循环矩阵傅里叶对角化

本文详细介绍了循环矩阵的基本概念及其与傅里叶变换之间的密切联系,包括如何使用傅里叶变换对循环矩阵进行对角化,并展示了这种对角化在实际应用中的重要意义。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参考:http://blog.youkuaiyun.com/shenxiaolu1984/article/details/50884830

All circulant matrices are made diagonal by the Discrete Fourier Transform (DFT), regardless of the generating vector x.

任意循环矩阵可以被傅里叶变换矩阵对角化。

diag就是对角化。

文献中,一般用如下方式表达这一概念:

X=C(x)=Fdiag(x^)FH

其中 X 是循环矩阵, x^ 是原向量 x 的傅里叶变换, F 是傅里叶变换矩阵,上标H表示共轭转置: XH=(X)T
换句话说, X 相似于对角阵, X 的特征值是 x^ 的元素。

另一方面,如果一个矩阵能够表示成两个傅里叶矩阵加一个对角阵的乘积形式,则它是一个循环矩阵。其生成向量是对角元素的傅里叶逆变换:

Fdiag(y)FH=C(F1(y))

这个公式初看疑问很多,以下一一讨论。

X 是什么?

X 是由原向量 x 生成的循环矩阵。以矩阵尺寸 K=4 为例。

X=C(x)=x1x4x3x2x2x1x4x3x3x2x1x4x4x3x2x1

F 是什么?

F 是离散傅里叶矩阵(DFT matrix),可以用一个复数 ω=e2πi/K 表示,其中 K 为方阵 F 的尺寸。以 K=4 为例。

F=1K11111ωω2ω31ω2ω4ω61ω3ω6ω9

ω 想象成一个角度为 2π/K 的向量,这个矩阵的每一行是这个向量在不断旋转。从上到下,旋转速度越来越快。

之所以称为DFT matrix,是因为一个信号的DFT变换可以用此矩阵的乘积获得:

x^=DFT(x)=KFx

反傅里叶变换也可以通过类似手段得到:

x=1KF1x^

傅里叶矩阵有许多性质:
- 是对称矩阵,观察 ω 的规律即可知;
- 满足 FHF=FFH=I ,也就是说它是个酉矩阵(unitary)。可以通过将 FH 展开成 ωH 验证。

注意: F 是常数,可以提前计算好,和要处理的 x 无关。

对角化怎么理解?

把原公式两边乘以逆矩阵:

F1X(FH)1=diag(x^)

利用前述酉矩阵性质:
=FHXF=diag(x^)

也就是说,矩阵 X 通过相似变换 F 变成对角阵 diag(x^) ,即对循环矩阵 X 进行对角化。
另外, FHXF 是矩阵 X 的2D DFT变换。即傅里叶变换可以把循环矩阵对角化。

怎么证明?

可以用构造特征值和特征向量的方法证明(参看这篇论文1的3.1节),此处简单描述。
考察待证明等式的第k列:

Xfk=x^kfk

其中 fk 表示DFT矩阵的第k列, x^k 表示傅里叶变换的第k个元素。等价于求证: fk x^k X 的一对特征向量和特征值。

左边向量的第i个元素为: lefti=[xi,fk] xi 表示把生成向量 x 向右移动i位, [] 表示内积。
内积只和两个向量的相对位移有关,所以可以把 fk 向左移动i位: lefti=[x,fik]
DFT矩阵列的移位可以通过数乘 ω 的幂实现: fik=f0ωik

举例: K=3

F=1K1111ωω21ω2ω4

利用 ωN=1 .

f1ω=[1,ω,ω2]ω=[ω,ω2,ω3]=[ω,ω2,1]=f11

f1ω2=[1,ω,ω2]ω2=[ω2,ω3,ω4]=[ω2,1,ω]=f21

于是有:

lefti=[x,fkωik]=[x,fk]ωik

右边的 x^=Fx ,考虑到 F 的第k行和第k列相同, x^k=[fk,x] 。另外 fk 的第i个元素为 ωik

righti=x^kfki=[fk,x]ωki

对任意k列的第i个元素有: lefti=righti

更多性质

利用对角化,能推导出循环矩阵的许多性质。

转置

循环矩阵的转置也是一个循环矩阵(可以查看循环矩阵各元素排列证明),其特征值和原特征值共轭。

XT=Fdiag((x^))FH

可以通过如下方式证明:
XT=(FH)Tdiag(x^)FT

由于 F 是对称酉矩阵,且已知 X 是实矩阵:
XT=Fdiag(x^)F=(Fdiag(x^)F)=Fdiag((x^))FH

如果原生成向量 x 是对称向量(例如[1,2,3,4,3,2]),则其傅里叶变换为实数,则:

XT=C(F1(x^))=C(x)

卷积

循环矩阵乘向量等价于生成向量的逆序和该向量卷积,可进一步转化为福利也变化相乘。
注意卷积本身即包含逆序操作,另外利用了信号与系统中经典的“时域卷积,频域相乘”。

F(Xy)=F(C(x)y)=F(x¯y)=F(x)F(y)

其中 x¯ 表示把 x 的元素倒序排列。星号表示共轭。

相乘

C,B 为循环矩阵,其乘积的特征值等于特征值的乘积:

AB=Fdiag(a^)FHFdiag(b^)FH

=Fdiag(a^)diag(b^)FH=Fdiag(a^b^)FH

=C(F1(a^b^))

乘积也是循环矩阵,其生成向量是原生成向量对位相乘的傅里叶逆变换。

相加

和的特征值等于特征值的和:

A+B=Fdiag(a^)FH+Fdiag(b^)FH=Fdiag(a^+b^)FH

=C(F1(a^+b^))=C(F1(a^)+F1(b^))=C(a+b)

和也是循环矩阵,其生成向量是原生成向量的和。

求逆

循环矩阵的逆,等价于将其特征值求逆。

X1=Fdiag(x^)1FH=C(F1(diag(x^)1))

对角阵求逆等价于对角元素求逆。以下证明:
Fdiag(x^)1FHFdiag(x^)FH

=Fdiag(x^)1diag(x^)FH=FFH=I

逆也是循环矩阵

有什么用?

该性质可以将循环矩阵的许多运算转换成更简单的运算。例如:

XHX=Fdiag(x^x^)FH=C(F1(x^x^))

原始计算量:两个方阵相乘( O(K3)
转化后的计算量:反向傅里叶( KlogK )+向量点乘( K )。

CV的许多算法中,都利用了这些性质提高运算速度,例如2015年TPAMI的这篇高速跟踪KCF方法2

二维情况

以上探讨的都是原始信号为一维的情况。以下证明二维情况下的 FHXF=diag(x^) ,推导方法和一维类似。

x 是二维生成矩阵,尺寸 N×N
X 是一个 N2×N2 的分块循环矩阵,其uv块记为 xuv ,表示 x 下移u行,右移v列。
F N2×N2 的二维DFT矩阵,其第uv块记为 fuv={ωui+vj}ij

举例:N=3

f01=111ωωωω2ω2ω2,f11=1ωω2ωω2ω3ω2ω3ω4

需要验证的共有 N×N 个等式,其中第 uv 个为:

[X,fuv]=x^uvfuv

其中 [X,fuv] 表示把 xuv 分别和 fuv 做点乘,结果矩阵元素求和。
这个等式的第ij元素为:
[xij,fuv]=x^uvωui+vj

再次利用两个性质:1) 点乘只和两个矩阵相对位移有关,2) fuv 的位移可以用乘 ω 幂实现:

leftij=[x,fijuv]=[x,fuv]ωui+vj=x^uvωui+vj=rightij

代码

以下matlab代码验证上述性质。需要注意的是,matlab中的dftmatx函数给出的结果和本文定义略有不同,需做一简单转换。另外,matlab中的撇号表示共轭转置,transpose为转置函数,conj为共轭函数。

clear;clc;close all;

% 1. diagnolize 
K = 5;      % dimension of problem

x_base = rand(1,K);     % generator vector
X = zeros(K,K);         % circulant matrix
for k=1:K
    X(k,:) = circshift(x_base, [0 k-1]);
end

x_hat = fft(x_base);    % DFT

F = transpose(dftmtx(K))/sqrt(K);       % the " ' " in matlab is transpose + conjugation

X2 = F*diag(x_hat)*F';

display(X);
display(real(X2));

% 2. fast compute correlation
C = X'*X;
C2 = (x_hat.*conj(x_hat))*conj(F)/sqrt(K);

display(C);
display(C2);
  
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26

  1. Gray, Robert M. Toeplitz and circulant matrices: A review. now publishers inc, 2006.
  2. Henriques, João F., et al. “High-speed tracking with kernelized correlation filters.” Pattern Analysis and Machine Intelligence, IEEE Transactions on 37.3 (2015): 583-596.
假设 $A$ 是一个 $n\times n$ 的任意循环矩阵,即 $A$ 的每一行都是将前一行向右移动一位,使得最后一列元素移动到第一列。例如,一个 $4\times4$ 的循环矩阵可以写成: $$ A=\begin{bmatrix} a_1 & a_2 & a_3 & a_4 \\ a_4 & a_1 & a_2 & a_3 \\ a_3 & a_4 & a_1 & a_2 \\ a_2 & a_3 & a_4 & a_1 \end{bmatrix} $$ 我们可以证明,任意循环矩阵 $A$ 可以被傅里叶变换矩阵对角化傅里叶变换矩阵是一个 $n\times n$ 的矩阵,记作 $F_n$,其中第 $i$ 行第 $j$ 列的元素为: $$ F_n(i,j) = \frac{1}{\sqrt{n}}e^{-2\pi i (i-1)(j-1)/n} $$ 现在我们来证明 $A$ 可以被 $F_n$ 对角化。首先,我们可以证明 $F_n$ 有一个很重要的性质:$F_n^*F_n=nI$,即 $F_n$ 的共轭转置和自身的乘积等于 $n$ 倍的单位矩阵。这个性质可以通过计算 $F_n^*F_n$ 得到: $$ \begin{aligned} (F_n^*F_n)_{i,j} &= \sum_{k=1}^n \overline{F_n(k,i)}F_n(k,j) \\ &= \frac{1}{n}\sum_{k=1}^ne^{2\pi i(k-1)(i-j)/n} \\ &= \begin{cases} 1 & i=j \\ 0 & i\neq j \end{cases} \end{aligned} $$ 接下来,我们要证明的是:如果 $A$ 是一个任意循环矩阵,那么就存在一个矩阵 $U$,使得 $U$ 是幺正矩阵(即 $UU^*=U^*U=I$),并且 $U^{-1}AU$ 是对角矩阵。我们可以通过 $F_n$ 来构造这个矩阵 $U$: $$ U = \frac{1}{\sqrt{n}}F_n $$ 首先,我们来证明 $U$ 是幺正矩阵。根据上面的性质,我们有: $$ \begin{aligned} UU^* &= \frac{1}{n}FF^*F_n \\ &= \frac{1}{n}F_n(nI) \\ &= I \end{aligned} $$ 同样地,我们可以证明 $U^*U=I$。因此,$U$ 确实是一个幺正矩阵。 接下来,我们来计算 $U^{-1}AU$。首先,我们有: $$ \begin{aligned} U^{-1} &= \frac{1}{\sqrt{n}}F_n^{-1} \\ &= \frac{1}{\sqrt{n}}F_n^* \end{aligned} $$ 因为 $A$ 是任意循环矩阵,所以可以将其写成一个矩阵 $B$ 的循环移位形式。例如,对于上面的 $4\times4$ 的循环矩阵 $A$,我们可以将其写成: $$ A = \begin{bmatrix} a_1 & a_2 & a_3 & a_4 \\ a_4 & a_1 & a_2 & a_3 \\ a_3 & a_4 & a_1 & a_2 \\ a_2 & a_3 & a_4 & a_1 \end{bmatrix} = \begin{bmatrix} a_1 & a_2 & a_3 & a_4 \\ a_1 & a_2 & a_3 & a_4 \\ a_1 & a_2 & a_3 & a_4 \\ a_1 & a_2 & a_3 & a_4 \end{bmatrix} + \begin{bmatrix} 0 & 0 & 0 & 0 \\ a_4-a_1 & 0 & 0 & 0 \\ 0 & a_4-a_1 & 0 & 0 \\ 0 & 0 & a_4-a_1 & 0 \end{bmatrix} $$ 其中,第一个矩阵是 $B$,第二个矩阵是 $A-B$。注意到 $B$ 是一个常规矩阵,而 $A-B$ 的每一行都是将前一行向右移动一位。因此,我们可以将 $A-B$ 写成 $C$ 的循环移位形式,其中 $C$ 是一个 $n\times n$ 的矩阵,其第一行为 $a_4-a_1, 0, \cdots, 0$,其余行为 $0$。因此,我们有: $$ C = \begin{bmatrix} a_4-a_1 & 0 & \cdots & 0 \\ 0 & a_4-a_1 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & a_4-a_1 \end{bmatrix} $$ 于是,我们可以将 $A$ 写成 $B+C$ 的形式。接下来,我们来计算 $U^{-1}AU$: $$ \begin{aligned} U^{-1}AU &= \frac{1}{\sqrt{n}}F_n^*(B+C)F_n \\ &= \frac{1}{n}\sum_{i,j,k} \overline{F_n^*(i,k)}(B+C)_{k,j}F_n(j,i) \\ &= \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}(B+C)_{k,j}F_n(k,i) \end{aligned} $$ 注意到 $B$ 是一个常规矩阵,因此 $BF_n=F_nB$。同时,$C$ 是一个循环矩阵,因此 $CF_n=F_nC$。因此,我们有: $$ \begin{aligned} U^{-1}AU &= \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}BF_n(k,i) + \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}CF_n(k,i) \\ &= B + \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}CF_n(k,i) \end{aligned} $$ 因为 $C$ 是对角矩阵,所以 $CF_n$ 的每一列都是将前一列向右移动一位,使得最后一列元素移动到第一列。因此,$CF_n$ 可以写成: $$ CF_n = \begin{bmatrix} c_1 & c_n & \cdots & c_2 \\ c_2 & c_1 & \cdots & c_3 \\ \vdots & \vdots & \ddots & \vdots \\ c_n & c_{n-1} & \cdots & c_1 \end{bmatrix} $$ 其中 $c_i$ 表示 $C$ 的第 $i$ 个对角元素。因此,我们有: $$ \begin{aligned} \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}CF_n(k,i) &= \frac{1}{n}\sum_{i,j,k} \overline{F_n(j,i)}c_kF_n(k,i) \\ &= \begin{bmatrix} \frac{1}{n}\sum_{k=1}^n c_k & 0 & \cdots & 0 \\ 0 & \frac{1}{n}\sum_{k=1}^n c_ke^{2\pi i(j-1)(k-1)/n} & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \frac{1}{n}\sum_{k=1}^n c_ke^{2\pi i(j-1)(k-1)/n} \end{bmatrix} \end{aligned} $$ 因此,我们有: $$ U^{-1}AU = B + \begin{bmatrix} \frac{1}{n}\sum_{k=1}^n c_k & 0 & \cdots & 0 \\ 0 & \frac{1}{n}\sum_{k=1}^n c_ke^{2\pi i(j-1)(k-1)/n} & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \frac{1}{n}\sum_{k=1}^n c_ke^{2\pi i(j-1)(k-1)/n} \end{bmatrix} $$ 因此,$U^{-1}AU$ 是一个对角矩阵。因此,我们证明了任意循环矩阵可以被傅里叶变换矩阵对角化
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值