• 矩阵分析与应用


    本文学习来源是《矩阵分析与应用》

    矩阵的二次型

    任意一个正方矩阵A的二次型x^{H}Ax是一个实标量,以实矩阵为例:
     

    x^{T}Ax =\begin{bmatrix} x_{1} ,x_{2} , x_{3} \end{bmatrix}\begin{bmatrix} 1 & 4&2 \\ -1& 7&5 \\ -1&6 & 3 \end{bmatrix}\begin{bmatrix} x_{1}\\ x_{2}\\ x_{3} \end{bmatrix} \\ =x_{1}^{2}-x_{2}x_{1}-x_{3}x_{1}+4x_{1}x_{2}+7x_{2}^{2}+6x_{3}x_{2}+2x_{1}x_{3}+5x_{2}x_{3}+3x_{3}^{2}\\=x_{1}^{2}+7x_{2}^{2}+3x_{3}^{2}+3x_{1}x_{2}+x_{1}x_{3}+11x_{2}x_{3}

    这是变量x的二次型函数,我们称x^{T}Ax为矩阵A的二次型。

    推而广之,若x=[x_{1},x_{2},.. .,x_{n}]^{T},且n\times n矩阵A的元素为a_{ij},则二次型

    x^{T}Ax=\sum_{i=1}^{n}\sum_{j=1}^{n}x_{i}x_{j}a_{ij} \\=\sum_{i=1}^{n}a_{ii} x_{i}^{2}+\sum_{i=1,i\neq j}^{n}\sum_{j=1}^{n}a_{ij}x_{i}x_{j}\\=\sum_{i=1}^{n}a_{ii} x_{i}^{2}+\sum_{i=1}^{n-1}\sum_{j=i+1}^{n}(a_{ij}+a_{ji})x_{i}x_{j}

    若两个矩阵A,B满足对角线相等,且满足a_{ij}+a_{ji}=b_{ij}+b_{ji},则这两个矩阵的二次型就相等。

    如:

    A=\begin{bmatrix} 1 & 4&2 \\ -1& 7&5 \\ -1&6 & 3 \end{bmatrix}B=\begin{bmatrix} 1 & -1&-1 \\ 4& 7&6 \\ 2&5 & 3 \end{bmatrix}C=\begin{bmatrix} 1 & 114&52\\ -111& 7&2 \\ -51&9 & 3 \end{bmatrix}

    具有相同的二次型。即:

    x^{T}Ax=x^{T}Bx=x^{T}Cx\\=x_{1}^{2}+7x_{2}^{2}+3x_{3}^{2}+3x_{1}x_{2}+x_{1}x_{3}+11x_{2}x_{3}

    即对于任何一个二次型函数

    f\left ( x_{1},x_{2},.. .,x_{n} \right )=\sum_{i=1}^{n}\alpha _{ii}x_{i}^{2}+\sum_{i=1,i \neq j}^{n}\sum_{j=1}^{n}\alpha _{ij}x_{i}x_{j}

    存在许多矩阵A,它们的二次型x^{T}Ax=f\left ( x_{1},x_{2},.. .,x_{n} \right )相同,但是,只有一个唯一的对称矩阵A满足x^{T}Ax=f\left ( x_{1},x_{2},.. .,x_{n} \right ),其元素为a_{ii}=\alpha _{ii}a_{ij}=a_{ji}=\frac{1}{2}(\alpha _{ij}+\alpha _{ji}),其中,i=1,2,.. .,n,j=1,2,.. .,n,i\neq j。因此在讨论矩阵A的二次型时,通常都假定A为实对称矩阵或复共轭对称矩阵。

    一个复共轭对称矩阵A称为:

    • 正定矩阵,若二次型x^{H}Ax> 0,\forall x \neq 0
    • 半正定矩阵,若二次型x^{H}Ax\geqslant 0,\forall x \neq 0
    • 负定矩阵,若二次型x^{H}Ax< 0,\forall x \neq 0
    • 半负定矩阵,若二次型x^{H}Ax\leqslant 0,\forall x \neq 0
    • 不定矩阵,若二次型x^{H}Ax既可能取正值,也可能取负值。

    例如:实对称矩阵

    R=\begin{bmatrix} 3 & -1&0 \\ -1 & 3& -1\\ 0&-1 & 3 \end{bmatrix}

    是正定的,因为二次型x^{H}Rx=2x_{1}^{2}+x_{2}^{2}+2x_{3}^{2}+\left ( x_{1}-x_{2} \right )^{2}+\left ( x_{2}-x_{3} \right )^{2}> 0,仅x_{1}=x_{2}=x_{3}=0时等式为0。

    这里继续学习一个非负矩阵的概念。

    设矩阵A_{m \times n}的元素为a_{ij},若

    a_{ij}\geqslant 0, \forall i=1,2,.. .,m,j=1,2,.. .,n

    即A的所有元素都是非负的,则称A为非负矩阵。

    若A的所有元素都是正的,则称A为正矩阵。

    非负矩阵和正矩阵分别用符号A\geqslant 0A> 0简记,以下是正定矩阵和正矩阵之间的区别:

    正定矩阵一定是正方的矩阵,但是正矩阵可以是非正方的。

    正定矩阵A的定义为:x^{H}Ax> 0,\forall x \neq 0,正矩阵的定义为:a_{ij} > 0

    正定矩阵的符号为:x^{H}Ax>0,正矩阵的符号为:A>0

    矩阵的迹

    n*n矩阵A的对角元素之和称为A的迹,非正方矩阵没有迹。迹记作tr(A),即:
    tr(A)=a_{11}+a_{22}+.. .+a_{nn}=\sum_{i=1}^{n}a_{ii}

    以下是关于迹的等式:

    1. 若A和B均为n*n的矩阵,则tr(A\pm B)=tr(A) \pm tr(B)
    2. 若c是一个复常数或者实常数,则tr(cA)=ctr(A)
    3. 若A和B均为n*n的矩阵,且c_{1}c_{2}为常数,则tr(c_{1}A\pm c_{2}B)=c_{1}tr(A) \pm c_{2}tr(B)
    4. 矩阵A的转置,复数共轭的迹为:tr(A^{T})=tr(A),tr(A^{*})=[tr(A)]^{*}
    5. 若A为m*n矩阵,B为n*m矩阵,则tr(AB)=tr(BA)
    6. 若A,B均是一个m*m矩阵,且B非奇异,则tr(BAB^{-1})=tr(B^{-1}AB)=tr(A)
    7. 若A是一个m*n的矩阵,则tr(A^{H}A)=0\Leftrightarrow A=O_{m \times n}
    8. 迹等于特征值之和,即tr(A)=\lambda _{1}+\lambda _{2}+.. .+\lambda _{n}
    9. tr(A^{k})=\sum_{i=1}^{n}\lambda _{i}^{k}
  • 相关阅读:
    数字孪生|数字孪生装备-关键技术和发展阶段
    Real-Time Rendering——8.1.4 Rendering with RGB Colors8.1.4用RGB颜色渲染
    Spring Boot 入门
    Requests爬虫方法
    nacos2.1集成达梦数据库
    数据结构和算法
    SpringCloud (五) ——Feign远程调用
    一文5000字从0到1使用Jmeter实现轻量级的接口自动化测试(图文并茂)
    supervisorctl(-jar)启动配置设置NACOS不同命名空间
    066:mapboxGL的marker的drag,dragstart,dragend三种触发事件示例
  • 原文地址:https://blog.csdn.net/weixin_46007132/article/details/125591473