引入
矩阵对角化总结
- 如果矩阵
有n个线性无关的特征向量,则存在矩阵P使得
。这里P就是由这n个线性无关的特征向量所构成的,而对角阵
对角线上的值就是A的n个特征值。
- 如果矩阵
即A是对称阵,则一定存在正交矩阵P使得
假设我们要处理一个1080*720分辨率的一张图片,想把它分解成一个对角矩阵两边乘以简单矩阵的形式。但是很明显这张图片表示的矩阵不是方阵,找不到这样的对角矩阵。
所以面对这样的一般矩阵要如何处理,就是下面要介绍的奇异值分解。
奇异值分解
预备知识
这里对实数矩阵矩阵其实就是
,对复矩阵就是取一次共轭再做转置。
(1)证明:而这里我们只讨论实矩阵,所以(1)就是要证明的特征值都是非负实数。而上一节我们讲了
是一个半正定阵(要判断是否是正定矩阵,就要用一个试探向量x,得
),所以
的所有特征值
都是大于等于0的.
(2)证明:这里其实就是要证明与
的解空间是一样的,因为N(A)+R(A)=n。那么可以尝试证明
与
的解是否是一样的。首先易得对所有
,都有
。然后对所有
,都有
,即
,而Ax是一个列向量,所以
。这样我们就证明了
与
的解是完全一样的,那么
与
的解空间N(A)是一样的。又因为r(A)=n-N(A),所以他们的秩也是一样的。
(3)证明:
证明:首先,所以根据上述的性质(2)有
。因为
是对称矩阵,所以
,且
的对角线上分别是A的特征值
。又因为对可逆矩阵P,Q,如果
,则R(A)=R(B),所以
,所以
,所以有r个特征值
是大于0的。
SVD分解
注意这里酉矩阵是对包含复矩阵而言,对实矩阵就是正交矩阵,即.
另外注意这里的不一定是方阵。
以上就是任意一个矩阵的奇异值分解的证明,并且也是矩阵奇异值分解的过程,即找到一个简单的矩阵和两个正交矩阵,将其表示成简单的形式。
下面举个例子辅助理解: