矩阵论总结

第一章

集合与映射

集合

假子集合(当然子集合):本身和空集合

真子集合(非当然子集合):其他子集合

相等:元素完全相同, S 1 = S 2 S_1=S_2 S1=S2

交:属于集合 S 1 S_1 S1属于集合 S 2 S_2 S2的元素组成的集合, S 1 ∩ S 2 = { x ∣ x ∈ S 1 且 x ∈ S 2 } S_1\cap S_2=\{x|x\in S_1且 x\in S_2\} S1S2={xxS1xS2}

并:属于集合 S 1 S_1 S1属于集合 S 2 S_2 S2的元素组成的集合, S 1 ∪ S 2 = { x ∣ x ∈ S 1 或 x ∈ S 2 } S_1\cup S_2=\{x|x\in S_1或 x\in S_2\} S1S2={xxS1xS2}

和: S 1 + S 2 = { x + y ∣ x ∈ S 1 , y ∈ S 2 } S_1+S_2=\{x+y|x\in S_1,y\in S_2\} S1+S2={x+yxS1,yS2}

映射

映射 σ : S → S ′ \sigma:S\rightarrow S' σ:SS S S S中的每个元素(原象|象源)都能在 S ′ S' S中找到对应的元素(象)。 S S S到自身的映射通常也叫做 S S S到自身的变换。

相等:两个映射都是 S → S ′ S\rightarrow S' SS,且 ∀ a ∈ S , σ 1 ( a ) = σ 2 ( a ) \forall a\in S,\sigma_1(a)=\sigma_2(a) aS,σ1(a)=σ2(a),则称 σ 1 = σ 2 \sigma_1=\sigma_2 σ1=σ2

乘积: ( τ σ ) ( a ) = τ ( σ ( a ) ) (\tau\sigma)(a)=\tau(\sigma(a)) (τσ)(a)=τ(σ(a)),满足结合律但是不满足交换律。

线性空间

基本知识

数域 K K K,非空集合 V V V,在 V V V中定义加法运算和数乘运算(统称 V V V的线性运算),且满足以下条件,则称 V V V K K K上的线性空间(向量空间)。 K K K是实数域的话, V V V叫做实线性空间,复数同理。

加法运算满足:封闭且唯一、交换律、结合律、存在零元素(唯一,反证)、存在负元素(唯一,反证)。

数乘运算满足:封闭且唯一、数因子分配律、分配律、结合律、1乘( 1 x = x 1x=x 1x=x

基与坐标

注意基统一用列向量来表示。坐标也是列向量。

过渡矩阵 C C C ( y 1 , y 2 , ⋯   , y n ) = ( x 1 , x 2 , ⋯   , x n ) C \begin{pmatrix}y_1,y_2,\cdots,y_n\end{pmatrix}=\begin{pmatrix}x_1,x_2,\cdots,x_n\end{pmatrix}C (y1,y2,,yn)=(x1,x2,,xn)C

线性子空间

生成子空间: L ( x 1 , x 2 , ⋯   , x n ) L(x_1,x_2,\cdots,x_n) L(x1,x2,,xn)

矩阵的值域和零空间

  • 矩阵 A ∈ R m × n A\in R^{m\times n} ARm×n的值域是指列空间,列向量生成的子空间,记作 R ( A ) R(A) R(A),维数和A的秩相同。
  • 矩阵A的行空间,可以用 R ( A T ) R(A^T) R(AT)表示,维数和A的秩相同。
  • 矩阵A的零空间(核空间)是指 A x = 0 Ax=0 Ax=0的解空间,记作 N ( A ) N(A) N(A),维数 n ( A ) n(A) n(A)称作零度,有 r a n k ( A ) + n ( A ) = n , r a n k ( A T ) + n ( A T ) = m rank(A)+n(A)=n,rank(A^T)+n(A^T)=m rank(A)+n(A)=n,rank(AT)+n(AT)=m

子空间的交与和

空间维数公式: dim ⁡ V 1 + dim ⁡ V 2 = dim ⁡ ( V 1 + V 2 ) + dim ⁡ ( V 1 ∩ V 2 ) \dim V_1+\dim V_2=\dim(V_1+V_2)+\dim(V_1\cap V_2) dimV1+dimV2=dim(V1+V2)+dim(V1V2)

线性变换

基本知识

对线性运算封闭: T ( k x + l y ) = k T x + l T y T(kx+ly)=kTx+lTy T(kx+ly)=kTx+lTy

线性变换的值域:所有向量的象形成的集合 R ( T ) = { T x ∣ x ∈ V } R(T)=\{Tx|x\in V\} R(T)={TxxV}

线性变换的核:所有被 T T T变为零向量的原象构成的集合 N ( T ) = { x ∣ T x = 0 , x ∈ V } N(T)=\{x|Tx=0,x\in V\} N(T)={xTx=0,xV}

注意线性变换不可交换: T 1 T 2 ≠ T 2 T 1 T_1T_2\neq T_2T_1 T1T2=T2T1

矩阵表示: ( T x 1 , T x 2 , ⋯   , T x n ) = ( x 1 , x 2 , ⋯   , x n ) A (Tx_1,Tx_2,\cdots,Tx_n)=(x_1,x_2,\cdots,x_n)A (Tx1,Tx2,,Txn)=(x1,x2,,xn)A。注意线性变换的矩阵表示和选择哪一组基有关,不同基下的矩阵是相似的,也就是 B = C − 1 A C B=C^{-1}AC B=C1AC

特征值和特征向量

T x = λ x Tx=\lambda x Tx=λx

在一组基下就是: A ξ = λ ξ → ( λ I − A ) ξ ⃗ = 0 ⃗ → det ⁡ ( λ I − A ) = 0 A\xi=\lambda \xi\rightarrow (\lambda I-A)\vec{\xi}=\vec{0}\rightarrow \det(\lambda I-A)=0 Aξ=λξ(λIA)ξ =0 det(λIA)=0

矩阵 A A A的所有特征值的和等于 A A A的迹,而 A A A的全体特征值的乘积等于 det ⁡ A \det A detA t r ( A ) = ∑ i = 1 n a i i = ∑ i = 1 n λ i , det ⁡ A = ∏ i = 1 n λ i tr(A)=\sum_{i=1}^n a_{ii}=\sum_{i=1}^n \lambda_i,\det A=\prod_{i=1}^n \lambda_i tr(A)=i=1naii=i=1nλi,detA=i=1nλi

的特殊性质: t r ( A B ) = t r ( B A ) tr(AB)=tr(BA) tr(AB)=tr(BA)

n n n阶矩阵一定相似于三角矩阵 P − 1 A P P^{-1}AP P1AP P P P由特征向量组成。

Hamilton-Cayley n n n阶矩阵 A A A是其特征多项式的矩阵根。

不同特征值的特征向量线性无关。

可以化为对角矩阵的充要条件:有 n n n个线性无关的特征向量。

Jordan标准型

基于矩阵: P − 1 A P = J P^{-1}AP=J P1AP=J

因式 ( λ − λ i ) m i (\lambda-\lambda_i)^{m_i} (λλi)mi对应的Jordan块:
( λ i 1 λ i 1 λ i ⋱ ⋱ 1 λ i ) \begin{pmatrix}\lambda_i&1&&&\\&\lambda_i &1&&\\&&\lambda_i&\ddots&\\&&&\ddots&1\\&&&&\lambda_i\end{pmatrix} λi1λi1λi1λi
注意 λ i \lambda_i λi的重数不一定是 m i m_i mi

特征矩阵: λ I − A \lambda I-A λIA

不变因子:通过初等变换把特征矩阵变成对角的(只用列变换即可),对角元素叫做不变因子。

初等因子:把次数大于0的不变因子分解为不可约因式的乘积,连带它们的幂次一起叫做初等因子。

求解Jordan标准型

把每个初等因子对应的Jordan块拼一起就是矩阵的Jordan标准型。要求解 P P P的话需要解非齐次线性方程组,在一般情况下,如果 λ 1 \lambda_1 λ1 A A A k k k重特征值,则 x 1 , x 2 , ⋯   , x k x_1,x_2,\cdots,x_k x1,x2,,xk可由解下面各方程组获得:
( λ 1 I − A ) x 1 = 0 ( λ 1 I − A ) x i = − x i − 1 (\lambda_1 I-A)x_1=0\\ (\lambda_1 I-A)x_i=-x_{i-1} (λ1IA)x1=0(λ1IA)xi=xi1

也就是: A ( x 1 , x 2 , ⋯   , x k ) = ( x 1 , x 2 , ⋯   , x k ) J A(x_1,x_2,\cdots,x_k)=(x_1,x_2,\cdots,x_k)J A(x1,x2,,xk)=(x1,x2,,xk)J

化矩阵为Jordan标准形,实际上就是适当选择线性空间的基或坐标系,使得在新坐标系之下,问题的数学形式最为简单,从而便于研究。

欧氏空间和酉空间

欧氏空间

基本知识

  • 实数域
  • 线性空间
  • 存在内积 ( x , y ) (x,y) (x,y)满足:交换律、分配律、齐次性和非负性
  • 柯西不等式: ∣ ( x , y ) ∣ < ∣ x ∣ ∣ y ∣ |(x,y)|<|x||y| (x,y)<xy
  • 由内积引出向量夹角的概念: cos ⁡ < x , y > = ( x , y ) ∣ x ∣ ∣ y ∣ \cos=\frac{(x,y)}{|x||y|} cos<x,y>=xy(x,y),夹角定义在 [ 0 , π ] [0,\pi] [0,π]

度量矩阵

A = ( a i j ) n × n = ( ( x 1 , x 1 ) ⋯ ( x 1 , x n ) ( x 2 , x 1 ) ⋯ ( x 2 , x n ) ⋮ ⋮ ( x n , x 1 ) ⋯ ( x n , x n ) ) A=(a_{ij})_{n\times n}=\begin{pmatrix} (x_1,x_1)&\cdots&(x_1,x_n)\\ (x_2,x_1)&\cdots&(x_2,x_n)\\ \vdots&&\vdots\\ (x_n,x_1)&\cdots&(x_n,x_n)\\ \end{pmatrix} A=(aij)n×n=(x1,x1)(x2,x1)(xn,x1)(x1,xn)(x2,xn)(xn,xn)

称为这个空间对于基 x 1 , x 2 , ⋯   , x n x_1,x_2,\cdots,x_n x1,x2,,xn的度量矩阵(Gram矩阵),注意度量矩阵是对称且正定的。

可以通过 ( x , y ) = x T A y (x,y)=x^TAy (x,y)=xTAy来计算任意两向量的内积。

矩阵合同

不同基的度量矩阵是合同的。假设两组基的过渡矩阵是 C C C,即 ( y 1 , y 2 , ⋯   , y n ) = ( x 1 , x 2 , ⋯   , x n ) C (y_1,y_2,\cdots,y_n)=(x_1,x_2,\cdots,x_n)C (y1,y2,,yn)=(x1,x2,,xn)C,那么度量矩阵存在 B = C T A C B=C^TAC B=CTAC的关系,也就是矩阵合同。

注意线性变换在不同基下的矩阵是相似的。

正交

定义:欧氏空间, ( x , y ) = 0 (x,y)=0 (x,y)=0,称为正交或垂直。

  • 一组两两正交的非零向量称作正交向量组。
  • 标准正交基是单位长度的。
  • 构造标准正交基使用Schmidt正交化。(作业题中有)

Schmidt正交化(正交单位化):

  • x 1 x_1 x1单位化
  • x 2 − ( x 2 , x 1 ′ ) x 1 ′ x_2-(x_2,x'_1)x'_1 x2(x2,x1)x1,再单位化
  • 接下来对于每个基向量都去掉投影到前面正交化过的投影分量,再单位化。(全部在最后单位化也可以,没那么多分数会好算一点)

正交补空间: V n = V 1 ⊕ V 1 ⊥ V^n=V_1\oplus V_1^\perp Vn=V1V1,直和是指交为零子空间。求齐次线性方程组的解( A x = 0 Ax=0 Ax=0)就是求行向量生成子空间( R ( A T ) R(A^T) R(AT))的正交补空间( N ( A ) N(A) N(A))。

正交变换和正交矩阵

  • 正交变换:保持任意向量的长度不变的变换, ( T x , T x ) = ( x , x ) (Tx,Tx)=(x,x) (Tx,Tx)=(x,x) T T T是正交变换的充要条件是: ( T x , T y ) = ( x , y ) (Tx,Ty)=(x,y) (Tx,Ty)=(x,y)
  • 正交矩阵:实方阵 Q Q Q满足 Q T Q = I Q^TQ=I QTQ=I,称作正交矩阵。充要条件是列向量是两两正交的单位向量。性质有:正交矩阵可逆;逆矩阵也是正交矩阵;正交矩阵的乘积仍是正交矩阵。
  • 两者的关系:正交变换在标准正交基下的矩阵是正交矩阵。(充要条件)

第二章

向量范数

  • 非负性
  • 齐次性
  • 三角不等式

矩阵范数

A m × n A_{m\times n} Am×n

  • 非负性
  • 齐次性
  • 三角不等式: ∥ A + B ∥ ≤ ∥ A ∥ + ∥ B ∥ \|A+B\|\leq \|A\|+\|B\| A+BA+B
  • (同类矩阵范数)相容性: ∥ A B ∥ ≤ ∥ A ∥ ∥ B ∥ \|AB\|\leq \|A\|\|B\| ABAB

m范数

  • m 1 m_1 m1范数:所有元素绝对值之和
  • m 2 m_2 m2范数/F范数:所有元素绝对值平方之和开根号, = ( t r ( A H A ) ) 1 2 =(tr(A^HA))^\frac{1}{2} =(tr(AHA))21
  • m ∞ m_\infty m范数:n倍所有元素绝对值最大值

从属范数

  • 1范数/列和范数:注意是绝对值之和
  • 2范数/谱范数: A H A A^HA AHA的模最大特征值开根号
  • ∞ \infty 范数/行和范数:注意是绝对值之和

矩阵范数和向量范数相容

∥ A x ∥ V ≤ ∥ A ∥ M ∥ x ∥ V \|Ax\|_V\leq \|A\|_M\|x\|_V AxVAMxV

一种矩阵范数可以和多个向量范数相容(至少一个),反之亦可。

范数等价

  • 同一个矩阵空间中的任意矩阵范数都是等价的

证明是范数

  • 证明非负,且只有0时范数为0
  • 证明齐次性,注意绝对值
  • 证明三角不等式,和的范数小于等于范数的和

矩阵可逆

如果对于某种矩阵范数 ∥ ∥ \|\| ,有 ∥ A ∥ < 1 \|A\|<1 A<1,那么矩阵 I − A I-A IA可逆,且有:

∥ ( I − A ) − 1 ∥ ≤ ∥ I ∥ 1 − ∥ A ∥ \|(I-A)^{-1}\|\leq \frac{\|I\|}{1-\|A\|} (IA)11AI

∥ I − ( I − A ) − 1 ∥ ≤ ∥ A ∥ 1 − ∥ A ∥ \|I-(I-A)^{-1}\|\leq \frac{\|A\|}{1-\|A\|} I(IA)11AA

条件数

c o n d ( A ) = ∥ A ∥ ∥ A − 1 ∥ cond(A)=\|A\|\|A^{-1}\| cond(A)=AA1,是求矩阵逆的摄动的一个重要量,一般来说,条件数越大, ( A + δ A ) − 1 (A+\delta A)^{-1} (A+δA)1 A − 1 A^{-1} A1的相对误差就越大。

谱半径

方阵A模最大特征值的模: ρ ( A ) = max ⁡ ∣ λ ∣ \rho(A)=\max|\lambda| ρ(A)=maxλ

谱半径小于等于所有A的范数值

一般来说,谱半径 ρ ( A ) \rho(A) ρ(A)和谱范数 ∥ A ∥ 2 \|A\|_2 A2可能相差很大

第三章

矩阵序列

  • 收敛性:一个矩阵序列收敛到A
  • 收敛矩阵: A k A^k Ak这个矩阵序列收敛到0矩阵,称A是收敛矩阵。是收敛矩阵的充要条件是, ρ ( A ) < 1 \rho(A)<1 ρ(A)<1

矩阵级数

矩阵级数是指无穷多个有序同阶矩阵之和。

矩阵函数

以矩阵为自变量且取值为矩阵。

f ( A ) = P ⋅ d i a g ( f ( J 1 ) , f ( J 2 ) , ⋯   , f ( J s ) ) P − 1 f(A)=P\cdot diag(f(J_1),f(J_2),\cdots,f(J_s))P^{-1} f(A)=Pdiag(f(J1),f(J2),,f(Js))P1

A B = B A AB=BA AB=BA,则 e A e B = e B e A = e A + B e^Ae^B=e^Be^A=e^{A+B} eAeB=eBeA=eA+B

det ⁡ ( e A ) = e t r A \det(e^A)=e^{trA} det(eA)=etrA

矩阵导数和积分

矩阵对一个变量的导数就是每个元素对变量的导数,积分也是。

函数对矩阵的导数是函数对矩阵每个元素的导数。

第四章

三角分解(待补全)

将方阵分解为下三角矩阵和上三角矩阵的乘积。可进行三角分解的充要条件是:顺序主子式均不等于0。

LDU分解

Crout分解

Doolittle分解

Cholesky分解

正交三角分解

将方阵分解为正交矩阵和上三角矩阵的乘积。

方阵的QR分解

Schimidt正交化方法

  • 对列向量组进行正交化

Givens变换

T i , j = ( cos ⁡ ( θ ) sin ⁡ ( θ ) 0 − sin ⁡ ( θ ) cos ⁡ ( θ ) 0 0 0 I ) T_{i,j}=\begin{pmatrix} \cos(\theta)&\sin(\theta)&0\\ -\sin(\theta)&\cos(\theta)&0\\ 0&0&I \end{pmatrix} Ti,j=cos(θ)sin(θ)0sin(θ)cos(θ)000I

Householder变换

d x = x − H x → u = d x / ∣ d x ∣ → H = I − 2 u u T dx=x-Hx\rightarrow u=dx/|dx|\rightarrow H=I-2uu^T dx=xHxu=dx/dxH=I2uuT

长方阵的QR分解

满秩分解

矩阵分解为列满秩矩阵和行满秩矩阵的乘积, A = F G A=FG A=FG

逆矩阵方法

  • [ A ∣ I ] [A|I] [AI]通过行变换变为 [ B ∣ P ] [B|P] [BP],B为阶梯型矩阵
  • F为 P − 1 P^{-1} P1的前r列,G为B的前r行

Hermite标准形方法

  • A通过行变换变为B,其中B为Hermite标准形,且B的 j 1 , j 2 , ⋯   , j r j_1,j_2,\cdots,j_r j1,j2,,jr列为单位矩阵的前r列
  • 取F为A的 j 1 , j 2 , ⋯   , j r j_1,j_2,\cdots,j_r j1,j2,,jr列,G为B的前r行。

奇异值分解

A ∈ C m × n A\in C^{m\times n} ACm×n

奇异值是指Hermite矩阵 A H A A^HA AHA的特征值的算术平方根。

A = U D V H A=UDV^H A=UDVH,其中U、V是酉矩阵( U H U = U U H = I U^HU=UU^H=I UHU=UUH=I)。

正交相抵:存在酉矩阵使得 A = U B V H A=UBV^H A=UBVH

步骤:

  • 先求V, V H ( A H A ) V = d i a g ( λ 1 , ⋯   , 0 ) V^H(A^HA)V=diag(\lambda_1,\cdots,0) VH(AHA)V=diag(λ1,,0)
  • 再求 U 1 = A V 1 Σ − 1 U_1=AV_1\Sigma^{-1} U1=AV1Σ1,其中 V 1 V_1 V1是V的前r列。
  • 扩充 U 1 U_1 U1 C m C^m Cm一组标准正交基。

第五章

Rayleigh商

常义Rayleigh商: R ( x ) = x H A x x H x R(x)=\frac{x^HAx}{x^Hx} R(x)=xHxxHAx

广义Rayleigh商: R ( x ) = x H A x x H B x R(x)=\frac{x^HAx}{x^HBx} R(x)=xHBxxHAx,其中B是正定矩阵

性质:

  • R ( x ) R(x) R(x)是x的连续函数
  • R ( x ) R(x) R(x)是x的零次齐次函数: R ( λ x ) = R ( x ) R(\lambda x)=R(x) R(λx)=R(x)
  • R ( x ) R(x) R(x)的最大值和最小值存在,而且都是在单位球面上达到。因此考虑 R ( x ) R(x) R(x)的极性时,可以只在 ∥ x ∥ 2 = 1 \|x\|_2=1 x2=1上考虑。

若A为实对称矩阵,则 min ⁡ x ≠ 0 R ( x ) = min ⁡ λ , max ⁡ x ≠ 0 R ( x ) = max ⁡ λ \min_{x\neq 0} R(x)=\min \lambda,\max_{x\neq 0} R(x)=\max \lambda minx=0R(x)=minλ,maxx=0R(x)=maxλ

盖尔圆

行\列盖尔圆半径是那一行\列的元素绝对值之和。

隔离矩阵特征值:

  • 写出A的行盖尔圆和列盖尔圆,要是刚好孤立,那就是隔离开的
  • 构造对角矩阵D,想让第i个盖尔圆变小,就令 d i < 1 d_i<1 di<1,其他还是1
  • B = D A D − 1 = ( a i j d i d j ) n × n B=DAD^{-1}=(a_{ij}\frac{d_i}{d_j})_{n\times n} B=DAD1=(aijdjdi)n×n,再判断行\列盖尔圆孤立了没,不然继续。

广义特征值

A x = λ B x Ax=\lambda Bx Ax=λBx,A、B都是自共轭矩阵(Hermite矩阵),其中B正定。

三种解法:

  • 直接解 ( λ B − A ) x = 0 (\lambda B-A)x=0 (λBA)x=0
  • 转为常义特征值问题: ( B − 1 A ) x = λ x (B^{-1}A)x=\lambda x (B1A)x=λx
  • 利用Cholesky分解,通过令 B = G G H , x = ( G − 1 ) H y , S = G − 1 A ( G − 1 ) H B=GG^H,x=(G^{-1})^Hy,S=G^{-1}A(G^{-1})^H B=GGH,x=(G1)Hy,S=G1A(G1)H,使得问题转化为 S y = λ y Sy=\lambda y Sy=λy

第六章

广义逆的定义

  1. A X A = A AXA=A AXA=A
  2. X A X = X XAX=X XAX=X
  3. ( A X ) H = A X (AX)^H=AX (AX)H=AX
  4. ( X A ) H = X A (XA)^H=XA (XA)H=XA

极小范数解和极小范数二乘解

极小范数解:若 A x = b Ax=b Ax=b有解, ∥ x 0 ∥ 2 = min ⁡ A x = b ∥ x ∥ 2 \|x_0\|_2=\min_{Ax=b}\|x\|_2 x02=minAx=bx2

极小范数二乘解:若 A x = b Ax=b Ax=b无解, ∥ x 0 ∥ 2 = min ⁡ min ⁡ ∥ A x − b ∥ 2 ∥ x ∥ 2 \|x_0\|_2=\min_{\min\|Ax-b\|_2}\|x\|_2 x02=minminAxb2x2

构造{1}逆和{1,2}逆

  • [ A ∣ I ] [A|I] [AI]通过行变换变为 [ B ∣ Q ] [B|Q] [BQ],B为Hermite标准形,即 Q A = B QA=B QA=B
  • 构造置换矩阵P(交换单位矩阵的列向量)使得, Q A P = B P = ( I r K 0 0 ) QAP=BP=\begin{pmatrix} I_r&K\\ 0&0 \end{pmatrix} QAP=BP=(Ir0K0)
  • {1}逆可构造为: X = P ( I r 0 0 L ) Q X=P\begin{pmatrix} I_r&0\\ 0&L \end{pmatrix}Q X=P(Ir00L)Q,其中L为任意矩阵
  • {1,2}逆可构造为: X = P ( I r 0 0 0 ) Q X=P\begin{pmatrix} I_r&0\\ 0&0 \end{pmatrix}Q X=P(Ir000)Q

广义逆矩阵计算

满秩分解

  • A = F G A=FG A=FG
  • F + = ( F H F ) − 1 F H F^+=(F^HF)^{-1}F^H F+=(FHF)1FH
  • G + = G H ( G G H ) − 1 G^+=G^H(GG^H)^{-1} G+=GH(GGH)1
  • A + = G + F + = G H ( F H A G H ) − 1 F H A^+=G^+F^+=G^H(F^HAG^H)^{-1}F^H A+=G+F+=GH(FHAGH)1FH

奇异值分解

  • A = U ( Σ 0 0 0 ) V H A=U\begin{pmatrix} \Sigma&0\\ 0&0 \end{pmatrix}V^H A=U(Σ000)VH
  • A + = V ( Σ − 1 0 0 0 ) U H A^+=V\begin{pmatrix} \Sigma^{-1}&0\\ 0&0 \end{pmatrix}U^H A+=V(Σ1000)UH

利用{1}逆的Zlobec公式

A + = A H ( A H A A H ) ( 1 ) A H A^+=A^H(A^HAA^H)^{(1)}A^H A+=AH(AHAAH)(1)AH,虽然 ( A H A A H ) ( 1 ) (A^HAA^H)^{(1)} (AHAAH)(1)不唯一,但Morre-Penrose逆是唯一的。

Greville方法

  • d k = A k − 1 + a k d_k=A_{k-1}^+a_k dk=Ak1+ak
  • c k = a k − A k − 1 d k c_k=a_k-A_{k-1}d_k ck=akAk1dk
  • b k H = c k + , c k ≠ 0 ; b k H = ( 1 + d k H d k ) − 1 d k H A k − 1 + , c k = 0 b_k^H=c_k^+,c_k\neq 0;b_k^H=(1+d_k^Hd_k)^{-1}d_k^HA_{k-1}^+,c_k=0 bkH=ck+,ck=0;bkH=(1+dkHdk)1dkHAk1+,ck=0
  • A k + = ( A k − 1 + − d k b k H b k H ) A_k^+=\begin{pmatrix} A_{k-1}^+-d_kb_k^H\\ b_k^H \end{pmatrix} Ak+=(Ak1+dkbkHbkH)

构造{1,2,3}逆和{1,2,4}逆

  • A = F G A=FG A=FG
  • G ( 1 / 2 / 4 ) F ( 1 ) ∈ A { 1 / 2 / 4 } G^{(1/2/4)}F^{(1)}\in A\{1/2/4\} G(1/2/4)F(1)A{1/2/4}
  • G ( 1 ) F ( 1 / 2 / 3 ) ∈ A { 1 / 2 / 3 } G^{(1)}F^{(1/2/3)}\in A\{1/2/3\} G(1)F(1/2/3)A{1/2/3}
  • G ( 1 ) F + ∈ A { 1 , 2 , 3 } G^{(1)}F^+\in A\{1,2,3\} G(1)F+A{1,2,3}
  • G + F ( 1 ) ∈ A { 1 , 2 , 4 } G^+F^{(1)}\in A\{1,2,4\} G+F(1)A{1,2,4}
  • A + = G + F ( 1 , 3 ) = G ( 1 , 4 ) F + A^+=G^+F^{(1,3)}=G^{(1,4)}F^+ A+=G+F(1,3)=G(1,4)F+

方程求解

  • A x = b Ax=b Ax=b有解的充要条件是: A A ( 1 ) b = b AA^{(1)}b=b AA(1)b=b,相容
  • 若有解,通解为: x = A ( 1 ) b + ( I − A ( 1 ) A ) y x=A^{(1)}b+(I-A^{(1)}A)y x=A(1)b+(IA(1)A)y,y是任意向量
  • 若有解,则极小2-范数解为: x 0 = A + b x_0=A^+b x0=A+b,唯一
  • 若无解,则极小2-范数最小二乘解为: x 0 = A + b x_0=A^+b x0=A+b,唯一

你可能感兴趣的:(矩阵论,矩阵)