特征值 特征向量 特征空间 特征值分解
对于矩阵A,有Av = λv,v是一个向量,λ是一个标量,我们称lambda是A的特征值,v是特征向量。
向量左乘一个A,可以看成一种线性变换,或者说运动,有旋转和拉伸两种效果,这个时候就是要找到一个向量,A对它只有拉伸的效果,没有旋转的效果,这个特殊的方向就是特征向量的方向,这个方向上的所有向量都是特征向量,所以可以单位化任意一个特征向量,特征值(缩放比例)并不会变,整个方向可以形成一条线,叫做特征空间。
对称矩阵,特征值分解,正交向量组(正交矩阵)
%22%20aria-hidden%3D%22true%22%3E%0A%3Cg%20class%3D%22mjx-svg-mrow%22%3E%0A%3Cg%20class%3D%22mjx-svg-mi%22%3E%0A%20%3Cuse%20xlink%3Ahref%3D%22%23E1-MJMATHI-41%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-mo%22%20transform%3D%22translate(1028%2C0)%22%3E%0A%20%3Cuse%20xlink%3Ahref%3D%22%23E1-MJMAIN-3D%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-mi%22%20transform%3D%22translate(2084%2C0)%22%3E%0A%20%3Cuse%20xlink%3Ahref%3D%22%23E1-MJMATHI-50%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-mi%22%20transform%3D%22translate(2836%2C0)%22%3E%0A%20%3Cuse%20xlink%3Ahref%3D%22%23E1-MJMAIN-39B%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-msubsup%22%20transform%3D%22translate(3530%2C0)%22%3E%0A%3Cg%20class%3D%22mjx-svg-mi%22%3E%0A%20%3Cuse%20xlink%3Ahref%3D%22%23E1-MJMATHI-50%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-texatom%22%20transform%3D%22translate(784%2C412)%22%3E%0A%3Cg%20class%3D%22mjx-svg-mrow%22%3E%0A%3Cg%20class%3D%22mjx-svg-mo%22%3E%0A%20%3Cuse%20transform%3D%22scale(0.707)%22%20xlink%3Ahref%3D%22%23E1-MJMAIN-2212%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3Cg%20class%3D%22mjx-svg-mn%22%20transform%3D%22translate(550%2C0)%22%3E%0A%20%3Cuse%20transform%3D%22scale(0.707)%22%20xlink%3Ahref%3D%22%23E1-MJMAIN-31%22%3E%3C%2Fuse%3E%0A%3C%2Fg%3E%0A%3C%2Fg%3E%0A%3C%2Fg%3E%0A%3C%2Fg%3E%0A%3C%2Fg%3E%0A%3C%2Fg%3E%0A%3C%2Fsvg%3E)
中间是对角阵,对角线是特征向量按从大到小排列,P是一列一列的特征向量构成,顺序与对角阵特征值顺序相对应,对称阵特征值分解,特征向量是正交的
只有方阵可以进行特征值分解
向量左乘一个A,可以看成一种线性变换,或者说运动,有旋转和拉伸两种效果,这个时候就是要找到一个向量,A对它只有拉伸的效果,没有旋转的效果,这个特殊的方向就是特征向量的方向,这个方向上的所有向量都是特征向量,所以可以单位化任意一个特征向量,特征值(缩放比例)并不会变,整个方向可以形成一条线,叫做特征空间。
对称矩阵,特征值分解,正交向量组(正交矩阵)
中间是对角阵,对角线是特征向量按从大到小排列,P是一列一列的特征向量构成,顺序与对角阵特征值顺序相对应,对称阵特征值分解,特征向量是正交的
只有方阵可以进行特征值分解
留言
張貼留言