第六章 矩阵函数

这篇具有很好参考价值的文章主要介绍了第六章 矩阵函数。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。

矩阵多项式

就是 f ( x ) 变成了 f ( A ) 就是 f(x) 变成了 f(A) 就是f(x)变成了f(A)
难点在于 A k A^k Ak不好算。
解决方案是利用 J o r d a n Jordan Jordan 标准型来做。
f ( A ) = P d i a g ( f ( J 1 ) , f ( J 2 ) , … , f ( J r ) ) P − 1 \Large f(A) = Pdiag(f(J_1),f(J_2),\dots,f(J_r))P^{-1} f(A)=Pdiag(f(J1),f(J2),,f(Jr))P1
其中,
f ( J i ) = [ f ( λ i ) f ′ ( λ i ) … 1 ( d i − 1 ) f ( d i − 1 ) ( λ i ) f ( λ i ) ⋱ f ′ ( λ i ) f ( λ i ) ] d i × d i \Large f(J_i)= \left[ \begin{matrix} f(\lambda_i) &f'(\lambda_i)&\dots & \frac{1}{(d_i-1)}f^{(d_i-1)}(\lambda_i) \\ & f(\lambda_i) &\\ & &\ddots & f'(\lambda_i) \\ & & &f(\lambda_i)\\ \end{matrix} \right]_{d_i\times d_i} f(Ji)= f(λi)f(λi)f(λi)(di1)1f(di1)(λi)f(λi)f(λi) di×di

最小多项式

化零多项式: f ( A ) = O n × n f(A)=O_{n\times n} f(A)=On×n
f ( λ ) f(\lambda) f(λ) ,即A 的特征多项式,也是化零多项式。
定义:已知 A ∈ C n × n A\in C^{n\times n} ACn×n ,在 A A A 的化零多项式中,次数最低且首项系数为1的化零多项式称为 A A A 的最小多
项式,通常记为 m ( λ ) m(\lambda) m(λ)
第六章 矩阵函数,矩阵分析,矩阵,线性代数
jordan 标准型的 m ( λ ) m(\lambda) m(λ) ( λ − λ i ) d i (\lambda - \lambda_i)^{d_i} (λλi)di
那整个矩阵A的最小多项式就是 m 1 ( λ ) , m 2 ( λ ) , … , m r ( λ ) m_1(\lambda),m_2(\lambda),\dots,m_r(\lambda) m1(λ),m2(λ),,mr(λ)的最小公倍式。

第六章 矩阵函数,矩阵分析,矩阵,线性代数
求得最小多项式 m ( λ ) = ( λ − λ 1 ) d 1 ( λ − λ 2 ) d 2 … ( λ − λ s ) d s \large m(\lambda) = (\lambda-\lambda_1)^{d_1}(\lambda-\lambda_2)^{d_2}\dots (\lambda-\lambda_s)^{d_s} m(λ)=(λλ1)d1(λλ2)d2(λλs)ds

p ( x ) = a 0 + a 1 x + a 2 2 ⋯ + a m − 1 m − 1 ,其中 m = ∑ i = 1 s d i f ( x ) = p ( x ) f ( k ) ( λ i ) = p ( k ) ( λ i ) , i = 1 , 2 , … , s ; k = 1 , 2 , … , d i − 1. 解得 a 0 . a 1 , … , a m − 1 后 : f ( A ) = a m − 1 A m − 1 + a m − 2 A m − 2 + ⋯ + a 1 A + a 0 I \large p(x) = a_0 + a_1x+a_2^2\dots+a_{m-1}^{m-1},其中 m = \sum_{i=1}^{s}{d_i}\\ f(x) = p(x)\\ f^{(k)}(\lambda_i)=p^{(k)}(\lambda_i),i=1,2,\dots,s;k=1,2,\dots,d_i-1.\\ 解得a_0.a_1,\dots,a_{m-1}后:\\ f(A)=a_{m-1}A^{m-1}+a_{m-2}A^{m-2}+\dots+a_1A+a_0I\\ p(x)=a0+a1x+a22+am1m1,其中m=i=1sdif(x)=p(x)f(k)(λi)=p(k)(λi),i=1,2,,s;k=1,2,,di1.解得a0.a1,,am1:f(A)=am1Am1+am2Am2++a1A+a0I
第六章 矩阵函数,矩阵分析,矩阵,线性代数

求矩阵函数方法一: 求得 J 和相似变换矩阵 P 求得J 和 相似变换矩阵 P 求得J和相似变换矩阵P

第六章 矩阵函数,矩阵分析,矩阵,线性代数

求矩阵函数方法二: 利用最小多项式 m ( λ ) 利用最小多项式m(\lambda) 利用最小多项式m(λ)

第六章 矩阵函数,矩阵分析,矩阵,线性代数

指数矩阵函数和三角矩阵函数:

第六章 矩阵函数,矩阵分析,矩阵,线性代数

矩阵函数的幂级数:

第六章 矩阵函数,矩阵分析,矩阵,线性代数
第六章 矩阵函数,矩阵分析,矩阵,线性代数文章来源地址https://www.toymoban.com/news/detail-756177.html

到了这里,关于第六章 矩阵函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

  • 【考研数学】线性代数第六章 —— 二次型(2,基本定理及二次型标准化方法)

    了解了关于二次型的基本概念以及梳理了矩阵三大关系后,我们继续往后学习二次型的内容。 定理 1 —— (标准型定理)任何二次型 X T A X pmb{X}^Tpmb{AX} X T A X 总可以经过可逆的线性变换 X = P Y pmb{X=PY} X = P Y ,即 P pmb{P} P 为可逆矩阵,把二次型 f ( X ) f(pmb{X}) f ( X ) 化为标准

    2024年02月07日
    浏览(30)
  • 【课后习题】 线性代数第六版第二章 矩阵及其运算 习题二

    习题二 1. 计算下列乘积: (1) ( 4 3 1 1 − 2 3 5 7 0 ) ( 7 2 1 ) left(begin{array}{rrr}4 3 1 \\\\ 1 -2 3 \\\\ 5 7 0end{array}right)left(begin{array}{l}7 \\\\ 2 \\\\ 1end{array}right) ⎝ ⎛ ​ 4 1 5 ​ 3 − 2 7 ​ 1 3 0 ​ ⎠ ⎞ ​ ⎝ ⎛ ​ 7 2 1 ​ ⎠ ⎞ ​ ; (2) ( 1 , 2 , 3 ) ( 3 2 1 ) (1,2,3)left(begin{array}{l}3 \\\\ 2 \\\\ 1end{ar

    2024年02月05日
    浏览(30)
  • 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(40)
  • 线性代数的学习和整理13: 函数与向量/矩阵

    目录 1 函数与 向量/矩阵 2 初等数学的函数 2.1 函数 2.2 函数的定义:定义域  →映射→  值域 3  高等数学里的函数:定义域和陪域/到达域(非值域)的映射关系 3.1 函数 3.2 单射,满射,双射等都是针对定义域 和 陪域的 3.3 易错地方:值域较小且是被决定的 3.4 单射,满射,

    2024年02月11日
    浏览(51)
  • 线性代数的学习和整理14: 线性方程组求解的3种方法,重点讲矩阵函数求解

    目录 0 写在前面的一些内容 0.1 学习心得: 0.2 参考其他书籍总结的知识点,对照学习 1 线性方程组求解 1.1 常见的线性方程组如下 1.2 记住常见的 矩阵函数的维数的关系 1.3  需要求解的方程组和矩阵的对应关系,需要先厘清 1.3.1 如果只需要求解x,是类 Ax=b的形式 1.3.2   如

    2024年02月05日
    浏览(46)
  • 从零开始学数据分析之——《线性代数》第二章 矩阵

    元素全为实数的矩阵称为实矩阵  元素全为负数的矩阵称为复矩阵 只有一行(列)的矩阵称为行(列)矩阵 元素全为零的矩阵称为零矩阵 行数和列数都等于n的矩阵称为n阶矩阵或n阶方阵 主对角线元素全为1,其余元素全为0的矩阵称为单位矩阵,记作E或I 两个矩阵行数和列数

    2023年04月23日
    浏览(40)
  • 强对偶成立的条件:从线性代数到函数分析

    强对偶(Strong Duality)是一个在优化问题中非常重要的概念,它表示原始优化问题和其对偶(Dual)问题的最优值之间的关系。在许多实际应用中,强对偶成立的条件是非常有用的,因为它可以帮助我们更有效地解决问题。在这篇文章中,我们将讨论强对偶成立的条件,从线性代数到

    2024年02月21日
    浏览(30)
  • <3>【深度学习 × PyTorch】必会 线性代数 (含详细分析):点积 | 矩阵-向量积 | Hadamard积 | 矩阵乘法 | 范数/矩阵范数

      拍照的意义在于你按下快门的那一刻,万里山河的一瞬间变成了永恒。   🎯作者主页: 追光者♂🔥          🌸个人简介:   💖[1] 计算机专业硕士研究生💖   🌟[2] 2022年度博客之星人工智能领域TOP4🌟   🏅[3] 阿里云社区特邀专家博主🏅   🏆[4] CSDN-人工智能领域

    2024年02月05日
    浏览(41)
  • 线性代数的学习和整理13: 定义域,值域,到达域 和单射,满射,双射,反函数,逆矩阵

    目录 1 函数与 向量/矩阵 2 初等数学的函数 2.1 函数 2.2 函数的定义:定义域  →映射→  值域 3  高等数学里的函数:定义域和陪域/到达域(非值域)的映射关系 3.1 函数 3.2 单射,满射,双射等都是针对定义域 和 陪域的 3.3 易错地方:值域较小且是被决定的 3.4 单射,满射,

    2024年01月20日
    浏览(40)
  • 第六章,线性变换,1-线性变换、表示矩阵、线性算子

    玩转线性代数(32)线性变换的相关概念的笔记,相关证明以及例子见原文 一个将向量空间V映射到向量空间W的映射L,如果对所有的 v 1 , v 2 ∈ V v_1,v_2in V v 1 ​ , v 2 ​ ∈ V 及所有的标量 α alpha α 和 β beta β ,有 L ( α v 1 + β v 2 ) = α L ( v 1 ) + β L ( v 2 ) L(alpha v_1+beta v_2)=alph

    2024年02月10日
    浏览(35)

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