线代--矩阵对角化

基于矩阵相似 $A = P{^-1} B P$ ，寻找一个最优坐标系对标准坐标系下的 $B$ 变换进行描述，使得到一个非常简单的 $A$ 变换从而帮助加速运算--该问题应用矩阵对角化进行求解。

矩阵对角化: $A = PDP^{-1}$ ，其中 $D$ 表示对角矩阵 $D = \begin{bmatrix} d_1&0&...&0 \\ 0&d_2&...&0 \\ ...&...&...&... \\ 0&0&...&d_n\end{bmatrix}$

对于一个变换矩阵 $A$ ，尝试寻找一个 $P$ 坐标系，在该坐标系下 $A$ 变换可以被描述为一个对角形式的矩阵 $D$ ；因为对角矩阵在变换运算时的运算量是最小的，所以是在其它坐标系下寻找一个矩阵的最简相似矩阵的目标是寻找一个对角矩阵 $D$ ，这个矩阵 $D$ 与矩阵 $A$ 表示同等变换。

要在一个 $P$ 坐标系下寻找到一个 $A$ 变换矩阵的对角矩阵，前提要求矩阵 $A$ 有 $n$ 个线性无关的特征向量。所以只要 $A$ 矩阵存在有 $n$ 个线性无关的特征向量，那么就一定存在它在 $P$ 坐标系下描述的对角矩阵。

矩阵的对角化属于矩阵分解的一种方法；在 $A = PDP^{-1}$ 的分解过程中，分解出的矩阵 $P$ 由矩阵 $A$ 的特征向量构成，矩阵 $D$ 由矩阵 $A$ 的特征值构成：

$D = \begin{bmatrix} \lambda_1&0&...&0 \\ 0&\lambda_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda_n\end{bmatrix}$ $\ \ \ \ \ \ \ \ \ \ \ P = \begin{bmatrix} |&|& &| \\ \vec u_1& \vec u_2&...& \vec u_n \\ |&|& &| \end{bmatrix}$

对于等式 $A = PDP^{-1}$
$\ \ \ \ \ \ \ \ \ \ \ \ \ AP = PDP^{-1}P = PDI = PD$
$\ \ \ \ \ \ \ \ \ \ \ \ \ AP = PD$
联系特征值与特征向量 $A\vec u = \lambda \vec u$ 可知，当 $P$ 由特征向量组成， $D$ 由特征值 $\lambda$ 组成该等式成立

$AP = A * \begin{bmatrix} |&|& &| \\ \vec u_1& \vec u_2&...& \vec u_n \\ |&|& &| \end{bmatrix} = \begin{bmatrix} |&|& &| \\ A\vec u_1& A\vec u_2&...& A\vec u_n \\ |&|& &| \end{bmatrix} = \begin{bmatrix} |&|& &| \\ \lambda\vec u_1& \lambda\vec u_2&...& \lambda\vec u_n \\ |&|& &| \end{bmatrix}$

$PD = \begin{bmatrix} |&|& &| \\ \vec u_1& \vec u_2&...& \vec u_n \\ |&|& &| \end{bmatrix} * \begin{bmatrix} \lambda_1&0&...&0 \\ 0&\lambda_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda_n\end{bmatrix} = \begin{bmatrix} |&|& &| \\ \lambda\vec u_1& \lambda\vec u_2&...& \lambda\vec u_n \\ |&|& &| \end{bmatrix}$

从而，当我们从 $A$ 矩阵的特征向量组成的 $P$ 矩阵的视角来看待 $A$ 所代表的变换， $A$ 矩阵的表现形式最简。

性质推广

如果 $A$ 有 $n$ 个不同的特征值，意味着一定存在 $n$ 个两两线性无关的特征向量，则 $A$ 一定可以被对角化。
如果 $A$ 没有 $n$ 个不同的特征值(实数域内重数>1)，则 $A$ 不一定不能被对角化，关键在于是否可以找到 $n$ 个不同的线性无关特征向量。
- 如单位矩阵 $A = \begin{bmatrix} 1&0 \\ 0&1 \end{bmatrix}, \det (A - \lambda I ) = 0 \rightarrow \lambda _1= \lambda _2 = 1$ 特征值重数为1，虽然它没有两个不同的特征值，但是可以找到它的两个不同的特征向量 $\vec u = (1,0), \vec v = (0,1)$ ,所以单位矩阵可以被对角化，不过其本身就是一个对角矩阵了。
- 像矩阵 $A = \begin{bmatrix} 3&1 \\ 0&3 \end{bmatrix}, \det (A - \lambda I ) = 0 \rightarrow \lambda _1= \lambda _2 = 3$ 特征值重数为1，但是其特征向量只有一组，所以无法被对角化。

对角化的重要应用--求解矩阵的幂

$A = PDP^{-1}$
$A^{2} = PDP^{-1}*PDP^{-1} = PDIDP^{-1} = PD^2P^{-1}$
...
$A^{m} = PD^mP^{-1}$

对于对角矩阵的幂 $D = \begin{bmatrix} \lambda_1&0&...&0 \\ 0&\lambda_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda_n\end{bmatrix}$

$D^2 = \begin{bmatrix} \lambda_1&0&...&0 \\ 0&\lambda_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda_n\end{bmatrix} * \begin{bmatrix} \lambda_1&0&...&0 \\ 0&\lambda_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda_n\end{bmatrix} = \begin{bmatrix} \lambda ^{2}_1&0&...&0 \\ 0&\lambda ^{2}_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda ^{2}_n\end{bmatrix}$

$D^m = \begin{bmatrix} \lambda ^{m}_1&0&...&0 \\ 0&\lambda ^{m}_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda ^{m}_n\end{bmatrix}$

$A^{m} = P \begin{bmatrix} \lambda ^{m}_1&0&...&0 \\ 0&\lambda ^{m}_2&...&0 \\ ...&...&...&... \\ 0&0&...&\lambda ^{m}_n\end{bmatrix}P^{-1}$ 简化了大量的矩阵运算

在现实中，遇到的大量属于动态系统范畴的问题(随着时间推移，对象的状态也在不断变化，这种变化可以被矩阵的形式所表征)，从而 $k$ 时刻的状态 $\vec u_k = A^k\vec u_0 = P D^{k} P^{-1} \vec u_0$ ；比如对处于随机过程中的对象进行观测，它处于不同状态的概率被向量 $\vec u$ 所描述，相应的随着时间的推进，对象会不断变化，这种概率变化过程就可以被矩阵A所表征。

对于动态系统的描述方程 $\vec u_k = A^k\vec u_0 = P D^{k} P^{-1} \vec u_0$ ， $A$ 表征的变化就是 $D$ ，只是 $D$ 这个形式矩阵要在 $P$ 坐标系下进行描述，由 $A$ 矩阵的特征值组成的 $D$ 矩阵同时描述了在各时刻下 $\vec u_0$ 的状态，所以特征值反映了研究对象的各个分量的速率，这个速率（被描述在 $P$ 坐标系下）。

最后编辑于：2023.03.15 21:21:39

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 203,456评论 5赞 477
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 85,370评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 150,337评论 0赞 337
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,583评论 1赞 273
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,596评论 5赞 365
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,572评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,936评论 3赞 395
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,595评论 0赞 258
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,850评论 1赞 297
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,601评论 2赞 321
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,685评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,371评论 4赞 318
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,951评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,934评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,167评论 1赞 259
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 43,636评论 2赞 349
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,411评论 2赞 342

线代--矩阵对角化

性质推广

对角化的重要应用--求解矩阵的幂

推荐阅读更多精彩内容