线性代数的动态观-线性变换(五)

本文探讨了特征值在特征向量上的拉伸或压缩作用,解释了奇异值分解如何应用于所有矩阵,包括非方阵,以找到最大拉伸程度及其对应的向量。通过将矩阵转换为对称形式并进行对角化,可以确定非零奇异值的数量,这等同于矩阵的秩,同时揭示了奇异值与特征值的关系。

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

特征值的绝对值代表了拉伸或压缩一个特征向量的程度,即|T.x|/|x|=|t|.|x|/|x|=|t|。也说明了线性变换只有在特征空间处才能取得拉伸或者压缩程度的极值。目前为止都是在讨论方阵的特征值和特征向量,现准备扩充到更一般的情形,即任意的线性变换矩阵。假设矩阵不是方阵,那么线性变换表示的为投影或者升维(这种升维是类似于将二维的平面投射到一个三维空间的平面中,本质上还是一个平面但有了三维的属性),如果要求出变换后对原始向量有最大、次大...的拉伸程度以及对应的向量即求|A.x|的平方的最大、次大...值。

奇异值分解是一种对所有矩阵都适用的分解算法,它本身在不同的应用场景中都有相应的意义,先描述它的计算方法:

1、设矩阵A是个一般矩阵(x行y列)先将原始矩阵转换成7b2912277438420ba91c7e4871423c8add3.jpg(y行y列)这样的形式ee886948821eae0701805d1635951ca5e4a.jpg,该矩阵是一个对称矩阵并且对角线上的值一定非负;

2、对该对称矩阵按照之前所说进行相似对角化,可以得到相应的对角矩阵并且特征向量相互正交;

3、设V1、V2...Vn(向量中值的个数为y)以及R1、R2...Rn是该对称矩阵相应的特征向量和特征值,则9323d6e8219c9a5c661d99ba2b1b8b1ce98.jpg,由于915c3f70e1a3895593d836c68f3b7680ffb.jpg一定非负所以特征值Rn也非负;

4、由3可得A的奇异值为1efdf312899f0eb728ecae77177e7d39c52.jpg即|A.Vn|的大小,并且非零奇异值的个数为A的秩r(一定小于等于x和y中最小值),对应的特征向量相互正交并组成了colA的基(在线性代数及应用中有证明)。将特征向量转换为单位向量为Ur=A.Vr/2797de8909681660e1cf058dd32d01642af.jpg(向量中值的个数为x),则2797de8909681660e1cf058dd32d01642af.jpg.Ur=A.Vr,令595272abc358aab540b4247c045a1bb790d.jpg(y行y列),acd05db70d923e373da266e34f06172a81f.jpg(x行y列),b30cfb7ef13a9800d38227e3de6578e0833.jpg(x行y列),ff8cb7267f4646460eef6820e50a0677f6a.jpg(x行x列),

则U.8ce8978353d31f30d63009a4da6bf73a387.jpg=b209a80ecbd772c1f0d37eac22d01743ef4.jpg=3376e05a6647cbdf3ac5e180590271d4031.jpg,由于V为单位正交矩阵则4375100c7c946108763059a3e0f585d2101.jpg

 

 

转载于:https://my.oschina.net/u/1268334/blog/3058495

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
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