其余证明同Hirsh不等式
- Browne不等式:
- Hadamard不等式:
- 施密特正交化:A = BR,R是单位正线上三角
2、盖尔圆盘定理
- 关于圆盘定理1、圆盘定理2:Gerschgorin定理,以及用python绘制Gerschgorin圆盘动图
- 有的盖尔圆里面可能没有特征值(盖尔圆盘连通,将导致特征值函数不连续)
- n阶矩阵A的n个圆盘均孤立,则A可对角化(充分不必要)。
- n阶实矩阵A的n个圆盘均孤立,则A的特征根均为实数。
- 行严格对角占优矩阵A:
- 若A的对角元全大于0,则A的所有特征值有正实部;
- 若A的对角元全大于0,且A是Hermite矩阵,那么A的所有特征值均为正数。
3、Hermite矩阵的变分特征
-
Courant-Fischer定理:Hermite矩阵的特征值估计——courant-fischer定理
-
Weyl定理(韦尔定理):
- A,B均为Hermite矩阵
4、矩阵分析
-
矩阵序列极限的运算规则:A(k)、B(k)的极限为A、B
- 线性运算:aA(k)+bB(k) →aA+bB (k → +∞)
- 乘:A(k)B(k) →AB (k → +∞)
- 当A(k)、A均可逆的时候:(A(k))-1 → A-1 (k → +∞)
-
用矩阵范数定义矩阵序列极限:
-
收敛矩阵 等价于 谱半径r(A)<1
- 称为收敛矩阵
-
矩阵级数绝对收敛的充要条件是正项级数收敛
-
Neumann级数:E+A+A2+A3+…… = (E-A)-1. r(A)<1时成立
-
矩阵幂级数f(A):数项幂级数f(z)收敛半径为r,若r(A)<r则f(A)绝对收敛
-
矩阵函数:收敛的矩阵幂级数的和S,记作f(A)
-
收敛半径判断方法:
- 达朗贝尔判敛法: , R = 1/rho
- 柯西判敛法:
-
四阶Jordan块的k次幂,特征值为a:
5、广义逆矩阵
逆,生来就是用于解方程组的。
-
逆:行列满秩。
-
单边逆:左逆列满秩;右逆行满秩。
-
求法:高斯消元。
-
列满秩矩阵:Ax=b
- 行初等变换,可以得到左逆。
- 有解的充要条件: (可拓展为AGb=b)
- 唯一解:
- 需要注意,左逆矩阵不唯一,也是列满秩矩阵A的左逆。
-
行满秩矩阵:
- 列初等变换,可以得到右逆。
- 行满秩矩阵一定有解,且解不唯一。自由未知数的个数为n-m
- 是A的一个右逆。右逆矩阵不唯一。
- 需要注意: 通常情况求出来的是两个不同的解,均满足Ax=b。这是因为行满秩矩阵Ax=b的解不唯一。
- 行满秩矩阵的A+是A的一个右逆。
-
-
广义逆:任何矩阵都存在广义逆矩阵。
-
AGA=A 等价于 G是A的广义逆矩阵。
-
单边逆是广义逆的特殊情况。
-
Ax = b有解的充要条件:rank A = rank (A b)
-
当A列满秩,且rank A = rank (A b) ,则有唯一解。
-
当A非列满秩,且有解,则有无穷多解。
-
Gb = x , 且Ax = b,则称G是A的一个广义逆。
-
广义逆矩阵不唯一,零矩阵的广义逆矩阵是任意矩阵。
-
广义逆矩阵通常记作,区别于
-
广义逆矩阵的秩 大于等于 A的秩。取等号,等价于 G具有自反性。
-
广义逆矩阵是逆矩阵的推广,当A是可逆矩阵的时候,A–=A-1
-
广义逆矩阵有逆矩阵类似的性质:
性质 广义逆矩阵 逆矩阵 定义 对于矩阵A,存在矩阵B,使得ABA=A 对于方阵A,存在矩阵B,使得AB=BA=I 记号 行为 对于任意向量b,满足b=b 对于任意向量b,满足b=b 矩阵乘法 A=A AAA=A 矩阵的秩 rank()=rank()=rank(A) rank(AA)=rank(A)=n(满秩) 逆的存在 广义逆存在于可逆和不可逆矩阵中 逆存在于方阵(可逆矩阵)中 唯一性 可以有多个不同的广义逆 逆是唯一的 幂等性 、是幂等矩阵 是幂等矩阵 数乘 aA的广义逆为 aA的逆为 正交投影 若,则 ,I是从Cn到R(A)的正交投影
-
-
自反广义逆
- 定义:AGA=A且GAG=G。存在且不唯一。
- 求法:
- 最大秩分解法:A=BD,
- 构造法:X、Y是A的广义逆,则Z = XAY是自反广义逆,当然YAX也是自反广义逆。
- 公式法:X=(AHA)–AH,Y =AH(AAH)–都是自反广义逆
- R(AH)=R(AHA), N(A)=N(AHA)
- 存在D,使得AH=AHAD
- 代入可证明AXA=A
- rank(X)<=rank(AH)=rank(AHA) = rank(AHA(AHA)–AHA)=rank(AHAXA)<=rank(X)
- 所以X是自反广义逆
- A_是自反广义逆的充要条件是rank(A)=rank(A–)
- 必要性:AGA=A且GAG=G,则rank(A)=rank(AGA)<=rank(G)=rank(GAG)<=rank(A)
- 充分性:
- R(GA)属于R(G),R(GA)=R(A)=R(G),则R(G)=R(GA);
- GE=G,则存在X,GAX=G
- A=AGA=AGAXA=AXA
- 由构造法知G是自反广义逆
- 几何性质
-
MP广义逆
- 定义:AGA=A,GAG=G,(GA)H=GA, (AG)H=AG
- 存在且唯一
- 计算方法:
- 最大值分解法:
- 奇异值分解法: (A = UDVH)
- 注意:最大值分解不唯一,然而最大值分解的这种乘积,即A+是唯一的。
- A+的性质:
- 自反性:(A+)+=A
- 唯一性:
- 几何性质: (这是自反广义逆具有的性质)
- 正交投影性:
- 行列子空间相等性:R(A)=R(AH)的充要条件是
- 若A是Hermite矩阵:
-
矩阵方程通解:
- AXB=D有解的充要条件:AA–DB–B=D
- 通解:X=A–DB–+Y-A–AYBB–
- Ax=b有解的充要条件:AA–b=b
- 通解:x = A–b +y-A-1Ay
-
相容方程组的最小范数解:
- 相容方程组:有解方程组
- AGA=A,(GA)H=GA
- Gb=x是最小范数解
-
不相容方程组的最小二乘解:
- 不相容方程组:无解方程组
- AGA=A,(AG)H=AG
- Gb=x是最小二乘解之一,最小二乘解的通解:
-
不相容方程组的最小二乘解有时候不够好,最小二乘解的最小范数解叫最佳逼近解:
- 最佳逼近解:A+b=x
- 如果方程组是相容方程组,则A+b是最小范数解
-
关于广义逆的运算规则
- 的充要条件:
- 的充分条件:A列满秩(AHA满秩),B行满秩(BBH满秩)
版权声明:本文为博主作者:风声holy原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/weixin_45827703/article/details/135280176