当前位置: 首页 > news >正文

图示矩阵分解

特征值与特征向量

A A A 是 n 阶矩阵,如果存在数 λ \lambda λ 和 n 维非零列向量 x x x,满足关系式:

A x = λ x ( 1 ) Ax = \lambda x\quad\quad(1) Ax=λx(1)

则数 λ \lambda λ 称为矩阵 A A A 的特征值,非零向量 x x x 称为矩阵 A A A 的特征向量.

关系式(1)推导得到 ( A − λ E ) x = 0 (A - \lambda E)x = 0 (AλE)x=0,存在非零解 x x x 的充分必要条件为系数行列式为零:

∣ A − λ E ∣ = 0 ( 2 ) |A-\lambda E| = 0\quad\quad(2) AλE=0(2)

上式是以 λ \lambda λ 为未知数的一元 n 次方程,称为矩阵 A A A 的特征方程。特征方程在复数范围内恒有解,解的个数为方程的次数(重根按重数计算),因此,n 阶矩阵 A A A 在复数范围内有 n 个特征值。

设 n 阶矩阵 A = ( a i j ) A = (a_{ij}) A=(aij) 的特征值为 λ 1 , λ 2 , . . . , λ n \lambda_1, \lambda_2,...,\lambda_n λ1,λ2,...,λn

  • ∑ i = 1 n λ i = ∑ i = 1 n a i i = t r ( A ) \sum_{i=1}^n\lambda_i = \sum_{i=1}^na_{ii} = tr(A) i=1nλi=i=1naii=tr(A)
  • ∏ i = 1 n λ i = ∣ A ∣ \prod_{i=1}^n\lambda_i = |A| i=1nλi=A
  • A 可逆的充分必要条件是 n 个特征值全不为零

有如下性质:

  • λ \lambda λ 是方阵 A A A 的特征值,则 λ 2 \lambda^2 λ2 A 2 A^2 A2 的特征值;当 A A A 可逆时, 1 / λ 1/\lambda 1/λ A − 1 A^{-1} A1的特征值.

A , B A,B AB 都是 n 阶矩阵,若有可逆矩阵 P P P ,使:

P − 1 A P = B P^{-1}AP = B P1AP=B

则称 B 是 A 的相似矩阵。 P − 1 A P P^{-1}AP P1AP 称为 A 的相似变换。

定理:相似矩阵的特征值相同.

对于 n 阶矩阵 A , 若存在矩阵 P 满足 P − 1 A P = Λ P^{-1}AP =\Lambda P1AP=Λ,则称矩阵 A 可对角化。

定理:一个 n 阶方阵 A 如果有 n 个不同的特征值,那么对应的 n 个特征向量互相线性独立

定理:任何 n 阶对称矩阵都有 n 个独立且正交的特征向量

图解特征值的含义:

A特征值&特征向量xAx
[ 0.5 1 0 2 ] \begin{bmatrix} 0.5 & 1 \\ 0 & 2 \end{bmatrix} [0.5012] λ 1 = 0.5 , p 1 = [ 1 , 0 ] T λ 2 = 2 , p 2 = [ 0 , 1 ] T \lambda_1 = 0.5, p_1 = [1, 0]^T \\ \lambda_2= 2, p_2 = [0, 1]^T λ1=0.5,p1=[1,0]Tλ2=2,p2=[0,1]T请添加图片描述请添加图片描述
[ 1 − 1 − 1 1 ] \begin{bmatrix} 1 & -1 \\ -1 & 1 \end{bmatrix} [1111] λ 1 = 0 , p 1 = [ 1 , 1 ] T λ 2 = 2 , p 2 = [ − 1 , 1 ] T \lambda_1 = 0, p_1 = [1, 1]^T \\ \lambda_2= 2, p_2 = [-1, 1]^T λ1=0,p1=[1,1]Tλ2=2,p2=[1,1]T请添加图片描述请添加图片描述
[ 3 − 1 − 1 3 ] \begin{bmatrix} 3 & -1 \\ -1 & 3 \end{bmatrix} [3113] λ 1 = 2 , p 1 = [ 1 , 1 ] T λ 2 = 4 , p 2 = [ − 1 , 1 ] T \lambda_1 = 2, p_1 = [1, 1]^T \\ \lambda_2= 4, p_2 = [-1, 1]^T λ1=2,p1=[1,1]Tλ2=4,p2=[1,1]T请添加图片描述请添加图片描述
Cholesky 分解(Cholesky Decomposition)

把一个对称正定的矩阵表示成一个下三角矩阵 L 与其转置的乘积的形式。

A = L L T A = LL^T A=LLT

特征值分解(Eigen Decomposition)

对角化条件:当且仅当A满秩(有n个独立的特征向量)时,有 A = P − 1 D P A = P^{-1}DP A=P1DP,P 为A的特征矩阵组成的可逆矩阵,D是有A的特征值组成的对角矩阵。

任何对称矩阵都可以对角化:

S = P D P − 1 S = PDP^{-1} S=PDP1

其中 P 是由 n 个正交特征向量组成的矩阵,D 是有特征值组成的对角矩阵。

图解特征值分解:

S = P D P − 1 S=PDP^{-1} S=PDP1x P − 1 x P^{-1}x P1x D P − 1 x DP^{-1}x DP1x P D P − 1 x PDP^{-1}x PDP1x
[ 2 − 1 − 1 2 ] = \begin{bmatrix} 2 & -1 \\ -1 & 2 \end{bmatrix} = [2112]=
[ 1 1 1 − 1 ] [ 1 0 0 3 ] [ 1 2 1 2 1 2 − 1 2 ] \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix}\begin{bmatrix} 1 & 0 \\ 0 & 3 \end{bmatrix}\begin{bmatrix} \frac{1}{2} & \frac{1}{2} \\ \frac{1}{2} & -\frac{1}{2} \end{bmatrix} [1111][1003][21212121]
请添加图片描述请添加图片描述请添加图片描述请添加图片描述
奇异值分解(Singular Value Decomposition)

SVD定理:设矩阵 A m × n A^{m\times n} Am×n 的秩为 r ∈ ( 0 , m i n ( m , n ) ) r\in (0, min(m,n)) r(0,min(m,n)),矩阵 A 的奇异值分解形式如下

A = U Σ V T A = U\Sigma V^T A=UΣVT

其中 U ∈ R m × m , V ∈ R n × n U\in R^{m\times m},V\in R^{n\times n} URm×mVRn×n 是正交矩阵, Σ ∈ R m × n \Sigma\in R^{m\times n} ΣRm×n 满足 Σ i i = σ i ≥ 0 , Σ i j = 0 , i ≠ j \Sigma_{ii} = \sigma_i \ge 0, \Sigma_{ij} = 0, i\ne j Σii=σi0,Σij=0,i=j σ i \sigma_i σi称为奇异值。

图解奇异值分解:

A = U Σ V T A = U\Sigma V^T A=UΣVTx V T x V^Tx VTx Σ V T x \Sigma V^T x ΣVTx U Σ V T x U\Sigma V^T x UΣVTx
[ 1 1 1 1 0 0 ] = \begin{bmatrix} 1 & 1 \\ 1 & 1 \\ 0 & 0 \end{bmatrix} = 110110 =
[ 1 2 − 1 2 0 1 2 1 2 0 0 0 1 ] [ 2 0 0 0 0 0 ] [ 1 2 − 1 2 1 2 1 2 ] T \begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} & 0 \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} & 0 \\ 0 & 0 & 1 \end{bmatrix}\begin{bmatrix} 2 & 0 \\ 0 & 0 \\ 0 & 0 \end{bmatrix}\begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}^T 2 12 102 12 10001 200000 [2 12 12 12 1]T
请添加图片描述请添加图片描述请添加图片描述请添加图片描述
[ 0 1 1 1 1 0 ] = \begin{bmatrix} 0 & 1 \\ 1 & 1 \\ 1 & 0 \end{bmatrix} = 011110 =
[ 1 6 1 2 1 3 2 6 0 − 1 3 1 6 − 1 2 1 3 ] [ 3 0 0 1 0 0 ] [ 1 2 − 1 2 1 2 1 2 ] T \begin{bmatrix} \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \\ \frac{2}{\sqrt{6}} & 0 & -\frac{1}{\sqrt{3}} \\ \frac{1}{\sqrt{6}} & -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \end{bmatrix}\begin{bmatrix} \sqrt{3} & 0 \\ 0 & 1 \\ 0 & 0 \end{bmatrix}\begin{bmatrix} \frac{1}{\sqrt{2}} & -\frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{bmatrix}^T 6 16 26 12 102 13 13 13 1 3 00010 [2 12 12 12 1]T
请添加图片描述请添加图片描述请添加图片描述请添加图片描述

相关文章:

图示矩阵分解

特征值与特征向量 设 A A A 是 n 阶矩阵,如果存在数 λ \lambda λ 和 n 维非零列向量 x x x,满足关系式: A x λ x ( 1 ) Ax \lambda x\quad\quad(1) Axλx(1) 则数 λ \lambda λ 称为矩阵 A A A 的特征值,非零向量 x…...

六、互联网技术——数据存储

文章目录 一、存储系统层次结构二、按照重要性分类三、磁盘阵列RAID三、RAID基础四、磁盘阵列分级五、数据备份与恢复六、容灾与灾难恢复 一、存储系统层次结构 常见的三层存储体系结构如下图所示,分为高速缓冲存储器、主存储器和外存储器。 二、按照重要性分类 …...

六、vpp 流表+负载均衡

草稿!!! vpp node其实就是三个部分 1、plugin init 2、set command 3、function 实现功能,比如这里的流表 今天我们再用VPP实现一个流表的功能 一、流表 1.1流表----plugin init VLIB_REGISTER_NODE 注册流表节点 // 注册流…...

word已排序好的参考文献,插入新的参考文献,序号更新

原排序好的文献序号。 现在在3号后面插入一个新文献。4,5号应该成为5,6 这时在3号后面,回车,就会自动的增长。如下图: 但是如果手滑,把[4]删除了如何排序?? 如下图: …...

二叉树的顺序存储——堆——初识堆排序

前面我们学过可以把完全二叉树存入到顺序表中,然后利用完全二叉树的情缘关系,就可以通过数组下标来联系。 但是并不是把二叉树存入到数组中就是堆了,要看原原来的二叉树是否满足:所有的父都小于等于子,或者所有的父都…...

CYEZ 模拟赛 9

A a ⊥ b ⇒ a − b ⊥ a b (1) a \perp b \Rightarrow a-b \perp ab \tag {1} a⊥b⇒a−b⊥ab(1) 证明: gcd ⁡ ( a , b ) gcd ⁡ ( b , a − b ) \gcd(a,b) \gcd(b, a-b) gcd(a,b)gcd(b,a−b),故 a − b ⊥ b a - b \perp b a−b⊥b,同…...

typescript: Builder Pattern

/*** file: CarBuilderts.ts* TypeScript 实体类 Model* Builder Pattern* 生成器是一种创建型设计模式, 使你能够分步骤创建复杂对象。* https://stackoverflow.com/questions/12827266/get-and-set-in-typescript* https://github.com/Microsoft/TypeScript/wiki/…...

WPS/word 表格跨行如何续表、和表的名称

1:具体操作: 将光标定位在跨页部分的第一行任意位置,按下快捷键ctrlshiftenter,就可以在跨页的表格上方插入空行(在空行可以写,表1-3 xxxx(续)) 在空行中输入…...

Python的NumPy库(一)基础用法

NumPy库并不是Python的标准库,但其在机器学习、大数据等很多领域有非常广泛的应用,NumPy本身就有比较多的内容,全部的学习可能涉及许多的内容,但我们在这里仅学习常见的使用,这些内容对于我们日常使用NumPy是足够的。 …...

uniapp app 导出excel 表格

直接复制运行 <template><view><button click"tableToExcel">导出一个表来看</button><view>{{ successTip }}</view></view> </template><script>export default {data() {return {successTip: }},metho…...

【RabbitMQ】常用消息模型详解

文章目录 AMQP协议的回顾RabbitMQ支持的消息模型第一种模型(直连)开发生产者开发消费者生产者、消费者开发优化API参数细节 第二种模型(work quene)开发生产者开发消费者消息自动确认机制 第三种模型(fanout)开发生产者开发消费者 第四种模型(Routing)开发生产者开发消费者 第五…...

图像拼接后丢失数据,转tiff报错rasterfile failed: an unknown

图像拼接后丢失数据 不仅是数据丢失了&#xff0c;还有个未知原因报错 部分数据存在值不存在的情况 原因 处理遥感数据很容易&#xff0c;磁盘爆满了 解决方案 清理一些无用数据&#xff0c;准备买个2T的外接硬盘用着了。 然后重新做处理...

Nginx之日志模块解读

目录 基本介绍 配置指令 access_log&#xff08;访问日志&#xff09; error_log&#xff08; 错误日志&#xff09; 基本介绍 Nginx日志主要分为两种&#xff1a;access_log(访问日志)和error_log(错误日志)。Nginx日志主要记录以下信息&#xff1a; 记录Nginx服务启动…...

latex方程组编写,一种可以保证方程编号自适应的方法

问题描述&#xff1a; 在利用latex编写方程组时&#xff0c;可以有很多种方法&#xff0c;但不总是编辑好的公式能够显示出编号&#xff0c;故提出一种有效的方程组编写方法 方法&#xff1a; \begin{equation}X_{ t1}\left \{ \begin{matrix}\frac{x_{i}}{a} \quad\quad 0&l…...

深度学习基础 2D卷积(1)

什么是2D卷积 2D参数量怎么计算 以pytorch为例子&#xff0c;2D卷积在设置的时候具有以下参数&#xff0c;具有输入通道的多少&#xff08;这个决定了卷积核的通道数量&#xff09;&#xff0c;滤波器数量&#xff0c;这个是有多少个滤波器&#xff0c;越多提取的特征就越有用…...

OpenCV DNN C++ 使用 YOLO 模型推理

OpenCV DNN C 使用 YOLO 模型推理 引言 YOLO&#xff08;You Only Look Once&#xff09;是一种流行的目标检测算法&#xff0c;因其速度快和准确度高而被广泛应用。OpenCV 的 DNN&#xff08;Deep Neural Networks&#xff09;模块为我们提供了一个简单易用的 API&#xff0…...

第八章 Linux文件系统权限

目录 8.1 文件的一般权限 1.修改文件或目录的权限---chmod命令 2.对于文件和目录&#xff0c;r&#xff0c;w&#xff0c;x有不同的作用&#xff1a; 3.修改文件或目录的所属主和组---chown,chgrp 8.2 文件和目录的特殊权限 三种通过字符描述文件权限 8.3 ACL 权限 1.A…...

XXL-JOB源码梳理——一文理清XXL-JOB实现方案

分布式定时任务调度系统 流程分析 一个分布式定时任务&#xff0c;需要具备有以下几点功能&#xff1a; 核心功能&#xff1a;定时调度、任务管理、可观测日志高可用&#xff1a;集群、分片、失败处理高性能&#xff1a;分布式锁扩展功能&#xff1a;可视化运维、多语言、任…...

java做个qq机器人

前置的条件 机器人是基于mirai框架实现的。根据官方的文档&#xff0c;建议使用openjdk11。 我这里使用的编辑工具是idea2023 在idea中新建一个maven项目&#xff0c;虽然可以使用gradle进行构建&#xff0c;不过我这里由于网络问题没有跑通。 pom.xml <dependency>&l…...

前端 | AjaxAxios模块

文章目录 1. Ajax1.1 Ajax介绍1.2 Ajax作用1.3 同步异步1.4 原生Ajax 2. Axios2.1 Axios下载2.2 Axios基本使用2.3 Axios方法 1. Ajax 1.1 Ajax介绍 Ajax: 全称&#xff08;Asynchronous JavaScript And XML&#xff09;&#xff0c;异步的JavaScript和XML。 1.2 Ajax作用 …...

CVPR 2025 MIMO: 支持视觉指代和像素grounding 的医学视觉语言模型

CVPR 2025 | MIMO&#xff1a;支持视觉指代和像素对齐的医学视觉语言模型 论文信息 标题&#xff1a;MIMO: A medical vision language model with visual referring multimodal input and pixel grounding multimodal output作者&#xff1a;Yanyuan Chen, Dexuan Xu, Yu Hu…...

Mybatis逆向工程,动态创建实体类、条件扩展类、Mapper接口、Mapper.xml映射文件

今天呢&#xff0c;博主的学习进度也是步入了Java Mybatis 框架&#xff0c;目前正在逐步杨帆旗航。 那么接下来就给大家出一期有关 Mybatis 逆向工程的教学&#xff0c;希望能对大家有所帮助&#xff0c;也特别欢迎大家指点不足之处&#xff0c;小生很乐意接受正确的建议&…...

Linux简单的操作

ls ls 查看当前目录 ll 查看详细内容 ls -a 查看所有的内容 ls --help 查看方法文档 pwd pwd 查看当前路径 cd cd 转路径 cd .. 转上一级路径 cd 名 转换路径 …...

1.3 VSCode安装与环境配置

进入网址Visual Studio Code - Code Editing. Redefined下载.deb文件&#xff0c;然后打开终端&#xff0c;进入下载文件夹&#xff0c;键入命令 sudo dpkg -i code_1.100.3-1748872405_amd64.deb 在终端键入命令code即启动vscode 需要安装插件列表 1.Chinese简化 2.ros …...

vue3 定时器-定义全局方法 vue+ts

1.创建ts文件 路径&#xff1a;src/utils/timer.ts 完整代码&#xff1a; import { onUnmounted } from vuetype TimerCallback (...args: any[]) > voidexport function useGlobalTimer() {const timers: Map<number, NodeJS.Timeout> new Map()// 创建定时器con…...

NLP学习路线图(二十三):长短期记忆网络(LSTM)

在自然语言处理(NLP)领域,我们时刻面临着处理序列数据的核心挑战。无论是理解句子的结构、分析文本的情感,还是实现语言的翻译,都需要模型能够捕捉词语之间依时序产生的复杂依赖关系。传统的神经网络结构在处理这种序列依赖时显得力不从心,而循环神经网络(RNN) 曾被视为…...

代理篇12|深入理解 Vite中的Proxy接口代理配置

在前端开发中,常常会遇到 跨域请求接口 的情况。为了解决这个问题,Vite 和 Webpack 都提供了 proxy 代理功能,用于将本地开发请求转发到后端服务器。 什么是代理(proxy)? 代理是在开发过程中,前端项目通过开发服务器,将指定的请求“转发”到真实的后端服务器,从而绕…...

rnn判断string中第一次出现a的下标

# coding:utf8 import torch import torch.nn as nn import numpy as np import random import json""" 基于pytorch的网络编写 实现一个RNN网络完成多分类任务 判断字符 a 第一次出现在字符串中的位置 """class TorchModel(nn.Module):def __in…...

高效线程安全的单例模式:Python 中的懒加载与自定义初始化参数

高效线程安全的单例模式:Python 中的懒加载与自定义初始化参数 在软件开发中,单例模式(Singleton Pattern)是一种常见的设计模式,确保一个类仅有一个实例,并提供一个全局访问点。在多线程环境下,实现单例模式时需要注意线程安全问题,以防止多个线程同时创建实例,导致…...

在Mathematica中实现Newton-Raphson迭代的收敛时间算法(一般三次多项式)

考察一般的三次多项式&#xff0c;以r为参数&#xff1a; p[z_, r_] : z^3 (r - 1) z - r; roots[r_] : z /. Solve[p[z, r] 0, z]&#xff1b; 此多项式的根为&#xff1a; 尽管看起来这个多项式是特殊的&#xff0c;其实一般的三次多项式都是可以通过线性变换化为这个形式…...