14.1 矩阵幂级数

这篇具有很好参考价值的文章主要介绍了14.1 矩阵幂级数。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。

矩阵的幂

  现在讨论下矩阵的n次方的问题,比如下面的矩阵:
A 1 = ( 2 1 − 1 1 2 − 1 − 1 − 1 2 ) A 2 = ( 6 5 − 5 5 6 − 5 − 5 − 5 6 ) A 3 = ( 22 21 − 21 21 22 − 21 − 21 − 21 22 )   A^ 1 = \begin{pmatrix}2 & 1 & -1\\ 1 & 2 & -1\\ -1 & -1 & 2\\ \end{pmatrix}\\ A^ 2 = \begin{pmatrix}6 & 5 & -5\\ 5 & 6 & -5\\ -5 & -5 & 6\\ \end{pmatrix}\\ A^ 3 = \begin{pmatrix}22 & 21 & -21\\ 21 & 22 & -21\\ -21 & -21 & 22\\ \end{pmatrix}\\\ A1= 211121112 A2= 655565556 A3= 222121212221212122  
  后面的我就不算下去了,越算越大。再看看这个矩阵:
A 1 = ( 0.1 0.2 0 0.5 0.5 0.5 0 0.2 0.5 ) A 2 = ( 0.11 0.12 0.1 0.3 0.45 0.5 0.1 0.2 0.35 ) A 3 = ( 0.071 0.102 0.11 0.255 0.385 0.475 0.11 0.19 0.275 ) A 4 = ( 0.058 0.087 0.106 0.218 0.338 0.43 0.106 0.172 0.232 ) ⋮ A ∞ = ( 0 0 0 0 0 0 0 0 0 ) A^ 1 = \begin{pmatrix}0.1 & 0.2 & 0\\ 0.5 & 0.5 & 0.5\\ 0 & 0.2 & 0.5\\ \end{pmatrix} \\ A^ 2 = \begin{pmatrix}0.11 & 0.12 & 0.1\\ 0.3 & 0.45 & 0.5\\ 0.1 & 0.2 & 0.35\\ \end{pmatrix} \\ A^ 3 = \begin{pmatrix}0.071 & 0.102 & 0.11\\ 0.255 & 0.385 & 0.475\\ 0.11 & 0.19 & 0.275\\ \end{pmatrix} \\ A^ 4 = \begin{pmatrix}0.058 & 0.087 & 0.106\\ 0.218 & 0.338 & 0.43\\ 0.106 & 0.172 & 0.232\\ \end{pmatrix} \\ \vdots\\ A^ {\infty} = \begin{pmatrix}0 & 0 & 0\\ 0 & 0 & 0\\ 0 & 0 & 0\\ \end{pmatrix} A1= 0.10.500.20.50.200.50.5 A2= 0.110.30.10.120.450.20.10.50.35 A3= 0.0710.2550.110.1020.3850.190.110.4750.275 A4= 0.0580.2180.1060.0870.3380.1720.1060.430.232 A= 000000000
  就可以看到,数字越来越小了。为什么有的矩阵的幂越来越大,有的却越来越小呢?这是由什么决定的呢?

矩阵幂的极限

  矩阵的幂的极限由什么确定?是由矩阵的谱半径 ρ ( A ) \rho(A) ρ(A)决定的。那么什么是矩阵的谱半径?谱半径的定义是矩阵所有的特征值的模长的最大值。那么为什么会是这样?如果学习了约当标准型就很容易理解了,对于任意一个矩阵,都可以求出它的约当标准型,也就是 A = P − 1 J P A=P^{-1}JP A=P1JP,那么就可以这样计算了:
lim ⁡ n → ∞ A n = lim ⁡ n → ∞ ( P − 1 J n P ) = P − 1 ( lim ⁡ n → ∞ J n ) P \lim_{n\to\infty}A^n=\lim_{n\to\infty}(P^{-1}J^{n}P)=P^{-1}(\lim_{n\to\infty}J^{n})P nlimAn=nlim(P1JnP)=P1(nlimJn)P
  而 lim ⁡ n → ∞ J n \lim_{n\to\infty}J^{n} limnJn这个极限就取决于约当标准型的对角线,如果都小于1,那么就存在极限且极限为0.约当标准型的对角线上就是矩阵的所有特征值。

谱半径与范数

  计算特征值是十分麻烦的,所以计算谱半径也是十分麻烦的。那么实际中有没有好的办法呢?可以利用矩阵的范数来判断。我们知道对于任意矩阵范数,有以下定理:
ρ ( A ) = inf ⁡ α ∥ A ∥ α \rho(A)=\inf_{\alpha}\parallel A\parallel_{\alpha} ρ(A)=αinfAα
  也就是说,所有矩阵的所有范数都要大于等于谱半径:
ρ ( A ) ≤ ∥ A ∥ α \rho(A)\le \parallel A\parallel_{\alpha} ρ(A)≤∥Aα
  所以实际应用中,用这个就可以快速地判断一个矩阵幂的极限是否存在。比如列和范数(1-范数),行和范数(无穷范数)就是非常好的判断方法。第一步肉眼扫一下,如果有模长和小于1的行或列,根据上述不等式,那么谱半径一定小于1.所以矩阵幂的极限就一定收敛。

矩阵幂级数

  矩阵幂级数和数学分析里的幂级数定义差不多,不过是把变量x换成了矩阵A而已。如果谱半径小于1,那么矩阵幂级数存在,并且有以下公式:
lim ⁡ n → ∞ ∑ i = 0 n A i = ( E − A ) − 1 \lim_{n\to\infty}\sum_{i=0}^nA^i=(E-A)^{-1} nlimi=0nAi=(EA)1
  证明我就不证明了。**注意,i从0开始,也就意味着第一项是单位矩阵E.**其实把 A A A看出一个小于1的正数,就非常容易理解这个公式:
lim ⁡ n → ∞ ∑ i = 0 n x i = 1 1 − x \lim_{n\to\infty}\sum_{i=0}^nx^i=\frac1{1-x} nlimi=0nxi=1x1
  不过是等比数列的前 n n n项和吗?
  对于粉丝提的一个问题,如果谱半径小于1,那么下列式子收敛吗?
lim ⁡ n → ∞ ∑ i = 0 n i A i \lim_{n\to\infty}\sum_{i=0}^niA^i nlimi=0niAi
  这个式子展开后是什么?是这样的:
∑ i = 0 n i A i = 0 + A + 2 A 2 + ⋯ + n A n \sum_{i=0}^niA^i=0+A+2A^2+\dots+nA^n\\ i=0niAi=0+A+2A2++nAn
  因为矩阵和实数一样,他的加法和乘法组成了域,根据域论,所以矩阵完全可以看成实数:
lim ⁡ n → ∞ ∑ i = 0 n i x i = 0 + x + 2 x 2 + ⋯ + n x n = lim ⁡ n → ∞ x ( 1 − x n ) ( 1 − x ) 2 = x ( 1 − x ) 2 \lim_{n\to\infty}\sum_{i=0}^nix^i=0+x+2x^2+\dots+nx^n\\ =\lim_{n\to\infty}\frac{x(1-x^n)}{(1-x)^2}=\frac{x}{(1-x)^2} nlimi=0nixi=0+x+2x2++nxn=nlim(1x)2x(1xn)=(1x)2x
  怎么证明呢?可以这样:
S n = 0 + x + 2 x 2 + ⋯ + n x n S n x = 0 + 1 + 2 x + ⋯ + n x n − 1 S n x − S n = 1 + x + x 2 + ⋯ + x n − 1 − n x n lim ⁡ n → ∞ ( S n x − S n ) = lim ⁡ n → ∞ ( 1 − x n − 1 1 − x − n x n ) S_n=0+x+2x^2+\dots+nx^n\\ \frac{S_n}{x}=0+1+2x+\cdots+nx^{n-1}\\ \frac{S_n}{x}-S_n=1+x+x^2+\cdots+x^{n-1}-nx^n\\ \lim_{n\to\infty}(\frac{S_n}{x}-S_n)=\lim_{n\to\infty}(\frac{1-x^{n-1}}{1-x}-nx^n)\\ Sn=0+x+2x2++nxnxSn=0+1+2x++nxn1xSnSn=1+x+x2++xn1nxnnlim(xSnSn)=nlim(1x1xn1nxn)
  在两边取极限的情况下, n x n nx^n nxn是一个无穷小量,所以可以省略。于是有:
lim ⁡ n → ∞ S n 1 − x x = lim ⁡ n → ∞ 1 − x n − 1 1 − x lim ⁡ n → ∞ S n = lim ⁡ n → ∞ x ( 1 − x n − 1 ) ( 1 − x ) 2 = x ( 1 − x ) 2 \lim_{n\to\infty}S_n\frac{1-x}{x}=\lim_{n\to\infty}\frac{1-x^{n-1}}{1-x}\\ \lim_{n\to\infty}S_n=\lim_{n\to\infty}\frac{x(1-x^{n-1})}{(1-x)^2}\\ =\frac{x}{(1-x)^2}\\ nlimSnx1x=nlim1x1xn1nlimSn=nlim(1x)2x(1xn1)=(1x)2x
  再换回矩阵,所以粉丝的这个问题是有答案的,在谱半径小于1的情况下:
∑ i = 0 n i A i = A ( E − A ) − 2 \sum_{i=0}^niA^i=A(E-A)^{-2} i=0niAi=A(EA)2文章来源地址https://www.toymoban.com/news/detail-530648.html

到了这里,关于14.1 矩阵幂级数的文章就介绍完了。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

  • 线性代数本质系列(一)向量,线性组合,线性相关,矩阵

    本系列文章将从下面不同角度解析线性代数的本质,本文是本系列第一篇 向量究竟是什么? 向量的线性组合,基与线性相关 矩阵与线性相关 矩阵乘法与线性变换 三维空间中的线性变换 行列式 逆矩阵,列空间,秩与零空间 克莱姆法则 非方阵 点积与对偶性 叉积 以线性变换

    2024年02月04日
    浏览(54)
  • 线性代数:线性方程求解、矩阵的逆、线性组合、线性独立

    本文参考www.deeplearningbook.org一书第二章2.3 Identity and Inverse Matrices 2.4 Linear Dependence and Span 本文围绕 线性方程求解 依次介绍矩阵的逆、线性组合、线性独立等线性代数的基础知识点。 本文主要围绕求解线性方程展开,我们先把线性方程写出来,方程如下: 其中,是已知的;,

    2024年02月08日
    浏览(54)
  • 0203逆矩阵-矩阵及其运算-线性代数

    定义7 对于 n n n 阶矩阵A,如果有一个 n n n 阶矩阵B,使 A B = B A = E AB=BA=E A B = B A = E 则说矩阵A是可逆的,并把矩阵B称为A的逆矩阵,简称逆阵。 定理1 若矩阵A可逆,则 ∣ A ∣ ≠ 0 vert Avert not = 0 ∣ A ∣  = 0 证明: A 可逆,即有 A − 1 ,使得 A A − 1 = E ∣ A A − 1 ∣ = ∣ A

    2024年04月13日
    浏览(60)
  • 线性代数基础--矩阵

     矩阵是由排列在矩形阵列中的数字或其他数学对象组成的表格结构。它由行和列组成,并且在数学和应用领域中广泛使用。 元素:矩阵中的每个数字称为元素。元素可以是实数、复数或其他数学对象。 维度:矩阵的维度表示矩阵的行数和列数。一个 m × n 的矩阵有 m 行和

    2024年02月11日
    浏览(47)
  • 线性代数基础【2】矩阵

    一、基本概念 ①矩阵 像如下图示的为矩阵,记为A=(aij)m*n ②同型矩阵及矩阵相等 若A、B为如下两个矩阵 如果A和B的行数和列数相等,那么A和B为同型矩阵,且A和B的元素相等(即:aij=bij),则称A和B相等 ③伴随矩阵 设A为n阶矩阵(如上图所示),设A的行列式|A|,则A中aij的余子式为Mij,代数余

    2024年02月04日
    浏览(53)
  • 线性代数——矩阵

    学习高等数学和线性代数需要的初等数学知识 线性代数——行列式 线性代数——矩阵 线性代数——向量 线性代数——线性方程组 线性代数——特征值和特征向量 线性代数——二次型 本文大部分内容皆来自李永乐老师考研教材和视频课。 从矩阵的转置章节到方阵和行列式

    2023年04月08日
    浏览(271)
  • 线性代数(七) 矩阵分析

    从性线变换我们得出,矩阵和函数是密不可分的。如何用函数的思维来分析矩阵。 通过这个定义我们就定义了矩阵序列的 收敛性 。 研究矩阵序列收敛性的常用方法,是用《常见向量范数和矩阵范数》来研究矩阵序列的极限。 长度是范数的一个特例。事实上,Frobenius范数对

    2024年02月08日
    浏览(50)
  • 投影矩阵推导【线性代数】

    如果两个向量垂直,那么满足。但如果两个向量不垂直,我们就将 b 投影到 a 上,就得到了二者的距离,我们也称为向量 b 到直线 a 的误差。这样就有出现了垂直:                (1) 投影向量 p 在直线上,不妨假设  ,那么误差 。带入式(1)中得到: 投影矩阵:  

    2024年02月06日
    浏览(61)
  • 线性代数-矩阵的本质

    线性代数-矩阵的本质

    2024年02月11日
    浏览(48)
  • 线性代数:矩阵的秩

    矩阵的秩(Rank)是线性代数中一个非常重要的概念,表示一个矩阵的行向量或列向量的线性无关的数量,通常用 r ( A ) r(boldsymbol{A}) r ( A ) 表示。具体来说: 对于一个 m × n mtimes n m × n 的实矩阵 A boldsymbol{A} A ,它的行秩 r ( A ) r(boldsymbol{A}) r ( A ) 定义为 A boldsymbol{A} A 的各

    2024年02月07日
    浏览(47)

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