实对称矩阵的奇异值等于特征值

这篇具有很好参考价值的文章主要介绍了实对称矩阵的奇异值等于特征值。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。

实对称矩阵的奇异值等于特征值

首先,来看一下什么叫作矩阵的奇异值,根据课本上的定义1
实对称矩阵的奇异值等于特征值
定理1: 实对称矩阵的奇异值等于其特征值.
证明: 对于实对称矩阵 A A A, 其特征值为 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn. 由某个定理可知(自己查找一下), A 2 A^2 A2的特征值为 λ 1 2 , λ 2 2 , . . . , λ n 2 \lambda_1^2,\lambda_2^2,...,\lambda_n^2 λ12,λ22,...,λn2. 根据实对称矩阵的性质, A H A = A 2 A^HA=A^2 AHA=A2. 定理,得证.

实对称矩阵的SVD分解

定理2: 实对称矩阵SVD分解的左右奇异向量相等.
证明: 对于实对称矩阵 A A A, 其特征值为 λ 1 , λ 2 , . . . , λ n \lambda_1,\lambda_2,...,\lambda_n λ1,λ2,...,λn,根据定理1, 也是其奇异值. 对应的单位化后的特征向量为 u 1 , u 2 , . . . , u n u_1,u_2,...,u_n u1,u2,...,un. 那么有, A [ u 1 , u 2 , . . . , u n ] = [ u 1 , u 2 , . . . , u n ] d i a g ( λ 1 , λ 2 , . . . , λ n ) A[u_1,u_2,...,u_n]=[u_1,u_2,...,u_n]diag(\lambda_1,\lambda_2,...,\lambda_n) A[u1,u2,...,un]=[u1,u2,...,un]diag(λ1,λ2,...,λn). 令 U = [ u 1 , u 2 , . . . , u n ] , Σ = d i a g ( λ 1 , λ 2 , . . . , λ n ) U=[u_1,u_2,...,u_n], \Sigma=diag(\lambda_1,\lambda_2,...,\lambda_n) U=[u1,u2,...,un],Σ=diag(λ1,λ2,...,λn), 则 A U = U Σ AU=U\Sigma AU=UΣ, 且 U H U = I U^HU=I UHU=I是酉矩阵,那么 A = U Σ U H A=U\Sigma U^H A=UΣUH, 定理得证.

对你有帮助的话点赞支持下!


  1. 矩阵论简明教程,徐仲 ↩︎文章来源地址https://www.toymoban.com/news/detail-456977.html

到了这里,关于实对称矩阵的奇异值等于特征值的文章就介绍完了。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

  • 一分钟读懂:矩阵的特征值分解、奇异值分解和伪逆矩阵

    通过把矩阵运算分解成多个矩阵的乘法,可以简化矩阵运算,也可发现对应线性变换的一些内在规律和特性。根据不同的目的,有不同的分解策略。本文我们讨论最常用的特征值分解和奇异值分解。 定义了矩阵的加、减、乘、除(逆)运算后,数学家们自然希望探索矩阵更多

    2024年02月03日
    浏览(50)
  • 【证明】对称矩阵的特征值为实数

    性质 1 对称矩阵的特征值为实数。 证明 设复数矩阵 X = ( x i j ) boldsymbol{X} = (x_{ij}) X = ( x ij ​ ) , x ‾ i j overline{x}_{ij} x ij ​ 为 x i j x_{ij} x ij ​ 的共轭复数,记 X ‾ = ( x ‾ i j ) overline{boldsymbol{X}} = (overline{x}_{ij}) X = ( x ij ​ ) ,即 X ‾ overline{boldsymbol{X}} X 是由 X boldsym

    2024年02月04日
    浏览(76)
  • 特征值与特征向量:矩阵的对称性与非对称性

    在现实生活中,我们经常会遇到各种各样的问题,这些问题通常可以用数学模型来描述。在数学中,矩阵是一个非常重要的概念,它可以用来描述各种各样的问题。在本文中,我们将讨论矩阵的对称性与非对称性,以及如何通过计算特征值和特征向量来解决这些问题。 矩阵是

    2024年02月19日
    浏览(36)
  • 线性代数|证明:矩阵特征值之积等于矩阵行列式的值

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 λ 2 ⋯ λ n = ∣ A ∣ lambda_1 lambda_2 cdots lambda_n = |boldsymbol{A}| λ 1 ​ λ 2 ​ ⋯ λ n ​ = ∣ A ∣ 。 证明 不妨设

    2024年02月08日
    浏览(49)
  • 线性代数|证明:矩阵特征值之和等于主对角线元素之和

    性质 1 设 n n n 阶矩阵 A = ( a i j ) boldsymbol{A} = (a_{ij}) A = ( a ij ​ ) 的特征值为 λ 1 , λ 2 , ⋯   , λ n lambda_1,lambda_2,cdots,lambda_n λ 1 ​ , λ 2 ​ , ⋯ , λ n ​ ,则 λ 1 + λ 2 + ⋯ + λ n = a 11 + a 22 + ⋯ + a n n lambda_1 + lambda_2 + cdots + lambda_n = a_{11} + a_{22} + cdots + a_{nn} λ 1 ​ + λ 2 ​

    2024年02月08日
    浏览(46)
  • 雅可比旋转(Jacobi法)求对称矩阵的特征值和特征向量

    该方法是求解 对称矩阵 全部特征值和特征向量的一种方法,它基于以下结论: ① 任何实对称矩阵A可以通过正交相似变换成对角型 ,即存在正交矩阵Q,使得 Q T A Q = d i a g ( λ 1 , λ 2 , … , λ n ) Q^TAQ=diag(λ1,λ2,…,λn) Q T A Q = d ia g ( λ 1 , λ 2 , … , λn ) 其中λi(i=1,2,…,n)是A的特征

    2024年01月23日
    浏览(47)
  • 标准化拉普拉斯矩阵特征值范围为什么小于等于2?(证明)

    谱图使用标准化拉普拉斯矩阵 L n o r m L^{norm} L n or m 的一个重要原因就是, L n o r m L^{norm} L n or m 比拉普拉斯矩阵 L L L 稳定。很多资料只是简单地介绍了 L n o r m L^{norm} L n or m ,在kipfGCN中也只是简单地提到 L n o r m L^{norm} L n or m 的特征值不大于2。本文搜集了相关lecture,并推导

    2024年02月11日
    浏览(61)
  • 【OpenCV4】计算对称矩阵特征值和特征向量 cv::eigen() 用法详解和代码示例(c++)

    解析: src:输入矩阵,只能是 CV_32FC1 或 CV_64FC1 类型的方阵(即矩阵转置后还是自己) eigenvalues:输出的特征值组成的向量,数据类型同输入矩阵,排列从大到小 eigenvectors:输出的特征向量组成的矩阵,数据类型同输入矩阵,每一行是一个特征向量,对应相应位置的特征值

    2024年02月13日
    浏览(46)
  • 为什么特征值的重数大于等于线性无关特征向量的个数

    关系就是,特征值的重数 ≥ 该特征值的线性无关向量的个数 ≥ 1 量化关系有 特征值的重数,称为 代数重数 ,等于Jordan矩阵中特征值为λ的Jordan块的阶数之和 特征向量的个数,称为 几何重数 ,等于Jordan矩阵中特征值为λ的Jordan块的个数 证明 先说结论 每个矩阵 等价 于一个

    2024年02月11日
    浏览(64)
  • 特征值和特征向量的解析解法--带有重复特征值的矩阵

    当一个矩阵具有重复的特征值时,意味着存在多个线性无关的特征向量对应于相同的特征值。这种情况下,我们称矩阵具有重复特征值。 考虑一个n×n的矩阵A,假设它有一个重复的特征值λ,即λ是特征值方程det(A-λI) = 0的多重根。我们需要找到与特征值λ相关的特征向量。 首

    2024年02月05日
    浏览(45)

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