线性代数的本质(十一)——复数矩阵

文章目录

复数矩阵

矩阵 A A A 的元素 a i j ∈ C a_{ij}\in\Complex aij∈C ,称为复矩阵。现将实数矩阵的一些概念推广到复数矩阵,相应的一些性质在复数矩阵同样适用。

定义:设复矩阵 A = ( a i j ) m × n A=(a_{ij})_{m\times n} A=(aij)m×n

  1. 矩阵 A ˉ = ( a i j ‾ ) \bar A=(\overline{a_{ij}}) Aˉ=(aij) 称为矩阵 A A A 的共轭矩阵.
  2. 矩阵 A H = A ˉ T A^H=\bar A^T AH=AˉT 称为矩阵 A A A 的共轭转置,又叫Hermite转置。
  3. 若 A H = A A^H=A AH=A,则称 A A A 为 Hermitian 矩阵,是实数域对称阵的推广。
  4. 若 A H A = A A H = I A^HA=AA^H=I AHA=AAH=I,即 A − 1 = A H A^{-1}=A^H A−1=AH ,则称 A A A 为酉矩阵(unitary matrix),是实数域正交阵的推广。
  5. 复向量长度 ∥ z ∥ 2 = ∣ z 1 ∣ 2 + ∣ z 1 ∣ 2 + ⋯ + ∣ z n ∣ 2 \|\mathbf z\|^2=|z_1|^2+|z_1|^2+\cdots+|z_n|^2 ∥z∥2=∣z1∣2+∣z1∣2+⋯+∣zn∣2
  6. 内积 u H v = u ˉ 1 v 1 + u ˉ 2 v 2 + ⋯ + u ˉ n v n \mathbf u^H\mathbf v=\bar u_1v_1+\bar u_2v_2+\cdots+\bar u_nv_n uHv=uˉ1v1+uˉ2v2+⋯+uˉnvn
  7. 正交 u H v = 0 \mathbf u^H\mathbf v=0 uHv=0

性质:

  • A + B ‾ = A ‾ + B ‾ \overline{A+B}=\overline A+\overline B A+B=A+B
  • k A ‾ = k ˉ A ˉ \overline{kA}=\bar k \bar A kA=kˉAˉ
  • A B ‾ = A ˉ B ˉ \overline{AB}=\bar A\bar B AB=AˉBˉ
  • ( A B ) H = B H A H (AB)^H=B^HA^H (AB)H=BHAH
  • 内积满足共轭交换率 u H v = v H u ‾ \mathbf u^H\mathbf v=\overline{\mathbf v^H\mathbf u} uHv=vHu
  • Hermitian 矩阵可正交对角化 A = P Λ P − 1 = P Λ P H A=P\Lambda P^{-1}=P\Lambda P^H A=PΛP−1=PΛPH
  • Hermitian 矩阵的每个特征值都是实数

附录

极大线性无关组

由向量组线性相关的定义,容易得到以下结论:

(1) 向量组线性相关    ⟺    \iff ⟺向量组中存在向量能被其余向量线性表示。

(2) 向量组线性无关    ⟺    \iff ⟺向量组中任意一个向量都不能由其余向量线性表示。

线性等价:给定两个向量组
a 1 , a 2 , ⋯   , a r b 1 , b 2 , ⋯   , b s \mathbf a_1,\mathbf a_2,\cdots,\mathbf a_r \\ \mathbf b_1,\mathbf b_2,\cdots,\mathbf b_s a1,a2,⋯,arb1,b2,⋯,bs

如果其中的每个向量都能被另一个向量组线性表示,则两个向量组线性等价。

例如,向量组 a , b , a + b \mathbf a,\mathbf b,\mathbf a+\mathbf b a,b,a+b 与向量组 a , b \mathbf a,\mathbf b a,b 线性等价。

极大线性无关组:从向量组 A A A 中取 r r r 个向量组成部分向量组 a 1 , a 2 , ⋯   , a r \mathbf a_1,\mathbf a_2,\cdots,\mathbf a_r a1,a2,⋯,ar ,若满足

(1) 部分向量组 a 1 , a 2 , ⋯   , a r \mathbf a_1,\mathbf a_2,\cdots,\mathbf a_r a1,a2,⋯,ar 线性无关

(2) 从 A A A 中任取 r + 1 r+1 r+1个向量组成的向量组 都线性相关。

则称向量组 a 1 , a 2 , ⋯   , a r \mathbf a_1,\mathbf a_2,\cdots,\mathbf a_r a1,a2,⋯,ar 为极大线性无关组(maximum linearly independent group)。极大线性无关组包含的向量个数为向量组的秩。

性质:

(1) 一个向量组的极大线性无关组不一定是惟一的;

(2) 一个向量组与它的极大线性无关组是等价的;

(3) 一个向量组的任意两个极大线性无关组中包含的向量个数相同,称为向量组的秩 (rank)。全由零向量组成的向量组的秩为零;

(4) 两个线性等价的向量组的秩相等;

(5) 两个等价的向量组生成的向量空间相同。

向量叉积

平面叉积

v 1 v 2 \] × \[ w 1 w 2 \] = det ⁡ \[ v 1 w 1 v 2 w 2 \] \\begin{bmatrix}v_1\\\\v_2\\end{bmatrix}\\times\\begin{bmatrix}w_1\\\\w_2\\end{bmatrix}=\\det\\begin{bmatrix}v_1 \& w_1\\\\ v_2 \& w_2 \\end{bmatrix} \[v1v2\]×\[w1w2\]=det\[v1v2w1w2

大小等于 v , w v,w v,w 围成的平行四边形的面积

三维叉积
v 1 v 2 v 3 × w 1 w 2 w 3 = det ⁡ i v 1 w 1 j v 2 w 2 k v 3 w 3 \begin{bmatrix}v_1\\v_2\\v_3\end{bmatrix}\times\begin{bmatrix}w_1\\w_2\\w_3\end{bmatrix}=\det\begin{bmatrix}\mathbf i & v_1 & w_1\\\mathbf j & v_2 & w_2 \\\mathbf k & v_3 & w_3 \end{bmatrix} v1v2v3 × w1w2w3 =det ijkv1v2v3w1w2w3

大小等于 v , w v,w v,w 围成的平行六面体的体积,方向遵循右手定则。

相关推荐
塑料铲子16 小时前
你的 Skill 越多越蠢?Token 上下文爆炸的求生指南
机器学习·agent
TsingtaoAI18 小时前
VeyForge:构建具身智能的AI 3D资产与Sim-to-Real数据引擎
人工智能·机器学习
JianZhen✓1 天前
电商 SKU 选择器:后端只给扁平列表,前端怎么反推规格矩阵并做到 O(1) 命中
前端·矩阵·状态模式
罗西的思考3 天前
【轻量化复刻大模型 / KIMI K3】Muon 优化器及 训练系统
人工智能·算法·机器学习
Asher11253 天前
电池数据整理复盘:从 MAT 文件到充电曲线
机器学习
龙腾AI白云3 天前
具身智能的空间导航与未知环境探索
大数据·数据库·人工智能·机器学习·知识图谱
汤姆宝库3 天前
RoPE旋转位置编码的实现与长上下文外推
python·深度学习·机器学习
回眸&啤酒鸭3 天前
【回眸】Hy4 模型效果展示与能力评测大纲
大数据·人工智能·机器学习
AI小怪兽3 天前
你的视觉基础模型会说“植物语“吗?面向目标检测的视觉基础模型植物语法
人工智能·深度学习·机器学习