矩阵理论| 基础:Jordan标准型(从Jordan标准型求代数重数/几何重数/特征向量)

这篇具有很好参考价值的文章主要介绍了矩阵理论| 基础:Jordan标准型(从Jordan标准型求代数重数/几何重数/特征向量)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

引言:如何判定两个矩阵相似

相似矩阵,本质上是同一个线性变换在不同坐标系下的矩阵
因此,两个矩阵相似的一大特点是:特征值相同,各特征值的几何重数/代数重数相同

进而,我们可以用特征多项式、特征值、行列式、迹、秩 等相似不变量来迅速辅助判定两个矩阵是否相似,但这些都不是充要条件

两个矩阵相似的充要条件:两个矩阵具有相同的Jordan标准型(包含了大量信息,如特征值、代数/几何重数、特征向量和可对角化判定的信息,下面会说明)

  • Jordan标准型是一整个“相似矩阵大家族”的典型代表,根据相似关系的传递性,上述结论显然

Jordan标准型

Jordan标准型可以视为一种“矩阵三角化”。(ps. 也可以理解为一种由Jordan块构成的主对角分块矩阵)

对于n阶方阵 A \mathbf A A,一定存在正交矩阵/酉矩阵 Q \mathbf Q Q使 A \mathbf A A相似于上三角阵: A = Q U Q T \mathbf A=\mathbf Q\mathbf U\mathbf Q^T A=QUQT,详见矩阵三角化的 Schur 定理
如果将正交矩阵改为普通的可逆矩阵 P \mathbf P P,同样可以得到上三角阵 J \mathbf J J,即Jordan标准型: A = P J P − 1 \mathbf A=\mathbf P\mathbf J\mathbf P^{-1} A=PJP1

为何要三角化?Jordan标准型是由于无法相似对角化而提出的,而上三角阵就是最接近对角矩阵的“最佳形式”

Jordan标准型的一般形式

任何方阵 A \mathbf A A都相似于一个Jordan标准型: A = P J P − 1 \mathbf A=\mathbf P\mathbf J\mathbf P^{-1} A=PJP1

Jordan标准型 J \mathbf J J由多个Jordan块组成
J = [ J m 1 ( λ 1 ) 0 ⋯ 0 0 J m 2 ( λ 2 ) ⋯ 0 ⋮ ⋮ ⋱ ⋱ 0 0 ⋯ J m k ( λ k ) ] ,其中 J m i ( λ i ) = [ λ i 1 ⋱ ⋱ ⋱ 1 λ i ] m i × m i \mathbf J=\left[\begin{array}{cccc} J_{m_1}\left(\lambda_{1}\right) & 0 & \cdots & 0 \\ 0 & J_{m_2}\left(\lambda_{2}\right) & \cdots & 0 \\ \vdots & \vdots & \ddots & \ddots \\ 0 & 0 & \cdots & J_{m_k}\left(\lambda_{k}\right) \end{array}\right],其中J_{m_i}\left(\lambda_{i}\right)=\left[\begin{array}{cccc} \lambda_{i} & 1 & \\ & \ddots & \ddots & \\ & & \ddots & 1 \\ & & & \lambda_{i} \end{array}\right]_{m_i\times m_i} J= Jm1(λ1)000Jm2(λ2)000Jmk(λk) ,其中Jmi(λi)= λi11λi mi×mi
一般默认的排列顺序为 λ 1 ≥ λ 2 ≥ . . . ≥ λ k \lambda_1\geq\lambda_2\geq...\geq\lambda_k λ1λ2...λk

每个Jordan块 J ( λ i ) J\left(\lambda_{i}\right) J(λi)的对角线上为特征值 λ i \lambda_{i} λi,对角线上方全为1

Jordan标准型中隐含的信息

  • 特征值: J \mathbf J J的所有主对角元 λ 1 , . . . , λ k \lambda_1,...,\lambda_k λ1,...,λk

  • 特征值 λ i \lambda_i λi代数重数 β i \beta_i βi J \mathbf J J的对角线上 λ i \lambda_i λi的出现次数(特征值 λ i \lambda_i λi的重根数)
    ps. 代数重数满足 β i + β 2 + . . . + β k = n \beta_i+\beta_2+...+\beta_k=n βi+β2+...+βk=n

  • 特征值 λ i \lambda_i λi几何重数 n i n_i ni:主对角元为 λ i \lambda_i λi的Jordan块个数
    一个Jordan块对应一个独立的特征向量/一个几何重数

    矩阵可对角化,那么其所有特征值的几何重数=代数重数,也就是说其Jordan标准型中所有的Jordan块都必须为1阶的

    或者说,可对角化矩阵,其Jordan标准型就是一个对角矩阵

  • 某个Jordan块的特征向量(不是原矩阵 A \mathbf A A的特征向量):

每个Jordan块可以被写为 J m ( λ ) = [ λ 1 ⋱ ⋱ ⋱ 1 λ ] = [ λ ⋱ ⋱ λ ] + [ 0 1 ⋱ ⋱ ⋱ 1 0 ] = λ I m + J m ( 0 ) \begin{aligned}J_{m}(\lambda)&=\left[\begin{array}{cccc}\lambda & 1 & & \\& \ddots & \ddots & \\& & \ddots & 1 \\& & & \lambda\end{array}\right] \\ &=\left[\begin{array}{llll}\lambda & & & \\& \ddots & & \\& & \ddots & \\& & & \lambda\end{array}\right] +\left[\begin{array}{llll}0 & 1 & & \\& \ddots & \ddots & \\& & \ddots & 1 \\& & & 0\end{array}\right] \\ &=\lambda I_{m}+J_{m}(0)\end{aligned} Jm(λ)= λ11λ = λλ + 0110 =λIm+Jm(0)这是一个单位阵和一个幂零(nilpotent)矩阵
①单位阵的特征值为 λ \lambda λ,特征向量为任意向量( λ I m x = λ x \lambda\bold I_{m}\bold x=\lambda\bold x λImx=λx
②幂零矩阵 J m ( 0 ) J_{m}(0) Jm(0)的特征值为0,且相应的特征子空间维数为 m − r a n k = 1 m-rank=1 mrank=1,唯一的(单位长度)特征向量为 e 1 \bold e_1 e1 J m ( 0 ) e 1 = 0 J_{m}(0)\bold e_1=\bold 0 Jm(0)e1=0),而对于其他标准单位向量则有 J m ( 0 ) e i = e i − 1 , i > 1 J_{m}(0)\bold e_i=\bold e_{i-1},i>1 Jm(0)ei=ei1,i>1
由②,Jordan块的特征向量必然是标准单位向量(例如 e i \bold e_i ei代表单位阵 E \bold E E的第 i i i列)

综合①②可知,该Jordan块的特征向量为 J m ( λ ) e 1 = λ e 1 J m ( λ ) e i = λ e i + e i − 1 , i = 2 , … , m J_{m}(\lambda) \mathbf{e}_{1}=\lambda \mathbf{e}_{1} \\ J_{m}(\lambda) \mathbf{e}_{i}=\lambda \mathbf{e}_{i}+\mathbf{e}_{i-1}, \quad i=2, \ldots, m Jm(λ)e1=λe1Jm(λ)ei=λei+ei1,i=2,,m

可以看出,每个 m m m阶的Jordan块 J m ( 0 ) J_{m}(0) Jm(0)有且仅有一个特征向量 e 1 \mathbf{e}_{1} e1(因此上面说“一个Jordan块对应一个几何重数”),而其余的 m − 1 m-1 m1个标准单位向量 e 2 , e 3 , . . . , e m \mathbf{e}_{2},\mathbf{e}_{3},...,\mathbf{e}_{m} e2,e3,...,em称为广义特征向量(generalized eigenvector)

(可对角化的矩阵,其无关特征向量可张成整个空间,而Jordan标准型的情况,其所有广义特征向量张成整个空间),详见Jordan 形式大解读 (上) | 线代启示录

  • 举例说明:

例如
J A = b l k d i a g ( [ 2 1 0 0 0 2 1 0 0 0 2 0 0 0 0 2 ] , [ 3 1 0 3 ] ) = b l k d i a g ( [ 2 1 0 0 2 1 0 0 2 ] , [ 2 ] , [ 3 1 0 3 ] ) = b l k d i a g ( J 3 ( 2 ) , J 2 ( 2 ) , J 2 ( 3 ) ) 和 J B = b l k d i a g ( [ 2 1 0 0 0 2 0 0 0 0 2 1 0 0 0 2 ] , [ 3 1 0 3 ] ) = b l k d i a g ( [ 2 1 0 2 ] , [ 2 1 0 2 ] , [ 3 1 0 3 ] ) = b l k d i a g ( J 2 ( 2 ) , J 2 ( 2 ) , J 2 ( 3 ) ) \begin{aligned}\mathbf J_{A} &=blkdiag(\left[\begin{array}{lll|l} 2 & 1 & 0 & 0 \\0 & 2 & 1 & 0 \\0 & 0 & 2 & 0 \\\hline 0 & 0 & 0 & 2\end{array}\right],\left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right])\\ &=blkdiag(\left[\begin{array}{lll}2 & 1 & 0 \\0 & 2 & 1 \\0 & 0 & 2\end{array}\right], [2], \left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right])\\ &=blkdiag(J_3(2),J_2(2),J_2(3))\end{aligned}和\begin{aligned}\mathbf J_{B}&=blkdiag(\left[\begin{array}{ll|ll} 2 & 1 & 0 & 0 \\0 & 2 & 0 & 0 \\\hline 0 & 0 & 2 & 1 \\0 & 0 & 0 & 2\end{array}\right] ,\left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right]) \\ &=blkdiag(\left[\begin{array}{ll}2 & 1 \\0 & 2\end{array}\right], \left[\begin{array}{ll}2 & 1 \\0 & 2\end{array}\right], \left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right])\\ &=blkdiag(J_2(2),J_2(2),J_2(3))\end{aligned} JA=blkdiag( 2000120001200002 ,[3013])=blkdiag( 200120012 ,[2],[3013])=blkdiag(J3(2),J2(2),J2(3))JB=blkdiag( 2000120000200012 ,[3013])=blkdiag([2012],[2012],[3013])=blkdiag(J2(2),J2(2),J2(3))
其中, J A \mathbf J_{A} JA的特征值为 2 , 3 2,3 2,3
特征值 2 2 2的代数重数为 4 4 4,几何重数为 2 2 2
特征值 3 3 3的代数重数为 2 2 2,几何重数为 1 1 1
J A \mathbf J_{A} JA的特征值 2 2 2的两个特征向量为 [ 2 1 0 0 2 1 0 0 2 ] → e 1 = ( 1 , 0 , 0 , 0 , 0 , 0 ) T [ 2 ] → e 4 = ( 0 , 0 , 0 , 1 , 0 , 0 ) T \begin{aligned}{\left[\begin{array}{lll}2 & 1 & 0 \\0 & 2 & 1 \\0 & 0 & 2\end{array}\right]\rightarrow \mathbf{e}_{1}=(1,0,0,0,0,0)^{T}} \\ {[2] \rightarrow \mathbf{e}_{4}=(0,0,0,1,0,0)^{T}}\end{aligned} 200120012 e1=(1,0,0,0,0,0)T[2]e4=(0,0,0,1,0,0)T
J A \mathbf J_{A} JA的特征值 3 3 3的特征向量为 [ 3 1 0 3 ] → e 5 = ( 0 , 0 , 0 , 0 , 1 , 0 ) T {\left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right] \rightarrow \mathbf{e}_{5}=(0,0,0,0,1,0)^{T}} [3013]e5=(0,0,0,0,1,0)T

J B \mathbf J_{B} JB的特征值为 2 , 3 2,3 2,3
特征值 2 2 2的代数重数为 4 4 4,几何重数为 2 2 2
特征值 3 3 3的代数重数为 2 2 2,几何重数为 1 1 1
J B \mathbf J_{B} JB的特征值 2 2 2的两个特征向量为 [ 2 1 0 2 ] → e 1 = ( 1 , 0 , 0 , 0 , 0 , 0 ) T [ 2 1 0 2 ] → e 3 = ( 0 , 0 , 1 , 0 , 0 , 0 ) T \begin{aligned}{\left[\begin{array}{ll}2 & 1 \\0 & 2\end{array}\right] \rightarrow \mathbf{e}_{1}=(1,0,0,0,0,0)^{T}} \\ {\left[\begin{array}{ll}2 & 1 \\0 & 2\end{array}\right] \rightarrow \mathbf{e}_{3}=(0,0,1,0,0,0)^{T}}\end{aligned} [2012]e1=(1,0,0,0,0,0)T[2012]e3=(0,0,1,0,0,0)T
J B \mathbf J_{B} JB的特征值 3 3 3的特征向量为 [ 3 1 0 3 ] → e 5 = ( 0 , 0 , 0 , 0 , 1 , 0 ) T {\left[\begin{array}{ll}3 & 1 \\0 & 3\end{array}\right] \rightarrow \mathbf{e}_{5}=(0,0,0,0,1,0)^{T}} [3013]e5=(0,0,0,0,1,0)T

Jordan标准型的计算方式

见Jordan 形式大解读 (下)

Jordan标准型的应用

Jordan标准型在数值计算上的用处不大,但是可用于分析矩阵特征值情况,另外,证明两个矩阵相似的通用方法就是证明它们有相同的Jordan标准型

Reference:
Jordan 典型形式浅说 (上)
Jordan 典型形式浅说 (下)
Jordan 形式大解读 (上)
Jordan 形式大解读 (下)文章来源地址https://www.toymoban.com/news/detail-445638.html

到了这里,关于矩阵理论| 基础:Jordan标准型(从Jordan标准型求代数重数/几何重数/特征向量)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性代数:约当标准型学习笔记

    线性代数是数学中重要的分支之一,在各个领域中都有广泛的应用。其中,矩阵的基本理论与方法是线性代数的重点和难点。本文主要介绍线性代数中的一种特殊矩阵形式:约当标准型。通过对约当标准型的定义、求法、性质及应用的介绍,希望读者能够深入理解和应用矩阵

    2024年02月04日
    浏览(40)
  • 【】【理论+题型】二次型化标准型 +合同

    (A)二次型化标准型2方法对比 1任何二次型都能化为标准,有正交变换法和配方法 2任何二次型都能通过配方法变为标准型,但不一定能通过正交变化法变 3二次型的规范型唯一,标准型不唯一 4实对称阵的(合同)对角化问题,即是相应的二次型化标准型问题 5正交变换法和配

    2023年04月23日
    浏览(35)
  • Matlab矩阵论矩阵分析计算实现(四)求史密斯标准型和约当标准型

    Matlab中有内置的史密斯标准型和约当标准型,所以不在用例题多做说明。 以下是代码 运行结果 源码 https://download.csdn.net/download/Pedrotime/87355113

    2024年02月06日
    浏览(45)
  • 矩阵的相似标准型2

    【定义】方阵的特征矩阵 设 A = [ a i j ] ∈ F n × n A=[a_{ij}]in F^{ntimes n} A = [ a ij ​ ] ∈ F n × n , λ lambda λ 为文字 1 ,称: λ E − A = [ λ − a 11 − a 12 ⋯ − a 1 n − a 21 λ − a 22 ⋯ − a 2 n ⋮ ⋮ ⋮ − a n 1 − a n 2 ⋯ λ − a m m ] lambda E-A= begin{bmatrix} lambda-a_{11} -a_{12} cdots -a

    2024年02月04日
    浏览(36)
  • 矩阵分析学习笔记(四):λ矩阵及其Smith标准型

    哈尔滨工业大学 矩阵分析 全72讲 主讲-严质彬 视频教程 形而上学,不行退学,共勉!博客为个人手写笔记整理存档,不喜勿看。

    2024年02月02日
    浏览(40)
  • 第8章 特征矩阵(矩阵相似、最小多项式、特征矩阵相似、不变因子、初等因子和若当标准型)

    相似有相同的特征多项式,相同的特征值,相同的迹,A的行列式即det(A)也相同,相同的最小多项式,相同的秩。 从而求A的迹(特征值)转化为另一个矩阵的迹(特征值)。 例: (1)AB都正定,则tr(AB) 0,A正定,则有可逆阵P: 由于B正定,所以特征值都大于0,所以AB的迹大于

    2024年02月05日
    浏览(61)
  • matlab函数 状态空间系统ss、能控性矩阵ctrb、矩阵的秩rank、能控标准型canon、零极点配置place、系统极点pole等函数(线性定常系统)

    如果已知线性定常系统的ABCD四个矩阵,可以得到状态空间系统 其他更具体的用法请直接看帮助文档。 用法:ss(A,B,C,D) 假如 可以输入 最后得到 判断系统是否能控,可以用能控性矩阵是否奇异进行判断。ctrb函数用来生成能控性矩阵,rank用来判断矩阵的秩 对于线性定常系统

    2024年02月10日
    浏览(59)
  • 腾讯云标准型CVM云服务器详细介绍

    腾讯云CVM服务器标准型实例的各项性能参数平衡,标准型云服务器适用于大多数常规业务,例如:web网站及中间件等,常见的标准型云服务器有CVM标准型S5、S6、SA3、SR1、S5se等规格,腾讯云服务器网来详细说下云服务器CVM标准型云服务器详细说明: 目录 标准型CVM云服务器 腾

    2024年02月13日
    浏览(53)
  • 腾讯云服务器CVM标准型S6详细介绍_性能测评

    腾讯云服务器CVM标准型S6实例是最新一代的标准型实例,CPU采用Intel Xeon Ice Lake处理器,主频2.7GHz,睿频3.3GHz,内存采用最新 DDR4,默认网络优化,最高内网收发能力达1900万pps,最高内网带宽可支持100Gbps。腾讯云服务器网分享腾讯云服务器CVM标准型S6实例CPU性能详解: 目录 腾

    2024年02月13日
    浏览(42)
  • 腾讯云CVM服务器标准型S5性能CPU处理器测试

    腾讯云服务器CVM标准型S5实例是次新一代的标准型实例,CPU采用主频2.5GHzIntel Xeon Cascade Lake或者Intel Xeon Cooper Lake处理器,睿频3.1GHz,云服务器S5基于全新优化虚拟化平台,提供了平衡、稳定的计算、内存和网络资源,是很多应用程序的最佳选择。腾讯云服务器网分享腾讯云CV

    2024年02月13日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包