矩阵论矩阵分解汇总.ppt

《矩阵论矩阵分解汇总.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、矩阵的分解汇总目录三角分解(LU分解)Cholesky分解满秩分解矩阵的QR分解矩阵的奇异值分解矩阵的谱分解三角分解(LU分解)矩阵的三角分解主要是用来解方程组Ax=b.如果A=LU,其中L为下三角，U为上三角，则方程组Ax＝b等价于Ly=b,Ux=y.若下三角矩阵L是单位下三角矩阵，称A＝LU为Doolittle分解；若上三角矩阵U是单位上三角矩阵，称A=LU为Crout分解矩阵分解A=LDU，其中，L为单位下三角矩阵，U为单位上三角矩阵。Cholesky分解A是实的对称正定矩阵（或者复Hermite正定矩阵），

2、则存在唯一的下三角阵G，使得A=GGT,其中，G的对角元全正。这种分解称为矩阵A的Cholesky分解。满秩分解在求矩阵的满秩分解的过程中，要求矩阵的逆，这比较麻烦我们将介绍矩阵的Hermit标准形，用它来求矩阵的满秩分解比较方便。矩阵的Hermite标准形矩阵的QR分解矩阵QR分解在求解最小二乘问题、特征值问题等方面具有很重要的运用。QR分解也叫正交三角分解。本节我们介绍三种求QR分解的方法—Schmidt正交化方法、Householder变换法、Givens变换法。矩阵的正交三角分解（QR分解）Househol

3、der变换求QR分解我们先介绍Householder变换的性质如何利用Householder变换求矩阵的QR分解Householder变换Givens变换与正交三角分解Schmidt正交化方法求QR分解Schur分解与正规矩阵Schur定理：设数A为n阶方阵，则存在正交矩阵（酉矩阵）Q，使我们已经知道，对称矩阵可以正交相似对角化由Schur定理，对于一般矩阵，正交相似变换后能化成上三角矩阵对于什么样的矩阵，能够正交相似于一个对角矩阵了？正规矩阵n阶方阵A，若满足AAH=AHA，则A为正规矩阵。（实矩阵：AH=AT，

4、）显然，实对称矩阵、实反对称矩阵、正交矩阵均为正规矩阵；复Hermite矩阵、反Hermite矩阵、酉矩阵均为正规矩阵。定理：n阶方阵A，正交（酉）相似于对角阵的充要条件是：A为正规阵。[证明]由Schur引理：存在正交（酉）矩阵U使得充分性:已知A为正规阵，即AHA=AAH，必要性：已知存在正交（酉）矩阵U使说明：（1）不能酉对角化的矩阵仍有可能采用其它可逆变换将其对角化，例如A不是正规矩阵A具有两个不同的特征值1，3，所以可以相似变换对角化。但不能正交相似对角化。（2）实正规矩阵一般不能通过正交相似变换对角化。

5、（若特征值全为实数，则可正交相似对角化）特征值为1＋2i,1-2iA是实正规矩阵，但不可能正交对角化，但可以酉相似对角化（3）实对称矩阵可以通过正交相似变换对角化。（4）实对称矩阵，复Hermite矩阵的特征值都是实的。实对称矩阵的谱分解和Hermite矩阵的谱分解最常用。矩阵的奇异值分解奇异值分解在最佳逼近、最优化、广义逆、特征值问题的计算等方面具有广泛的应用。矩阵的奇异值分解（SingularValueDecomposition）也叫矩阵的SVD分解只有方阵才有特征值的概念，对于长方形阵，我们引入奇异值的概念。

6、(2)的证明是后面一个引理的直接推论。矩阵的奇异值分解定理对称矩阵的特征值与奇异值有什么关系？反对称矩阵的特征值与奇异值有什么关系？正交矩阵的特征值与奇异值有什么关系？正规矩阵的特征值与奇异值有什么关系？一般方阵的特征值与奇异值有什么关系？矩阵谱分解主要内容：一、单纯形矩阵的谱分解二、正规矩阵与酉对角化三、正规矩阵的谱分解左特征向量给定n阶矩阵A，是A的特征值。由于AT与A有相同的特征值，设Y是AT的属于的特征向量，则称YT是A的属于的左特征向量，也称A的属于的特征向量为右特征向量.两端取转置得：一、单纯形

7、矩阵的谱分解设A是n阶单纯矩阵，1,2,…,n是A的n个不同特征值，x1,x2,…,xn是A的n个线性无关的特征向量，P=(x1,x2,…,xn),则:这表明AT也与对角矩阵相似，故AT也是单纯矩阵其中性质:单纯矩阵不同特征值的左右特征向量是正交的以矩阵特征值的代数重复度都为1为例加以证明:设y1,y2,…,yn是AT的n个线性无关的特征向量.则(y1,y2,…,yn)=(PT)-1=(P-1)T从而即：对于单纯矩阵A（矩阵特征值的代数重复度都为1），---矩阵A的谱分解即单纯矩阵A分解成n个矩阵Ai之和的形

8、式，其系数组合是A的谱（所有相异的特征值）。由则对于有下面的性质：（2）例1求矩阵A的谱分解由得设A的左特征向量为则因为满足可解得从而单纯矩阵A的谱分解定理设单纯矩阵的谱为，则存在唯一的其代数重数分为使2·设n阶单纯矩阵特征值的代数重复度不全为1谱分解定理的证明设对于特征值i，x1i,x2i,…,xmii是A的相应的mi个线性无关的右特征向量，是A的相应的