矩阵理论学指导.docVIP

矩阵理论学习指导 三矩阵的分解 矩阵分解就是通过线性变换，将某个给定矩阵分解为两个或三个结构比较简单或性质比较熟悉的矩阵的乘积(个别情况下分解为两个矩阵的和).这一方法在线性方程组求解、模型参数估计等许多典型问题中经常使用，所以矩阵分解对矩阵理论及近代计算数学以及工程技术问题的发展起了重要作用. 譬如,矩阵的奇异值分解在图像压缩中有着很重要的应用.现假定一幅图像有n×n个像素，如果将这n2个数据一起传送，往往显得数据量太大. 因此，能否利用一种技术，只传送比较少的数据，在接收端还能够利用这些数据重构原图像呢? 假设n阶方阵A表示要传送的原n×n个像素，由矩阵A的奇异值分解可得A=UΣVT,其中,奇异值按照由大到小的顺序排列.如果从中选择k个大奇异值以及与这些奇异值对应的左右奇异向量逼近原图像,就可以使用k(2n+1)个数值代替原来的n×n个图像数据. 这k(2n+1)个选出的新数据是矩阵A的前k个奇异值，n×n左奇异向量矩阵U的前k列元素和n×n右奇异向量矩阵V的前k列元素. 比率ρ=n2k(2n+1)称为图像的压缩比. 显然，选出的大奇异值的个数k应该满足k(2n+1)n2，即kn22n+1. 因此，在传送图像的过程中，无需传送n×n个原始数据，只需要传送k(2n+1)个相关奇异值和奇异向量的数据即可.在接收端，在接收到奇异值σ1,σ2,…,σk以及左奇异向量u1,u2,…,uk和右奇异向量1,2,…,k后，即可通过截尾的奇异值分解公式A^=∑ki=1σiuiTi重构出原图像. 一个容易理解的事实是,若k值偏小，即压缩比ρ偏大，则重构的图像的质量有可能不令人满意. 反之，过大的k值又会导致压缩比过小，降低图像压缩和传送的效率. 所以,需要针对各种不同种类的图像，选择合适的压缩比，以兼顾图像传送效率和重构质量.矩阵理论学习指导第三章矩阵的分解一、 基 本 概 念 1. 三角矩阵的定义 (1) 如果aii(i=1,2,…,n)均为正实数，aij∈C(aij∈R)(ij,i=1,2,…,n-1;j=i+1,i+2,…,n) ，则上三角矩阵R=a11a12…a1n 0a22…a2n  00…ann称为正线上三角复(实)矩阵. 特别当aii=1(i=1,2,…,n)时，R称为单位上三角复(实)矩阵. (2) 如果aii(i=1,2,…,n)均为正实数，aij∈C(aij∈R)(ij,j=1,2,…,n-1;i=j+1,j+2,…,n),则下三角矩阵L=a110…0 a21a22…0  an1an2…ann称为正线下三角复(实)矩阵. 特别当aii=1(i=1,2,…,n)时,L称为单位下三角复(实)矩阵. 2. 单纯矩阵 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A为单纯矩阵. 3. Hermite矩阵 设A∈Cn×n，若AH=A，则称A是Hermite矩阵；若AH=-A，则称A是反Hermite矩阵. 当A为实对称矩阵时，AH=AT=A，所以实对称矩阵是Hermite矩阵的特殊情形. 4. 正规矩阵 若n阶复矩阵A满足AAH=AHA，则称A为正规矩阵. 当A为n阶实矩阵且满足AAT=ATA时，则称A为实正规矩阵. 显然，对角矩阵、酉矩阵、Hermite矩阵、反Hermite矩阵都是正规矩阵；正交矩阵、实对称矩阵和实反对称矩阵都是实正规矩阵. 但正规矩阵并不一定是Hermite矩阵. 5. 设A∈Cn×n是Hermite矩阵，对任意非零向量X∈Cn，均有f(X)=XHAX0 (≥0),则称二次型f(X)是正定(半正定)二次型，此时称系数矩阵A正定(半正定). 6. 广义正定矩阵 设A∈Rn×n，若对于任何非零向量X∈Rn，均有XHAX0,则称矩阵A为广义正定矩阵. 7. 奇异值 设A∈Cn×nr,AHA的特征值为λ1≥λ2≥…≥λr≥λr+1=…=λn=0,则称σi=λi(i=1,2,…,r)为矩阵A的正奇异值. 8. 酉等价 设A,B∈Cm×n，如果存在酉矩阵U∈Cm×m和V∈Cn×n，使得A=UBC，则称A与B酉等价. 二、 主 要 结 论1. n阶非奇异方阵的三角分解的存在性 定理1 设A∈Cn×nn,则A可唯一地分解为A=U1R,其中U1是酉矩阵，R是正线上三角复矩阵；或者，A可唯一地分解为A=LU2,其中L是正线下三角复矩阵,U2是酉矩阵. 若矩阵A∈Rn×nn，则可立即得到下面推论. 推论1 设A∈Rn×n