运用谱分解定理反求实对称矩阵
文章目录
- 谱分解定理
- 定理的运用
谱分解定理
设三阶实对称矩阵 A A A,若矩阵 A A A 的特征值为 λ 1 , λ 2 , λ 3 \lambda_1,\lambda_2,\lambda_3 λ1,λ2,λ3,对应的单位化特征向量分别为 α 1 , α 2 , α 3 \alpha_1,\alpha_2,\alpha_3 α1,α2,α3 且两两正交,则 A = λ 1 α 1 α 1 T + λ 2 α 2 α 2 T + λ 3 α 3 α 3 T A = \lambda_1 \alpha_1 \alpha_1^{\mathrm{T}} + \lambda_2 \alpha_2 \alpha_2^{\mathrm{T}} + \lambda_3 \alpha_3 \alpha_3^{\mathrm{T}} A=λ1α1α1T+λ2α2α2T+λ3α3α3T。
【注 1】在考研范围内,只适用于实对称矩阵。
【注 2】特征向量必须两两正交且单位化!
证明:三阶实对称矩阵 A A A 可相似对角化,存在正交矩阵 Q = ( α 1 , α 2 , α 3 ) Q=(\alpha_1,\alpha_2,\alpha_3) Q=(α1,α2,α3),使得 Q T A Q = Λ = [ λ 1 λ 2 λ 3 ] Q^{\mathrm{T}}AQ = \Lambda = \begin{bmatrix} \lambda_1 & & \\ & \lambda_2 & \\ & & \lambda_3 \end{bmatrix} QTAQ=Λ= λ1λ2λ3 。
所以有: A = ( α 1 , α 2 , α 3 ) [ λ 1 λ 2 λ 3 ] [ α 1 T α 2 T α 3 T ] = λ 1 α 1 α 1 T + λ 2 α 2 α 2 T + λ 3 α 3 α 3 T A = (\alpha_1,\alpha_2,\alpha_3) \begin{bmatrix} \lambda_1 & & \\ & \lambda_2 & \\ & & \lambda_3 \end{bmatrix} \begin{bmatrix} \alpha_1^{\mathrm{T}} \\ \alpha_2^{\mathrm{T}} \\ \alpha_3^{\mathrm{T}} \end{bmatrix} = \lambda_1 \alpha_1 \alpha_1^{\mathrm{T}} + \lambda_2 \alpha_2 \alpha_2^{\mathrm{T}} + \lambda_3 \alpha_3 \alpha_3^{\mathrm{T}} A=(α1,α2,α3) λ1λ2λ3 α1Tα2Tα3T =λ1α1α1T+λ2α2α2T+λ3α3α3T。
定理的运用
什么时候运用谱分解定理最方便?
(1)当特征值出现 0 0 0 时,运用定理可减少计算量(参见解法一);
(2)当特征值出现二重根 k k k 时,可先运用定理计算出具体的 A − k E A-kE A−kE,再算出实对称矩阵 A A A(参见解法二);
(3)运用该定理甚至不需要求出所有的特征向量!
【例】设 3 3 3 阶实对称矩阵 A A A 的秩为 2 2 2, λ 1 = λ 2 = 6 \lambda_1=\lambda_2=6 λ1=λ2=6 是 A A A 的二重特征值,若 α 1 = ( 1 , 1 , 0 ) T , α 2 = ( 2 , 1 , 1 ) T , α 3 = ( − 1 , 2 , − 3 ) T \alpha_1=(1,1,0)^{\mathrm{T}},\alpha_2=(2,1,1)^{\mathrm{T}},\alpha_3=(-1,2,-3)^{\mathrm{T}} α1=(1,1,0)T,α2=(2,1,1)T,α3=(−1,2,−3)T,都是 A A A 属于特征值 6 6 6 的特征向量,求矩阵 A A A。
【解法一】由 r ( A ) = 2 r(A)=2 r(A)=2 可得特征值 λ 1 = λ 2 = 6 , λ 3 = 0 \lambda_1=\lambda_2=6, \lambda_3=0 λ1=λ2=6,λ3=0,将 α 1 = ( 1 , 1 , 0 ) T , α 2 = ( 2 , 1 , 1 ) T \alpha_1=(1,1,0)^{\mathrm{T}},\alpha_2=(2,1,1)^{\mathrm{T}} α1=(1,1,0)T,α2=(2,1,1)T 进行单位正交化得: ξ 1 = 1 2 ( 1 , 1 , 0 ) T , ξ 2 = 1 6 ( 1 , − 1 , 2 ) T \xi_1 = \frac{1}{\sqrt{2}} (1,1,0)^{\mathrm{T}},\xi_2 = \frac{1}{\sqrt{6}}(1,-1,2)^{\mathrm{T}} ξ1=21(1,1,0)T,ξ2=61(1,−1,2)T。
运用谱分解定理:
A = λ 1 ξ 1 ξ 1 T + λ 2 ξ 2 ξ 2 T = 3 ξ 1 ξ 1 T + ξ 2 ξ 2 T = 3 [ 1 1 0 ] ( 1 , 1 , 0 ) + [ 1 − 1 2 ] ( 1 , − 1 , 2 ) = [ 4 2 2 2 4 − 2 2 − 2 4 ] \begin{aligned} A &= \lambda_1 \xi_1 \xi_1^{\mathrm{T}} + \lambda_2 \xi_2 \xi_2^{\mathrm{T}} \\ &= 3 \xi_1 \xi_1^{\mathrm{T}} + \xi_2 \xi_2^{\mathrm{T}} \\ &= 3 \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix} (1,1,0) + \begin{bmatrix} 1 \\ -1 \\ 2 \end{bmatrix} (1,-1,2) \\ &= \begin{bmatrix} 4 & 2 & 2 \\ 2 & 4 & -2 \\ 2 & -2 & 4 \end{bmatrix} \end{aligned} A=λ1ξ1ξ1T+λ2ξ2ξ2T=3ξ1ξ1T+ξ2ξ2T=3 110 (1,1,0)+ 1−12 (1,−1,2)= 42224−22−24
【解法二】先求出 A A A 的另一特征值和对应的特征向量 λ 3 = 0 , α 3 = ( − 1 , 1 , 1 ) T \lambda_3=0,\alpha_3=(-1,1,1)^{\mathrm{T}} λ3=0,α3=(−1,1,1)T,进行单位正交化: ξ 3 = 1 3 ( − 1 , 1 , 1 ) T \xi_3=\frac{1}{\sqrt{3}}(-1,1,1)^{\mathrm{T}} ξ3=31(−1,1,1)T。
由于 A A A 的特征值为 λ 1 = λ 2 = 6 , λ 3 = 0 \lambda_1=\lambda_2=6, \lambda_3=0 λ1=λ2=6,λ3=0,所以 A − 6 E A-6E A−6E 的特征值为 λ 1 = λ 2 = 0 , λ 3 = − 6 \lambda_1=\lambda_2=0, \lambda_3=-6 λ1=λ2=0,λ3=−6,注意到其对应的特征向量仍然不变,因此可以先求出 A − 6 E A-6E A−6E,运用谱分解定理:
A − 6 E = λ 3 ξ 3 ξ 3 T = − 2 [ − 1 1 1 ] ( − 1 , 1 , 1 ) = [ − 2 2 2 2 − 2 − 2 2 − 2 − 2 ] \begin{aligned} A-6E &= \lambda_3 \xi_3 \xi_3^{\mathrm{T}} \\ &= -2 \begin{bmatrix} -1 \\ 1 \\ 1 \end{bmatrix} (-1,1,1) \\ &= \begin{bmatrix} -2 & 2 & 2 \\ 2 & -2 & -2 \\ 2 & -2 & -2 \end{bmatrix} \end{aligned} A−6E=λ3ξ3ξ3T=−2 −111 (−1,1,1)= −2222−2−22−2−2
所以有:
A = ( A − 6 E ) + 6 E = [ − 2 2 2 2 − 2 − 2 2 − 2 − 2 ] + [ 6 6 6 ] = [ 4 2 2 2 4 − 2 2 − 2 4 ] \begin{aligned} A &= (A-6E) + 6E \\ &= \begin{bmatrix} -2 & 2 & 2 \\ 2 & -2 & -2 \\ 2 & -2 & -2 \end{bmatrix} + \begin{bmatrix} 6 & & \\ & 6 & \\ & & 6 \end{bmatrix} \\ &= \begin{bmatrix} 4 & 2 & 2 \\ 2 & 4 & -2 \\ 2 & -2 & 4 \end{bmatrix} \end{aligned} A=(A−6E)+6E= −2222−2−22−2−2 + 666 = 42224−22−24
相关文章:
运用谱分解定理反求实对称矩阵
文章目录 谱分解定理定理的运用 谱分解定理 设三阶实对称矩阵 A A A,若矩阵 A A A 的特征值为 λ 1 , λ 2 , λ 3 \lambda_1,\lambda_2,\lambda_3 λ1,λ2,λ3,对应的单位化特征向量分别为 α 1 , α 2 , α 3 \alpha_1,\alpha_2,\alpha_3 α…...
Qt——Qt工作原理:事件驱动、信号与槽机制
Qt工作原理:事件驱动、信号与槽机制 Qt作为一个现代的GUI(图形用户界面)框架,采用了事件驱动的编程范式,并引入了信号与槽机制,以实现高度交互和松耦合的程序设计。下面详细解释了相关概念,以及…...
find ./* -type d -empty -exec touch {}/.gitkeep \;
这是一个 Linux 下的 find 命令,用于在所有空目录中创建 .gitkeep 文件。让我们来分解一下这个命令做了什么:- find ./* : 在当前目录及其子目录中查找。 -type d : 只查找目录类型的文件。 -empty : 只找出那些空的目…...
计算机行业前景展望
计算机行业的前景展望是非常广阔的。随着技术的快速发展和应用领域的不断拓展,计算机行业将继续扮演着重要的角色。以下是一些计算机行业前景的关键方面: 人工智能(AI)和机器学习(ML):AI和ML技术…...
TCP/UDP原理
文章目录 一、端口1. 端口的定义和作用2.服务端和客户端的区别3.常见的知名端口号有 二、TCP的原理1.TCP头部封装格式2.TCP可靠性机制三次握手确认机制四次挥手RST结束连接窗口机制 3.完整性校验4.TCP特征5.TCP的适用场景 三、UDP的原理1.UDP头部封装格式2.UDP特征3.UDP的适用场…...
操作符算数转换题
目录 1.交换两个变量(不创建临时变量) 2.统计二进制中1的个数 3.打印整数二进制的奇数位和偶数位 4.求两个数二进制中不同位的个数 5.【一维数组】有序序列合并 6.获得月份天数 7.变种水仙花数 8.选择题总结tips 这篇博文主要分享操作符&算…...
Centos7 安装 Docker
2年前写过一篇安装Docker的文档记录,当时安装有些麻烦,现在安装docker就非常容易了,而且安装完docker,自动也安装了docker compose,不用再去执行指令单独安装docker compose了,所以现在再记录一下ÿ…...
Java虚拟机内部组成
1、栈区 public class Math {public int compute(){//一个方法对应一块栈帧内存区域int a l;int b 2;int c (a b)*10;return c; } public static void main(String[] args){Math math new, Math() ;math.compute() ;System.out.println("test");}} 栈是先进后出…...
python遍历文件夹下的所有子文件夹,并将指定的文件复制到指定目录
python遍历文件夹下的所有子文件夹,并将指定的文件复制到指定目录 需求复制单个文件夹遍历所有子文件夹中的文件,并复制代码封装 需求 在1文件夹中有1,2两个文件夹 将这两个文件夹中的文件复制到 after_copy中 复制单个文件夹 # coding: ut…...
[golang 流媒体在线直播系统] 1.直播的简单介绍以及借助腾讯云直播实现在线直播
一.直播的简单介绍 1.介绍 直播,应该不陌生,有电视直播、网络主播、游戏直播、体育直播、在线教育直播等等,那么要实现在线直播的话就 必须要有 “ 流媒体在线直播服务器 ”. “流媒体在线直播服务器 ”不仅可以 实现游戏、赛事、电商、媒体、教育等行业的直播, 还可以实现 …...
C# 中操作集合的方法
Add:向集合中添加元素。 List<int> numbers new List<int>(){ 1, 2, 3 }; numbers.Add(4); // numbers 现在为 { 1, 2, 3, 4 }Remove:从集合中移除指定的元素。 List<int> numbers new List<int>(){ 1, 2, 3, 4 }; numbers.Re…...
pytorch学习(8)——现有网络模型的使用以及修改
1 vgg16模型 1.1 vgg16模型的下载 采用torchvision中的vgg16模型,能够实现1000个类型的图像分类,VGG模型在AlexNet的基础上使用3*3小卷积核,增加网络深度,具有很好的泛化能力。 首先下载vgg16模型,python代码如下&…...
get和post请求的区别
GET和POST是HTTP请求的两种方法,其区别如下 ① GET请求表示从指定的服务器中获取数据(请求数据),比如查询用户信息;POST请求表示将数据提交到指定的服务器进行处理(发送数据), ② GET请求是一个幂等的请求,一般用于对服务器资源不会产生影响的场景,比如说请求一个网友的…...
extern “C”关键字的作用
目录 概述C和C在函数调用和变量命名等方面的差异示例总结 概述 extern "C"是用于在C中声明使用C语言编写的函数和变量的关键字。C和C在函数调用和变量命名等方面存在一些差异,为了在C代码中正确地使用C语言的函数和变量,需要使用extern "…...
使用ffmpeg截取视频片段
本文将介绍2中使用ffmpeg截取视频的方法 指定截取视频的 开始时间 和 结束时间,进行视频截取指定截取视频的 开始时间 和 截取的秒数,进行视频截取 两种截取方式的命令行如下 截取某一时间段视频 优先使用 ffmpeg -i ./input.mp4 -c:v libx264 -crf…...
Python教程(11)——Python中的字典dict的用法介绍
dict的用法介绍 创建字典访问字典修改字典删除字典字典的相关函数 列表虽然好,但是如果需要快速的数据查找,就必须进行需要遍历,也就是最坏情况需要遍历完一遍才能找到需要的那个数据,时间复杂度是O(n),显然这个速度是…...
三道dfs题
一:1114. 棋盘问题 - AcWing题库 分别枚举行和列,能填的地方就填,dfs就行 #include <iostream> using namespace std;const int N 10; char g[N][N]; int n, k; int res; bool st[N];void dfs(int u, int cnt) // u枚举行 {if(cnt …...
Seaborn数据可视化(四)
目录 1.绘制箱线图 2.绘制小提琴图 3.绘制多面板图 4.绘制等高线图 5.绘制热力图 1.绘制箱线图 import seaborn as sns import matplotlib.pyplot as plt # 加载示例数据(例如,使用seaborn自带的数据集) tips sns.load_dataset("t…...
kubernetes deploy standalone mysql demo
kubernetes 集群内部署 单节点 mysql ansible all -m shell -a "mkdir -p /mnt/mysql/data"cat mysql-pv-pvc.yaml apiVersion: v1 kind: PersistentVolume metadata:name: mysql-pv-volumelabels:type: local spec:storageClassName: manualcapacity:storage: 5Gi…...
【Map】Map集合有序与无序测试案例:HashMap,TreeMap,LinkedHashMap(121)
简单介绍常用的三种Map:不足之处,欢迎指正! HashMap:put数据是无序的; TreeMap:key值按一定的顺序排序;数字做key,put数据是有序,非数字字符串做key,put数据…...
Java如何权衡是使用无序的数组还是有序的数组
在 Java 中,选择有序数组还是无序数组取决于具体场景的性能需求与操作特点。以下是关键权衡因素及决策指南: ⚖️ 核心权衡维度 维度有序数组无序数组查询性能二分查找 O(log n) ✅线性扫描 O(n) ❌插入/删除需移位维护顺序 O(n) ❌直接操作尾部 O(1) ✅内存开销与无序数组相…...
从零开始打造 OpenSTLinux 6.6 Yocto 系统(基于STM32CubeMX)(九)
设备树移植 和uboot设备树修改的内容同步到kernel将设备树stm32mp157d-stm32mp157daa1-mx.dts复制到内核源码目录下 源码修改及编译 修改arch/arm/boot/dts/st/Makefile,新增设备树编译 stm32mp157f-ev1-m4-examples.dtb \stm32mp157d-stm32mp157daa1-mx.dtb修改…...
【Web 进阶篇】优雅的接口设计:统一响应、全局异常处理与参数校验
系列回顾: 在上一篇中,我们成功地为应用集成了数据库,并使用 Spring Data JPA 实现了基本的 CRUD API。我们的应用现在能“记忆”数据了!但是,如果你仔细审视那些 API,会发现它们还很“粗糙”:有…...
【git】把本地更改提交远程新分支feature_g
创建并切换新分支 git checkout -b feature_g 添加并提交更改 git add . git commit -m “实现图片上传功能” 推送到远程 git push -u origin feature_g...
拉力测试cuda pytorch 把 4070显卡拉满
import torch import timedef stress_test_gpu(matrix_size16384, duration300):"""对GPU进行压力测试,通过持续的矩阵乘法来最大化GPU利用率参数:matrix_size: 矩阵维度大小,增大可提高计算复杂度duration: 测试持续时间(秒&…...
C++八股 —— 单例模式
文章目录 1. 基本概念2. 设计要点3. 实现方式4. 详解懒汉模式 1. 基本概念 线程安全(Thread Safety) 线程安全是指在多线程环境下,某个函数、类或代码片段能够被多个线程同时调用时,仍能保证数据的一致性和逻辑的正确性…...
服务器--宝塔命令
一、宝塔面板安装命令 ⚠️ 必须使用 root 用户 或 sudo 权限执行! sudo su - 1. CentOS 系统: yum install -y wget && wget -O install.sh http://download.bt.cn/install/install_6.0.sh && sh install.sh2. Ubuntu / Debian 系统…...
Fabric V2.5 通用溯源系统——增加图片上传与下载功能
fabric-trace项目在发布一年后,部署量已突破1000次,为支持更多场景,现新增支持图片信息上链,本文对图片上传、下载功能代码进行梳理,包含智能合约、后端、前端部分。 一、智能合约修改 为了增加图片信息上链溯源,需要对底层数据结构进行修改,在此对智能合约中的农产品数…...
Selenium常用函数介绍
目录 一,元素定位 1.1 cssSeector 1.2 xpath 二,操作测试对象 三,窗口 3.1 案例 3.2 窗口切换 3.3 窗口大小 3.4 屏幕截图 3.5 关闭窗口 四,弹窗 五,等待 六,导航 七,文件上传 …...
关于uniapp展示PDF的解决方案
在 UniApp 的 H5 环境中使用 pdf-vue3 组件可以实现完整的 PDF 预览功能。以下是详细实现步骤和注意事项: 一、安装依赖 安装 pdf-vue3 和 PDF.js 核心库: npm install pdf-vue3 pdfjs-dist二、基本使用示例 <template><view class"con…...
