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…...
DeepSeek-Coder-V2本地化部署指南:构建企业级代码智能助手
DeepSeek-Coder-V2本地化部署指南:构建企业级代码智能助手 【免费下载链接】DeepSeek-Coder-V2 DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence 项目地址: https://gitcode.com/GitHub_Trending/de/DeepSeek-Coder-V2 …...
城通网盘直连解析终极指南:3步实现高速免费下载
城通网盘直连解析终极指南:3步实现高速免费下载 【免费下载链接】ctfileGet 获取城通网盘一次性直连地址 项目地址: https://gitcode.com/gh_mirrors/ct/ctfileGet ctfileGet是一个专业的城通网盘直连地址解析工具,能够帮助用户绕过复杂的下载流程…...
FanControl终极指南:如何免费掌控电脑风扇,告别噪音困扰
FanControl终极指南:如何免费掌控电脑风扇,告别噪音困扰 【免费下载链接】FanControl.Releases This is the release repository for Fan Control, a highly customizable fan controlling software for Windows. 项目地址: https://gitcode.com/GitHu…...
5步搞定Jimeng LoRA测试台:Streamlit界面,LoRA版本智能排序
5步搞定Jimeng LoRA测试台:Streamlit界面,LoRA版本智能排序 1. 项目概述:轻量级LoRA测试系统 Jimeng LoRA测试台是一款专为模型开发者设计的轻量化文本生成图像系统。它基于Z-Image-Turbo文生图底座,实现了动态多版本LoRA热切换…...
阅读APP书源完全指南:3种快速导入方法与问题解决方案
阅读APP书源完全指南:3种快速导入方法与问题解决方案 【免费下载链接】Yuedu 📚「阅读」自用书源分享 项目地址: https://gitcode.com/gh_mirrors/yu/Yuedu 「阅读」APP书源开源项目为小说爱好者提供了一个强大的解决方案,让您能够在一…...
TCP连接关闭的艺术:从FIN优雅挥手到RST强制终结
1. TCP连接关闭的两种核心机制 想象一下你正在和朋友通电话,结束通话时有礼貌地说"再见"和直接挂断有什么区别?这就是TCP连接关闭的FIN与RST两种方式的本质区别。作为后端工程师,我在处理线上服务连接异常时,发现90%的问…...
【实时场景复原 】实时光照校正方法,可在沙尘、水下及雾霾等退化场景中复原清晰场景研究附Matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…...
利用NSGA-III算法优化随机森林模型超参数的实践与可视化展示:从理论到实现的全过程解析
利用NSGA-III算法优化机器学习模型 通过Optuna库实现机器学习模型超参数的优化与可视化,通过精心设计的目标函数,将搜索多个超参数空间,最终确定使模型性能最优的参数组合 为了更直观地展示调参过程,最后利用3D曲面图对调参效果进…...
DLSS Swapper完全指南:5步实现游戏性能自由切换
DLSS Swapper完全指南:5步实现游戏性能自由切换 【免费下载链接】dlss-swapper 项目地址: https://gitcode.com/GitHub_Trending/dl/dlss-swapper 你是否曾因游戏更新后DLSS版本不兼容导致帧率下降而烦恼?是否想要尝试新版本DLSS功能却发现手动替…...
