基础部分人工智能数学线代矩阵分解.pdfVIP

第六章矩阵分解

•内容提要

§1特征分解

§2

从整数分解谈矩阵特征分解

•分解：分解为多个组成部分，找到表达方式不变的通用

属性，帮助更好理解。

从整数分解谈矩阵特征分解

•分解：分解为多个组成部分，找到表达方式不变的通用

属性，帮助更好理解。

12=2×2×3

从整数分解谈矩阵分解

•分解：分解为多个组成部分，找到表达方式不变的通用

属性，帮助更好理解。

12=2×2×3

•12不能被5整除

•12的倍数可以被3整除

➢

➢

•如果说一个非零向量v是方阵A的特征向量，则一定

可以表示成下面的形式：

Avv

•λ被称为特征向量v对应的特征值

•如果说一个非零向量v是方阵A的特征向量，则一定

可以表示成下面的形式：

Avv

•λ被称为特征向量v对应的特征值

•性质：

•非零性

•v是特征向量，则sv也是特征向量

•是将一个矩阵分解成下面的形式：

AVdiag()V−1

•V是矩阵A的线性无关的特征向量组成的矩阵

12

V={,,…,}

•Σ是一个对角阵，对角线上元素就是一个特征值

12

{,,…,}对应的特征向量

12

{,,…,}

•的存在性

•不是每一个矩阵都可以特征分解

•实对称矩阵都可以特征分解

•=

•Q是A的特征向量组成的正交矩阵，Λ是对角矩阵

•的唯一性

•可能并不唯一

•正定矩阵

•半正定矩阵

•负定矩阵

•半负定矩阵

•是一个提取矩阵特征很不错的方法

•但是它只是对方阵而言的，在现实的世界中，我们看

到的大部分矩阵都不是方阵

•比如说有N个学生，每个学生有M科成绩，这样形成

的一个N*M的矩阵就不可能是方阵

我们怎样才能描述这样普通的矩阵呢的重要特征呢？

可以用来干这个事情，是一个能

适用于任意矩阵的一种分解的方法

•应用广泛

•每个实数矩阵都有一个，但不一定都有

特征分解

•非方阵的矩阵没有特征分解，这时只能使用

分解形式：

•A是一个N×M的矩阵

•U是一个M×M的方阵

•U的列向量称为左奇异向量

•Σ是一个N×M的矩阵

•除了对角线的元素都是0，对角线上的元素称为

奇异值

T

•V是一个N×N的矩阵

T

•V列向量称为右奇异向量

•那么奇异值和特征值是怎么对应起来的呢？

•将一个矩阵A的转置乘以A，并将会得到一个方程：

•我们利用这个方阵求特征值λi以及特征向量组V，

就是我们上面的右奇异向量。此外我们还可以得到：

•这里的σ就是奇异值，u就是上面说的左奇异向量。

奇异值σ跟特征值类似，在矩阵Σ中也是从大到小排列，

而且σ的减少特别的快，在很多情况下，前10%甚至1%