【从几何角度理解 | 您所在的位置:网站首页 › span线性空间 › 【从几何角度理解 |
线性代数---特征值与特征向量
二维空间某个线性变换在本例中对于特征值的正负问题3维向量(特征值的用途)特征向量在线性变换中的作用特征向量的概念与计算如何求解该等式二维变换不一定有特征向量特征基用基变换角度,求解非对称矩阵的幂运算(相似对角化)引用:
二维空间某个线性变换
对于二维空间两个基向量 i ^ \hat i i^ 和 j ^ \hat j j^,发生线性变换之后得到 i ^ = [ 3 0 ] \hat i = \begin{bmatrix} 3\\ 0\\ \end{bmatrix} i^=[30] 和 j ^ = [ 1 2 ] \hat j = \begin{bmatrix} 1\\ 2\\ \end{bmatrix} j^=[12] 用矩阵来表示 [ 3 1 0 2 ] \begin{bmatrix} 3 & 1\\ 0 & 2 \\ \end{bmatrix} [3012] 若仅仅考虑这个向量张成的原空间(未发生线性变换) 补充:张成(span):向量空间 V V V中的一组向量 ( V 1 , V 2 , . . . , V m ) (V_1,V_2,...,V_m) (V1,V2,...,Vm)的线性组合是如下形式的向量: a 1 v 1 + a 2 v 2 + . . . + a m v m a_1v_1 + a_2v_2 + ... + a_mv_m a1v1+a2v2+...+amvm 若发生线性变换之后,大部分向量都离开了其张成的空间 若发生线性变换之后,某些特殊向量的确留在它们张成的空间里 意味着矩阵对它的作用仅仅是拉伸或者压缩而已,如同一个标量 在本例中i ^ \hat i i^张成的空间为x轴, [ 3 0 ] \begin{bmatrix} 3\\ 0\\ \end{bmatrix} [30]意味着 i ^ \hat i i^变成了原来的3倍,仍留在在x轴上 因此,在x轴上的任何其他向量都只是被拉伸为原来的3倍,它们也留在了 i ^ \hat i i^张成空间里 还有一个略显隐蔽的向量 [ − 1 1 ] \begin{bmatrix} -1\\ 1\\ \end{bmatrix} [−11],在变换汇总也留在自己张成的空间里,最终被拉伸为原来的2倍 同上,线性性质暗示着一点,处在它所张成的对角线上的其他任何一个向量 ,也仅仅倍拉伸为原来的2倍 对于上述矩阵,以上两向量就是拥有这一特殊性质它们张成的空间里)的向量 因此,上述这些特殊向量就被称为变换的“特征向量” 特征值:即衡量特征向量在变换中拉伸或压缩比例的因子 对于特征值的正负问题特征值为负,意味着这个向量被反向,并压缩为原来的1/2 发生线性变换之后,该向量依旧停留在它张成的直线上,并未发生旋转 3维向量(特征值的用途) 例如,3维物体发生旋转,其中的旋转轴就为其特征向量,且为3维物体张成的空间里的向量,且特征值为1,因为旋转并不缩放任何一个向量,向量长度不变 特征向量在线性变换中的作用对于任一矩阵描述的线性变换 可以通过将矩阵的列看作变换后的基向量来理解它 但这较少依赖于特定坐标系 最好理解线性变换在于,求出从矩阵变换之后的特征向量和特征值 特征向量的概念与计算特征向量概念 A v ⃗ = λ v ⃗ A\vec v = \lambda \vec v Av =λv 抽象理解:变换矩阵 A A A和特征向量 v ⃗ \vec v v 乘积,发生线性变换,等价于, 特征向量 v ⃗ \vec v v 拉伸或压缩了多少倍的特征值 λ \lambda λ 实际上就是求解使得这个等式成立的向量 v ⃗ \vec v v 和数 λ \lambda λ 如何求解该等式 首先将等号右侧重写为某个矩阵向量乘积( λ v ⃗ \lambda\vec v λv )其中,矩阵的作用效果是将任一向量乘以 λ \lambda λ这个矩阵的列代表着变换后的基向量,每一个基向量仅仅与 λ \lambda λ 相乘因此该矩阵的对角元均为 λ \lambda λ,其余位置都是0, [ λ 0 0 0 λ 0 0 0 λ ] \begin{bmatrix} \lambda & 0 & 0\\ 0 & \lambda & 0\\ 0 & 0 & \lambda \end{bmatrix} λ000λ000λ 且我们需要一个非零解的 v ⃗ \vec v v 特征向量因此,当且仅当矩阵(括号里)代表的变换将空间压缩到更低的维度时,即行列式为0,可以求出,非零解的特征向量 d e t ( A − λ I ) = 0 det(A-\lambda I) = 0 det(A−λI)=0补充:求矩阵的行列式的意义为:该矩阵在线性变换过程中,变换前后面积变化比例当且仅当 d e t ( A ) = 0 det(A) = 0 det(A)=0时,矩阵代表的变换将空间压缩到更低的维度Squishification(空间压缩) 等价于 d e t ( A − λ I ) = 0 det(A - \lambda I) = 0 det(A−λI)=0 #举例 考虑每个对角元都减去某个变量 λ \lambda λ 矩阵本身发生改变,因此行列式也在改变 找到一个 λ \lambda λ使得这个行列式为0 使得 ( A − λ I ) v ⃗ = 0 ⃗ (A-\lambda I) \vec v = \vec 0 (A−λI)v =0 , I I I为单位阵 #几何解释 向量 v ⃗ \vec v v 在变换中停留在它张成的空间里 在上述例子中,v对应的特征值为1,实际上保持不变 #公式推导 A v ⃗ = λ v ⃗ A\vec v = \lambda \vec v Av =λv A v ⃗ − λ v ⃗ = 0 A\vec v - \lambda \vec v = 0 Av −λv =0 ( A − λ I ) v ⃗ = 0 ⃗ (A-\lambda I)\vec v = \vec 0 (A−λI)v =0 d e t ( A − λ I ) = 0 det(A-\lambda I) = 0 det(A−λI)=0 #举例 将 λ = 2 \lambda = 2 λ=2 带入矩阵之后,求解线性方程组 [ 1 1 0 0 ] [ x y ] = [ 0 0 ] \begin{bmatrix} 1 & 1\\ 0 & 0\\ \end{bmatrix} \begin{bmatrix} x\\ y\\ \end{bmatrix} = \begin{bmatrix} 0\\ 0\\ \end{bmatrix} [1010][xy]=[00] 由于, r ( A ) = r ( [ A , B ] ) = 1 r(A) = r([A,B]) = 1 r(A)=r([A,B])=1 该方程组有唯一解,且解为 [ − 1 1 ] \begin{bmatrix} -1\\ 1\\ \end{bmatrix} [−11] (特征向量)张成的对角线上 相较于原始矩阵,相当于将特征向量拉伸为原来的2倍 二维变换不一定有特征向量若将原始矩阵 旋转90° 一般来说,特征值出现复数的情况,一般对应于变换中的某种旋转 #剪切变换 i ^ \hat i i^不变,将j帽向右移动一个单位 若将所有向量拉伸为2倍, 特征基 如果我们的基向量恰好是特征向量,除了对角线以外其他元素均为0的矩阵称为对角矩阵,对角线元素进行拉伸或收缩矩阵的对角线是它们所属的特征值 #性质 相较于非对角矩阵 对于非对角矩阵(非特殊矩阵) 发生线性变换有许多的特征向量,多到能选出一个张成全空间的集合,即为满秩 就能将这些特殊向量作为基 用基变换角度,求解非对称矩阵的幂运算(相似对角化)#举例 对于矩阵 [ 3 1 0 2 ] \begin{bmatrix} 3 &1\\ 0&2\\ \end{bmatrix} [3012],其特征向量为 [ 1 0 ] \begin{bmatrix} 1\\ 0\\ \end{bmatrix} [10]和 [ − 1 1 ] \begin{bmatrix} -1\\ 1\\ \end{bmatrix} [−11]并将其特征向量作为基,作为一个矩阵的列,该矩阵就是基变换矩阵然后再右侧写下基变换矩阵,左侧学下基变换矩阵的逆,将原始的变换夹在两个矩阵中间得出相似矩阵概念,设A,B为两个n阶方阵,n阶可逆矩阵P P − 1 A P = B P^{-1}AP = B P−1AP=B称A相似于B,记成A~B #几何解释从新基向量所构成的坐标系的角度来看可逆矩阵P和矩阵P,仅仅把矩阵A的特征向量方向上进行拉伸和收缩,因此一定得出一个对角矩阵B矩阵A和B,具有相同的特征向量和特征值 因此,要计算矩阵 [ 3 1 0 2 ] 100 \begin{bmatrix} 3 & 1\\ 0 & 2 \\ \end{bmatrix}^{100} [3012]100先转化到特征基,在那个坐标系中计算100次幂,然后再转化回标准坐标系#剪切变换 对于剪切变换,它的特征向量不够多,并不能张成全空间(不为满秩) 因为只有一个特征向量 [ 1 0 ] \begin{bmatrix} 1\\ 0\\ \end{bmatrix} [10] #作业 引用:B站up主:3Blue1Brown线性代数合集https://www.bilibili.com/video/BV1ys411472E?p=14&vd_source=c98261ef21552fd30ecdf82bd57320f1 |
CopyRight 2018-2019 实验室设备网 版权所有 |