第3章 矩阵分解.pptVIP

第3章、 矩阵的分解;矩阵分解的概述;§3.1 常见的矩阵标准形与分解;一、矩阵的三角分解;三角分解的存在性和惟一性 定理3.1 （P.62） ： 矩阵的k 阶主子式：取矩阵的前k行、前k列得到的行列式，k=1，2， … ，n。 定理: A?Fn?n有惟一LDV分解的充要条件是A的顺序主子式Ak非零，k =1，2，…，n-1。 ;二、矩阵的满秩分解;三、可对角化矩阵的谱分解;2、 矩阵可以对角化的一个充要条件 定理3.5（P.73 ） 矩阵A可以相似对角化当且仅当矩阵A有谱分解 ，满足条件：;3. 幂等矩阵的性质 定理3 .4（P.72）P?Fn?n ，P2=P，则 矩阵PH和矩阵（I–P）仍然是幂等矩阵。 P 的谱?{0，1}，P 可相似于对角形。 Fn = N（P）? R（P） N（P）=V ?=0 ，R（P）=V?=1 P和（I – P）的关系 N（I – P）=R（P），R（ I – P ）=N（P） Hermite 矩阵的谱分解 定理3 .6（P.73）设A是秩为k的半正定的Hermite 矩阵，则A可以分解为下列半正定矩阵的和。 A=v1v1H+v2v2H+…vkvkH;§3.2 Schur 分解和正规矩阵 ;一、 Schur 分解;2 、Schur 分解 定理3.7（P.74 ）对矩阵A?Cn?n，存在酉矩阵U和上三角矩阵T，使得 UHAU=T= ;二、正规矩阵（Normal Matrices）;2、正规矩阵的基本特性 定理3.10 （P.78 ） ： A?Cn?n正规?A酉相似于对角形。 推论：正规A?Cn?n?A有n个标准正交的特征向量构成空间Cn 的标准正交基。 定理3.11（P.80 ）（正规矩阵的谱分解） A正规?A有如下谱分解： ;3、正规性质的应用举例 例题1（P.79 ，eg12） 例题2 设A?Rn?n，AT=–A，证明 A的特征值是零和纯虚数。 矩阵A的秩是偶数。;§3 ? 3 矩阵的奇异值分解;§3?3 矩阵的奇异值分解;一、矩阵A的奇异值及其性质;3、特殊矩阵的奇异值： 定理3?13（P?82）： 正规矩阵A的奇异值等于A的特征值的模长。 正定的Hermite矩阵A的奇异值就是A的特征值。 酉等价矩阵的奇异值相等。;二、矩阵的奇异值分解;例题1 求矩阵A的奇异值分解，A= 。 ;2、矩阵U，V的空间性质： V=[v 1，v2，?，vr ，? ，v n] =[V1 V2]?C n×n的列向量是空间C n的标准正交基。 V2的列向量是空间N（A）的标准正交基。 V1的列向量是空间 N ? （A） 的标准正交基。 U=[u 1，u2，?，ur ，? ，u m] =[U1 U2]?C m×m的列向量是空间C m的标准正交基。 U1 的列向量是R（A）的标准正交基。 U2的列向量是R ? （A）的标准正交基。 3、奇异值分解的展开形式及其应用 定理3 ? 15（ P?87） ;例题：图像的数字化技术与矩阵的奇异值分解 ;压缩数字化图形存储量的方法主要是应用矩阵的奇异值分解和矩阵范数下的逼近。如果图象的数字矩阵A的奇异值分解为：A=U?VT， 其展开式： ;存储矩阵Ak只需要存储k个奇异值，k个m维向量ui和n维向量vj的所有分量，共计k（m+n+1）个元素。 如果m=n=1000，存储原矩阵A需要存储1000×1000个元素。取k=100时，图象已经非常清晰了，这时的存储量是100（2000+1）=200100个数。 和矩阵A比较，存储量减少了80%。; ;四、矩阵的极分解（Polar Decomposition）;例题1 （ P?90） 求矩阵A= 的极分解， 依此讨论变换Y=AX的几何特性。