MIT线性代数公开课学习笔记第26~30课

二十6、对称矩阵及正定性

实对称矩阵

实对称矩阵是全部元素均为实数的对称矩阵。具备如下性质：

• 一、全部特征值均为实数

• 二、全部特征向量均为实向量

• 三、不一样特征值对应的特征向量之间是正交的

• 四、具备n个线性无关的特征向量

• 五、任意实对称阵A均可以用正交阵\(P\)对角化：\(A=Q\Lambda Q^{-1}=Q\Lambda Q^T\)

分析第一条性质

下面证实第1条性质：
由于\(A\)为实对称阵，从而\(\bar A=A,A^T=A\)
\[Ax=\lambda x\]

两边同取共轭：

\[\bar A \bar x=\bar \lambda \bar x \]

两边同时转置：

\[\bar x^T\bar {A^T} =\bar \lambda \bar x^T \]

\[\bar x^T A =\bar \lambda \bar x^T \]

两边同时右乘\(x\)

\[\bar x^T Ax =\bar \lambda \bar x^T x \]

\[\lambda \bar x^T x =\bar \lambda \bar x^T x \]

其中，\(\|x\|^2=\bar x^T x\)，又特征向量模长不为0，从而左右同时除去\(\bar x^T x\)即可获得：

\[\bar\lambda=\lambda\]

分析第五条性质

国内线代教材已指出，可经过求出A的每一个特征值的特征向量，并对每一个特征值的\(n-r(\lambda_iI-A)\)个线性无关的特征向量施密特正交单位化后，获得n个相互正交的单位特征向量，将它们按列排列，便可获得正交阵P=\((q_1,\cdots,q_n)\)，\(q_i\)对应于\(\Lambda\)中第i个主对角元，其值为特征向量\(q_i\)对应的特征值

\[A=Q\Lambda Q^T=(q_1,\cdots,q_n)\mathrm{diag}(\lambda_1,\cdots,\lambda_n)(q_1,\cdots,q_n)^T \]

\[A=(q_1,\cdots,q_n)(\lambda_1q_1,\cdots,\lambda_nq_n)^T=\sum_{i=1}^n \lambda_iq_iq_i^T\]

正定矩阵

定义：正定矩阵是特殊的实对称矩阵，其全部特征值均大于0。\(x\neq 0\)时，对应的二次型\(x^TAx\)恒大于0

判断实对称阵是否正定的办法：

• 一、求出全部特征值，判断是否都大于0

• 二、n个K阶顺序主子式均大于0

• 三、经过倍加操做将A化为阶梯型矩阵U后，判断U的全部主元(必须有n个主元)是否所有大于0。更通常地，大于0的主元个数=大于0的特征值个数，小于的主元个数=小于0的特征值个数，

二十7、复数矩阵和快速傅里叶变换

复数向量的内积与模长

对于n维复数列向量\(x,y\in \mathbb{C}^n\)，其内积被定义为：

\[x\cdot y=\bar x^T y\]

定义\(\bar x^T=x^H\)(hermitian)，则：

\[x\cdot y=x^Hy\]

相应地，n维复数列向量\(x\in \mathbb{C}^n\)的模长被定义为：

\[\|x\|=\sqrt{x·x}=\sqrt{x^Hx}\]

复数矩阵、埃尔米特矩阵与酉矩阵

由复数构成的矩阵称为复数矩阵

相似以前的定义，也有

\[\bar A^T=A^H \]

对于复数方阵\(A\in \mathbb{C^{n\times n}}\)，若：

\[A^H=A \]

则称A为埃尔米特矩阵(Hermitian Matrix)，可见，埃尔米特矩阵中，与对角线对称的\(a_{i,j}=\bar a_{j,i}\)

若方阵\(A\)有\(A^HA=I\)，则称其为酉矩阵，对应于实矩阵里的正交矩阵。相似正交矩阵，在酉矩阵中，任意两个列向量是正交的，\(\alpha^H\beta=0\)，一样地，任意两个行向量也是正交的

快速傅里叶变换

傅里叶矩阵

\[F_n=\begin{pmatrix}1 & 1 & 1 & \cdots & 1\\ 1 & w & w^2 & \cdots & w^{n-1}\\ 1 & w^2 & w^4 & \cdots & w^{2(n-1)}\\ \vdots & \vdots & \vdots & \ddots & \vdots\\ 1 & w^{n-1} & w^{2(n-1)} & \cdots & w^{(n-1)^2} \end{pmatrix}_{n \times n}\]

其中，\((F_n)_{i,j}=w^{ij}\)，注意傅里叶矩阵的下标是从0开始的，即i,j=0,...,n-1

\(\{1,w,\cdots,w^{n-1}\}\)为n阶单位根，\(w^n=1,w=e^{i\frac {2\pi} n }=\cos(\frac {2\pi} n)+i\sin(\frac {2\pi} n)\)(欧拉公式)

傅里叶矩阵是酉矩阵，\(F_n^HF_n=I\)

给出n维列向量x，x的离散傅里叶变换(DFT)可表示为\(F_nx\)，离散傅里叶逆变换为\(F_n^{-1}x\)

正常状况下，这个乘法过程时间复杂度为\(O(n^2)\)

矩阵分解实现快速傅里叶变换

令\(D_n=\mathrm{diag}(1,w,\cdots,w^{n-1})\)，则：

\[F_{2n}= \begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n & 0\\0 & F_n\end{pmatrix}P_{2n}\]

其中P为奇偶置换阵，将奇数列(行)排在前面，而后将偶数列(行)排在后面。例如：

\[P_4=\begin{pmatrix} 1 &&&\\ &&1&\\ &1&&\\ &&&1 \end{pmatrix}\]

则

\[F_{2n}x= \begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n & 0\\0 & F_n\end{pmatrix}P_{2n}x\]

设\(P_{2n}x=(\alpha^T,\beta^T)^T\),其中\(\alpha,\beta\in \mathbb{R}^n\)

\[F_{2n}x= \begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n & 0\\0 & F_n\end{pmatrix}(P_{2n}x)\]

\[=\begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n & 0\\0 & F_n\end{pmatrix}\begin{pmatrix}\alpha\\ \beta\end{pmatrix}\]

\[=\begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n\alpha & 0\\0 & F_n\beta\end{pmatrix}\]

求解\(\begin{pmatrix}I & D_n\\I & -D_n\end{pmatrix} \begin{pmatrix}F_n\alpha & 0\\0 & F_n\beta\end{pmatrix}\)时，计算量最大的是计算\(F_n\alpha,F_n\beta\)，这两个计算完成后，其他的n阶矩阵乘法都是在\(O(n)\)时间内完成(由于I和D都是对角阵)

FFT的关键是用这种矩阵分解的方法，递归下去计算\(F_{n}\alpha,F_{n}\beta\)

设计算\(F_nx\)的时间复杂度是\(f(n)\)，则

\[f(2n)=f(n)+n\]

\[f(2n)=n+\frac n 2+\frac n 4+\cdots +1= O(nlogn)\]

二十7、正定矩阵和最小值

正定矩阵的定义和断定方法，在国内教材中都有，这里再也不赘述

正定二次型的几何意义

对于二次型\(f(x_1,x_2)=x^TAx\)而言，若A正定，则全部点\((x_1,x_2,f(x_1,x_2))\)在直角坐标系中构成了一个开口向上，过原点的碗型(代表当\(x_1,x_2\)不一样时为0时，二次型取值必定大于0)。

若在这个碗型，z轴为1处做一个平行于xoy面的平面，能够截得一个椭圆：\(ax_1^2+bx_1x_2+cx_2^2=1\)

Hessian矩阵与极小值断定

定义n元函数f的Hessian矩阵为

当\(H(f)\)正定时，\(f(x)\)在该点取得极小值

正定二次型与主轴定理

对于正定二次型\(x^TAx\)，\(x^TAx=1\)是一个椭圆形(x为三维向量则是椭球体)，\(A\)的n个线性无关的特征向量表明该几何图形(椭圆、椭球...)的n条主轴的方向，每一个特征向量对应的特征值是该主轴的长度

经过将二次型化为标准型\(x^T(P^TAP)x=1\)可使得该几何图形经过正交变换P，使得全部主轴与各个坐标系平行

将二次型先化为标准形，再化为规范形\(x^T(P^TAP)x=1\)，则可使得该几何图形经过线性变换P，变为标准的圆(球体,...)

二十9、类似矩阵与Jordan标准型

类似矩阵

对于方阵A,B，若存在可逆阵\(P\)使得\(P^{-1}AP=B\)，则\(A\sim B\)

注意，若方阵A,B中有一个不可对角化，则A,B有彻底相同的特征值也不能获得A和B类似。

只有当A,B有彻底相同的特征值，均可对角化为相同的\(\Lambda\)时，才能说A,B类似

Jordan标准型

设n阶方阵A有K个线性无关的特征向量\(x_1,\cdots,x_K\)，对应的特征值为\(\lambda_1,\cdots,\lambda_K\)，则必定存在可逆阵\(P\)使得

\[P^{-1}AP= \begin{pmatrix} J_1&&\\ &J_2&\\ &&\ddots\\ &&&J_K \end{pmatrix}=J\]

J称为A的Jordan标准型，其中\(J_i\)是一个Jordan块，为方阵，对应于K个线性无关的特征向量里的第i个，其中的\(\lambda_i\)是该特征向量对应的特征值:

\[J_i=\begin{pmatrix} \lambda_1&1&\\ &\lambda_2&1\\ &&\ddots&\ddots\\ &&&\lambda_{r_i} \end{pmatrix}\]

当K=n时，每一个Jordan块都是一阶的，J就是对角阵了

若J中对应\(\lambda_i\)的Jordan块有t个，则\(\dim V_{\lambda_i}=t\)

三10、奇异值分解

任意m*n矩阵A均可以经过奇异值分解(singularly valueable decomposition,SVD)被分解为：

\[A=U\Sigma V^T\]

其中，U是m阶正交阵，V是n阶正交阵，\(U=(u_1,\cdots,u_m)\),\(V=(v_1,\cdots,v_n)\)，\(\Sigma\)是\(m\times n\)对角阵

\((u_1,\cdots,u_m)\),\((v_1,\cdots,v_n)\)都是标准正交基，A矩阵可让n维空间\(C(v_1,\cdots,v_n)\)投射到r(A)维空间中，即，将一组标准正交基\((v_1,\cdots,v_n)\)投射到\((Av_1,\cdots,Av_n)\)，而\(\dim (AV)= r(A)\)

当\(i\neq j\)时，\(v_i\cdot v_j=v_i^Tv_j=0\)，若\(v_i\)为\(A^TA\)的单位化的特征向量，则

\[v_i^TA^TAv_j=v_i^T\lambda_jv_j=\lambda_jv_i^Tv_j=0\]

从而，

\[Av_i\cdot Av_j=(Av_i)^TAv_j=v_i^TA^TAv_j=0\]

代表新基是正交基，再将投射后的新的正交基单位化：

\[u_i=\frac {Av_i}{\|Av_i\|}=\frac {Av_i}{\sqrt{v_i^TA^TAv_i}}=\frac {Av_i}{\sqrt{\lambda_iv_i^Tv_i}}=\frac {Av_i}{\sqrt {\lambda_i}}\]

因此\(Av_i=\sigma_i u_i,\sigma_i=\sqrt {\lambda_i}\)，用矩阵表示：

\[AV=U \Sigma \]

当\(r(A)<n\)时，对A的\(v_1,\cdots,v_{r(A)}\)，用A的零空间的n-r(A)个基\(v_{r(A)+1},\cdots,v_n\)扩充成n个正交基

计算过程

\[(A^TA)_{n\times n}=V\Sigma^TU^TU\Sigma V^T=V\Sigma^T\Sigma V^T\]

\(r(A^TA)=r(A)\)。

对n阶对角阵\(A^TA\)用正交阵对角化，即可获得\(V=(v_1,\cdots,v_n)\)，约定，\(v_1,\cdots,v_{r(A)}\)对应的特征值非零，对角阵\(\Lambda=\Sigma^T\Sigma=\mathrm{diag}(\lambda_1,\cdots,\lambda_{r(A)},0,\cdots,0)\)

从而\(\lambda_i=\sigma_i^2,\sigma_i=\sqrt {\lambda_i}\)被称为奇异值，因为\(\Lambda\)有r(A)个非零元素，所以奇异值有r(A)个

\[\Sigma= \begin{pmatrix} \sigma_1\\ & \ddots\\ && \sigma_{r(A)}\\ &&& 0 \end{pmatrix}_{m\times n}\]

\[(AA^T)_{m\times m}=U\Sigma V^TV\Sigma^T U^T=U\Sigma \Sigma^T U^T\]

对\(AA^T\)用正交阵对角化，获得\(U=(u_1,\cdots,u_m)\)，这里\(\Lambda=\Sigma\Sigma^T=\mathrm{diag}(\lambda_1,\cdots,\lambda_{r(A)},0,\cdots,0)\)

当\(\lambda_i\neq 0\)时\(u_i\)对应的\(\lambda_i\)应该与\(v_i\)对应的\(\lambda_i\)一致

SVD分解

\[A=U\Sigma V^T=(u_1,\cdots,u_m) \begin{pmatrix} \sigma_1\\ & \ddots\\ && \sigma_{r(A)}\\ &&& 0 \end{pmatrix}_{m\times n} \begin{pmatrix} v_1^T\\ \vdots\\ v_n^T \end{pmatrix} \]
\[ =(u_1,\cdots,u_m) \begin{pmatrix} \sigma_1v_1^T\\ \vdots\\ \sigma_{r(A)}v_{r(A)}^T\\ 0\\ \vdots\\ 0 \end{pmatrix} \]

\[ =\sum_{i=1}^{r(A)}\sigma_iu_iv_i^T \]

从而将矩阵分解成了r(A)个秩1矩阵之和，每一个秩1矩阵能够用一个奇异值\(\sigma_i\)、两个向量\(u_i,v_i\)表示。若这里保留奇异值最大的前k个\(\sigma_i,u_i,v_i\)，则能够进一步压缩这个矩阵