矩阵理论| 特殊矩阵:Householder矩阵 / 镜射矩阵

这篇具有很好参考价值的文章主要介绍了矩阵理论| 特殊矩阵:Householder矩阵 / 镜射矩阵。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。

Householder矩阵 / 镜射矩阵

由来:镜射变换

给定镜射超平面,其法向量为 v \bold v v ∥ v ∥ = 1 \|\bold v\|=1 v=1
对于任意向量 x \bold x x,其镜射变换后的向量为 x − 2 v ( v T x ) = ( I − 2 v v T ) x \mathbf{x}-2\mathbf{v}(\mathbf{v}^T\mathbf{x})=(I-2\mathbf{v}\mathbf{v}^T)\mathbf{x} x2v(vTx)=(I2vvT)x
(因为 v T x \mathbf{v}^T\mathbf{x} vTx是向量 x \bold x x在法向量 v \bold v v上的投影长度,如图)
矩阵理论| 特殊矩阵:Householder矩阵 / 镜射矩阵
由此可得Householder矩阵 / 镜射矩阵 H = I − 2 v v T \bold H=\bold I-2\bold v\bold v^T H=I2vvT,其中 ∥ v ∥ = 1 \|\bold v\|=1 v=1

也可以从另一个角度来看:镜射变换与正交投影是“互补”的变换
矩阵 P \mathbf P P可将向量 x \mathbf{x} x 正交投影至(镜射超平面的)法向量 v \mathbf{v} v
因此,向量 x \mathbf{x} x 到镜射超平面 的正交投影点就是 x − P x = ( I − P ) x \mathbf{x}-P\mathbf{x}=(I-P)\mathbf{x} xPx=(IP)x
进而向量 x \mathbf{x} x 关于镜射超平面的 镜射点是 ( I − P ) x − P x = ( I − 2 P ) x = ( I − 2 v v T ) x (I-P)\mathbf{x}-P\mathbf{x}=(I-2P)\mathbf{x}=(I-2\mathbf{v}\mathbf{v}^T)\mathbf{x} (IP)xPx=(I2P)x=(I2vvT)x
也可得到镜射矩阵为 H = I − 2 v v T \bold H=\bold I-2\bold v\bold v^T H=I2vvT

Householder矩阵的特征向量

Householder矩阵 H = I − 2 v v T \bold H=\bold I-2\bold v\bold v^T H=I2vvT,相当于初等矩阵中 u = − 2 v \bold u=-2\bold v u=2v

  1. 根据初等矩阵的特征向量知识,在 s p a n { v } ⊥ span\{\bold v\}^{\bot } span{v}(即镜射超平面)中必有 n − 1 n-1 n1个无关特征向量 { x 1 , x 2 , . . . , x n − 1 } \{\bold x_1,\bold x_2,...,\bold x_{n-1}\} {x1,x2,...,xn1}(超平面的一组基),特征值全为1
  2. 余下的特征向量有两种寻找方法
    ①根据初等矩阵的特征向量知识,由于 u ∈ s p a n { v } \bold u\in span\{\bold v\} uspan{v} u = − 2 v \bold u=-2\bold v u=2v也是一个特征向量,特征值 1 − 2 v T v = − 1 1-2\bold v^T\bold v=-1 12vTv=1
    ②也可直接由镜射的几何意义知,镜射超平面的法向量 v \bold v v是特征向量,特征值 − 1 -1 1

根据特征值 { 1 , 1 , 1 , . . . , 1 , − 1 } \{1,1,1,...,1,-1\} {1,1,1,...,1,1}可知,行列式 d e t ( H ) = − 1 det(\bold H)=-1 det(H)=1,因而Householder矩阵是可逆的

Householder矩阵的性质

  • Householder矩阵 H = I − 2 v v T \bold H=\bold I-2\bold v\bold v^T H=I2vvT是对称矩阵+正交矩阵: H = H T = H − 1 H=H^T=H^{-1} H=HT=H1

①从形式上,显然是对称矩阵
②可以验证,矩阵为正交阵: H T H = ( I − 2 v v T ) ( I − 2 v v T ) = I − 4 v v T + 4 v v T v v T = I H^TH=(I-2\mathbf{v}\mathbf{v}^T)(I-2\mathbf{v}\mathbf{v}^T)=I-4\mathbf{v}\mathbf{v}^T+4\mathbf{v}\mathbf{v}^T\mathbf{v}\mathbf{v}^T=I HTH=(I2vvT)(I2vvT)=I4vvT+4vvTvvT=I

  • 由上,Householder矩阵满足 H 2 = H H − 1 = I H^2=HH^{-1}=I H2=HH1=I,称为对合 (involutory) 矩阵
    这个概念类比对合 函数理解:“一个函数的反函数是他自身”,即 f ( f ( x ) ) = x f(f(x))=x f(f(x))=x
    这就是说,镜射后再次镜射,相当于没变
  • Householder矩阵最有实用价值的性质在于,总存在一个Householder矩阵,将任意单位长度向量 x \bold x x镜射至标准单位向量: H x = e 1 = ( 1 , 0 , … , 0 ) T H\mathbf{x}= \mathbf{e}_1=(1,0,\ldots,0)^T Hx=e1=(1,0,,0)T
    理解:这相当于寻找合适的镜射超平面,将向量 x \bold x x镜射至 e \mathbf{e} e
  • 更一般的,若两个向量满足 ∥ x ∥ 2 = ∥ y ∥ 2 \|\mathbf x\|_2=\|\mathbf y\|_2 x2=y2,且 x H y = y H x \mathbf x^H\mathbf y=\mathbf y^H\mathbf x xHy=yHx,必然存在Householder矩阵使得 H x = y \mathbf H\mathbf x=\mathbf y Hx=y
  • 注意, H T = H − 1 H^T=H^{-1} HT=H1表明Householder矩阵也是一个酉矩阵,但几何意义是镜射
    这也表明了:酉矩阵的几何意义不仅仅包括旋转,还包括镜射

Householder矩阵的应用:矩阵的三对角化

基于上面给出的最后一个性质, Householder 变换可以将对称矩阵 A \bold A A 三对角化 (tridiagonalization),得到形如 [ ∗ ∗ 0 0 0 ∗ ∗ ∗ 0 0 0 ∗ ∗ ∗ 0 0 0 ∗ ∗ ∗ 0 0 0 ∗ ∗ ] \begin{bmatrix} \ast&\ast&0&0&0\\ \ast&\ast&\ast&0&0\\ 0&\ast&\ast&\ast&0\\ 0&0&\ast&\ast&\ast\\ 0&0 &0&\ast&\ast \end{bmatrix} 000000000000 的矩阵,从而尽可能产生零元

基本思路:
从第一列开始,依次将每一列变为三对角阵的形式,具体方法是设计一个可逆矩阵 P \bold P P,使得相似变换 P − 1 A P P^{-1}AP P1AP满足需求(额外限制 P P P为正交矩阵,从而当 A A A 是对称矩阵时, P − 1 A P P^{-1}AP P1AP 也是对称矩阵: ( P − 1 A P ) T = P T A T P = P − 1 A P (P^{-1}AP)^T=P^TA^TP=P^{-1}AP (P1AP)T=PTATP=P1AP

A = [  ⁣ ⁣ 4 1 − 2 2 1 2 0 1 − 2 0 3 − 2 2 1 − 2 − 1  ⁣ ⁣ ] A=\left[\!\!\begin{array}{rcrr} 4&1&-2&2\\ 1&2&0&1\\ -2&0&3&-2\\ 2&1&-2&-1 \end{array}\!\!\right] A= 4122120120322121 为例,每一步的具体做法如下:

  1. A A A P P P矩阵分块,其中正交矩阵 P 1 = [ 1 0 0 0 0 0 H 1 0 ] P_{1}=\left[\begin{array}{l|lll} 1 & 0 & 0 & 0 \\ \hline 0 & & & \\ 0 & & H_{1} & \\ 0 & & & \end{array}\right] P1= 100000H10 H 1 H_{1} H1为3阶Householder矩阵,则分块矩阵乘法: P 1 A P 1 = [ 1 0 0 H 1 ] [ a 11 a T a A ~ ] [ 1 0 0 H 1 ] = [ a 11 a T H 1 H 1 a H 1 A ~ H 1 ] P_1AP_1=\begin{bmatrix} 1&0\\ 0&H_1 \end{bmatrix}\begin{bmatrix} a_{11}&\mathbf{a}^T\\ \mathbf{a}&\tilde{A} \end{bmatrix}\begin{bmatrix} 1&0\\ 0&H_1 \end{bmatrix}=\begin{bmatrix} a_{11}&\mathbf{a}^TH_1\\ H_1\mathbf{a}&H_1\tilde{A}H_1\end{bmatrix} P1AP1=[100H1][a11aaTA~][100H1]=[a11H1aaTH1H1A~H1]其中 a = [ a 21 a 31 a 41 ] = [ 1 − 2 2 ] \mathbf{a}=\begin{bmatrix} a_{21}\\ a_{31}\\ a_{41} \end{bmatrix}=\begin{bmatrix} 1\\ -2\\ 2 \end{bmatrix} a= a21a31a41 = 122 ,而 A ˉ \bar A Aˉ A A A的余下部分
    根据上述性质,一定能找到 H 1 H_1 H1,使得 H 1 a H_1\mathbf{a} H1a 平行于 e 1 = [ 1 0 0 ] \mathbf{e}_1=\begin{bmatrix} 1\\ 0\\ 0 \end{bmatrix} e1= 100
    这里省略中间步骤,直接给出 H 1 = [  ⁣ ⁣ − 1 3 2 3 − 2 3 2 3 2 3 1 3 − 2 3 1 3 2 3  ⁣ ⁣ ] H_1=\left[\!\!\begin{array}{rcr} -\frac{1}{3}&\frac{2}{3}&-\frac{2}{3}\\ \frac{2}{3}&\frac{2}{3}&\frac{1}{3}\\ -\frac{2}{3}&\frac{1}{3} &\frac{2}{3} \end{array}\!\!\right] H1= 313232323231323132
    从而 A 1 = P 1 A P 1 = [  ⁣ ⁣ 4 − 3 0 0 − 3 10 3 1 4 3 0 1 5 3 − 4 3 0 4 3 − 4 3 − 1  ⁣ ⁣ ] A_1=P_1AP_1=\left[\!\!\begin{array}{rrrr} 4&-3&0&0\\ -3&\frac{10}{3}&1&\frac{4}{3}\\0&1&\frac{5}{3}&-\frac{4}{3}\\ 0&\frac{4}{3}&-\frac{4}{3}&-1 \end{array}\!\!\right] A1=P1AP1= 43003310134013534034341 ,这便完成第一列的“三对角化”
  2. 同理,将矩阵分块,设计正交矩阵 P 2 P_2 P2,完成第二列的“三对角化”
    直接给出 P 2 = [  ⁣ ⁣ 1 0 0 0 0 1 0 0 0 0 − 3 5 − 4 5 0 0 − 4 5 3 5  ⁣ ⁣ ] P_2=\left[\!\!\begin{array}{ccrr} 1&0&0&0\\ 0&1&0&0\\0&0&-\frac{3}{5}&-\frac{4}{5}\\ 0&0&-\frac{4}{5}&\frac {3} {5} \end{array}\!\!\right] P2= 10000100005354005453
    从而得到 A 2 = P 2 A 1 P 2 = [  ⁣ ⁣ 4 − 3 0 0 − 3 10 3 − 5 3 0 0 − 5 3 − 33 25 68 75 0 0 68 75 149 75  ⁣ ⁣ ] A_2=P_2A_1P_2=\left[\!\!\begin{array}{rrrr} 4&-3&0&0\\ -3&\frac{10}{3}&-\frac{5}{3}&0\\ 0&-\frac{5}{3}&-\frac{33}{25}&\frac{68}{75}\\ 0&0&\frac{68}{75}& \frac{149}{75} \end{array}\!\!\right] A2=P2A1P2= 430033103500352533756800756875149
  3. 最终的三对角阵就是 A 2 = ( P 1 P 2 ) − 1 A ( P 1 P 2 ) = P − 1 A P A_2=(P_1P_2)^{-1}A(P_1P_2)=P^{-1}AP A2=(P1P2)1A(P1P2)=P1AP,其中 P = P 1 P 2 P=P_1P_2 P=P1P2为正交矩阵

以上面的三对角化为基础,Householder 变换的两个主要应用都是在数值线性代数的内容:①执行 QR 分解;②计算特征值的 QR 迭代法的第一步。

reference:
特殊矩阵 (4):Householder 矩阵
Householder 矩阵乘积的特征值
Householder 变换于 QR 分解的应用文章来源地址https://www.toymoban.com/news/detail-490210.html

到了这里,关于矩阵理论| 特殊矩阵:Householder矩阵 / 镜射矩阵的文章就介绍完了。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

  • 特殊的矩阵与特殊的矩阵关系———实对称、正定、对角、零矩阵

    1、实对称矩阵 定义:都是实数,且 性质:  (1)可以用特征值来求A的大小 (2)可以得到A的秩 (3) 必定可以相似对角化 运用: 与实对称矩阵A合同的矩阵B,必定是实对称矩阵,这一性质可以用来排除某些选项 2、对角矩阵 定义:只有主对角线上有元素的矩阵 性质: (

    2024年02月11日
    浏览(46)
  • 特殊矩阵是指在某些特定场合下,其元素具有一定的特殊规律的矩阵

    特殊矩阵是指在某些特定场合下,其元素具有一定的特殊规律的矩阵。特殊矩阵包括对角矩阵、数量矩阵、三角矩阵、正交矩阵等等。下面我会列举几种常见的特殊矩阵及其特点: 对角矩阵:除了主对角线上的元素外,其他元素都为零的矩阵称为对角矩阵。对角矩阵的运算性

    2024年02月03日
    浏览(40)
  • 数据结构— 数组、特殊矩阵、稀疏矩阵

    💟作者简介:大家好呀!我是 路遥叶子 ,大家可以叫我 叶子 哦! ❣️     📝个人主页:【路遥叶子的博客】 🏆博主信息: 四季轮换叶 , 一路招摇胜!      专栏 【数据结构-Java语言描述】  【安利Java零基础】 🐋希望大家多多支持😘一起进步呀!~❤️ 🌈若有帮助

    2024年02月02日
    浏览(51)
  • 特殊矩阵的压缩存储(对称矩阵,三角矩阵和三对角矩阵)

    目录 1.对阵矩阵 2.三角矩阵 3.三对角矩阵(带状矩阵) 定义:若对一个n阶矩阵A中的任意一个元素 aᵢ,ⱼ 都有aᵢ,ⱼ=aⱼ,ᵢ (1≤i,j≤n),则称其为对称矩阵。 存储策略:只存储主对角线+下三角区(或主对角线+上三角区),以主对角线+下三角区为例,按照行优先把这些元

    2024年02月09日
    浏览(38)
  • python生成特殊矩阵:循环矩阵、汉克尔矩阵、费德勒矩阵……

    scipy.linalg 中提供了一系列特殊矩阵的生成方法,包括循环矩阵、汉克尔矩阵、费德勒矩阵、阿达马矩阵、莱斯利矩阵、希尔伯特及其逆矩阵、帕斯卡及其逆矩阵等。 现有一向量 c = [ c 0 , c 1 , ⋯   , c n ] c=[c_0, c_1,cdots,c_n] c = [ c 0 ​ , c 1 ​ , ⋯ , c n ​ ] ,则 circulant(c) 返回一

    2024年02月13日
    浏览(30)
  • MATLAB 创建特殊矩阵

    在MATLAB中,可以使用相应的内置函数来创建一些常见的特殊形式矩阵,例如零矩阵、单位矩阵、对角矩阵、上三角矩阵、下三角矩阵、魔方阵等。也可以用于生成一些具有试验功能的矩阵,例如希尔伯特矩阵、托普利兹矩阵、满足条件的均匀分布的随机矩阵、标准正态分布随

    2024年02月04日
    浏览(35)
  • 【学习笔记】(数学)线性代数-矩阵的概念和特殊矩阵

    由 m × n mtimes n m × n 个数按一定的次序排成的 m m m 行 n n n 列的矩形数表成为 m × n mtimes n m × n 的矩阵,简称 矩阵 (matrix)。 横的各排称为矩阵的 行 ,竖的各列称为矩阵的 列 。 元素为实数的称为 实矩阵 ,一般情况下我们所讨论的矩阵均为实矩阵。 1 行 n n n 列的矩阵称为

    2024年02月09日
    浏览(45)
  • 利用MATLAB构建特殊通用矩阵

    在MATLAB编程中,经常需要遇到一些特殊的通用矩阵,本篇主要介绍的是MATLAB中可能会用到特殊矩阵。 1、零矩阵 MATLAB使用zeros函数来创建零矩阵,所谓零矩阵就是矩阵中所有元素皆为0的矩阵。zeros函数的调用方式如下所示: (1)zeros(n):n为常数,生成一个n×n的矩阵。 例如,

    2024年01月18日
    浏览(41)
  • [数据结构] 数组与特殊矩阵

    偷懒,先写了数组,队列要画图,所以今天就先不写了 数组是由n个相同类型的数据元素构成的有限序列。每个数据元素被称为 一个数组元素 ,每个元素在n个线性关系中的序号称为该元素的 下标 ,下标的取值范围称为数组的 维界 。 数组与线性表的关系:数组是线性表的

    2024年02月19日
    浏览(42)
  • 【数据结构】特殊矩阵的压缩存储(对称矩阵,三角矩阵和三对角矩阵)

    目录 1.对阵矩阵 2.三角矩阵 3.三对角矩阵(带状矩阵) 定义:若对一个n阶矩阵A中的任意一个元素 aᵢ,ⱼ 都有aᵢ,ⱼ=aⱼ,ᵢ (1≤i,j≤n),则称其为对称矩阵。 存储策略:只存储主对角线+下三角区(或主对角线+上三角区),以主对角线+下三角区为例,按照行优先把这些元

    2024年01月16日
    浏览(41)

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