目标:掌握三角分解、最大秩分解、SVD分解
一、矩阵的三角分解
1.n阶方阵的三角分解
复数域: A=U1*R (U1是酉矩阵,R upper为上线三角形复矩阵)
A=L*U2 (U2是酉矩阵,Lower为下线三角形复矩阵)证明主要通过线性无关、施密特正交化知识点来证明。L,R,U1,U2具有唯一性。
实数域: A=Q1*R A=L*Q2 (R/L是正线上/下三角实矩阵Q是正交矩阵)
三角分解方法:首先对矩阵求特征向量,继而施密特正交化、单位化,构建正交矩阵Q;计算R矩阵。
设A是正定Hermite矩阵,则存在唯一的正线上三角复矩阵,使A=R^H *R。
设A是正定实对称矩阵,则存在唯一的正线上三角实矩阵,使A=R^T *R。
证明该推论及其唯一性。
2.任意矩阵的三角分解
1)不唯一分解:
行满秩矩阵(rank A=m),分解为m阶酉矩阵与n阶正线上三角复矩阵R的乘积。(即酉矩阵*高矩阵)。
列满秩矩阵(rank A=n),分解为n阶正线上三角复矩阵L与n阶酉矩阵的乘积。(即长矩阵*酉矩阵)。
主要利用将多余向量通过线性无关向量表征的方法证明。
2)唯一分解:
当酉矩阵和行满秩矩阵同型(且均行满秩),则A可唯一地分解为A=UR。
当酉矩阵和列满秩矩阵同型(且均列满秩),则A可唯一地分解为A=LU。
主要通过令酉矩阵为一个具体矩阵法验证。
3)普通分解(非方阵、非单边秩)
证明主要通过初等变换、一次行满秩分解、一次列满秩分解得证。
该方法此处简要学习,为SVD分解学习做准备。
二、矩阵的谱分解
1. 单纯矩阵的谱分解
代数重复度(特征多项式对应次数)、几何重复度(特征子空间的维数)。
若矩阵A的每个特征值的代数重复度与几何重复度相等,则称矩阵A为单纯矩阵。、
单纯矩阵与对角阵相似,有n个线性无关向量,矩阵A可逆。
单纯矩阵可分解为一系列幂等矩阵的加权和。其中,幂等矩阵满足:幂等性、可分离性、可加性。
单纯矩阵的充要条件,k个矩阵Ai满足幂等性、可分离性、可加性。
2.正规矩阵及其分解
若n阶复矩阵满足A*A^H =A^H*A,则A为正规矩阵。
正规矩阵与对角阵酉相似(条件更强:不仅线性无关且正交)
若正规矩阵A与B酉相似,则B也是正规矩阵。
Schur定理:A是n阶方阵,存在酉矩阵U,使得A=U*R*U^H.其中,R是一个上三角矩阵且主对角线上的元素为A的特征值
设A正规矩阵且是三角矩阵,则A是对角矩阵。
n阶复矩阵A是正规矩阵的充要条件是A与对角矩阵酉相似。即存在n阶酉矩阵U,使得:
正规矩阵的重要条件是k个矩阵Ai满足:幂等性、可分离性、可加性、正交性。
三、矩阵的最大秩分解
任意矩阵A可分解为列满秩矩阵B和行满秩矩阵的乘积,即A=BD。
最大秩分解步骤:
1. 进行初等行变换,化为行标准形
2. 行标准形矩阵A的非零元所对应的列为矩阵B,非零行则构成D。
当然使用列变换也可以进行最大秩分解,这两种方法也表明最大秩分解不唯一。
当然,不同方法得到的BD满足一定的唯一性。(即唯一A+=右逆*左逆=D+ *B+):
四、矩阵的奇异值分解
A=UBV,则A、B酉等价,并且A、B有相同正奇异值.
奇异值分解定理
奇异值分解步骤:
1.求A*A^H的特征值及特征向量
2.构造酉矩阵U
3.构造酉矩阵V。先构造V1,再利用正交性找出V2,从而构造出V。
方法不止一种,自己知道如何手算SVD,熟悉之后充分利用SVD进行工程上的应用。