矩阵理论基本知识

1、矩阵范数、算子范数

  1. 矩阵无穷范数是非自相容范数,矩阵1-范数、矩阵2-范数是自相容范数
  2. 矩阵2-范数:Frobenius范数,是向量2-范数的自然推广。 ∥ A ∥ m 2 = ∥ A ∥ F = ∑ a ˉ i j a i j \|A\|{m2}=\|A\|{F}=\sqrt{\sum \bar a_{ij}a_{ij}} ∥A∥m2=∥A∥F=∑aˉijaij
    1. ∥ A ∥ m 2 = t r ( A H A ) = A 的正奇异值的平方和 \|A\|_{m2} = \sqrt{tr(A^HA)} = \sqrt{A的正奇异值的平方和} ∥A∥m2=tr(AHA) =A的正奇异值的平方和
    2. ∥ A ∥ m 2 = ∥ U H A V ∥ m 2 = ∥ U A V H ∥ m 2 \|A\|{m2} = \|U^HAV\|{m2}=\|UAV^H\|_{m2} ∥A∥m2=∥UHAV∥m2=∥UAVH∥m2 酉等价保F范数
    3. ∥ A ∥ m 2 = ∥ U A ∥ m 2 = ∥ A V ∥ m 2 = ∥ U A V ∥ m 2 \|A\|{m2} = \|UA\|{m2}=\|AV\|{m2} = \|UAV\|{m2} ∥A∥m2=∥UA∥m2=∥AV∥m2=∥UAV∥m2
  3. 若矩阵范数是相容范数:则必存在向量范数与之相容。 ∣ ∣ A x ∣ ∣ ≤ ∣ ∣ A ∣ ∣ m ∣ ∣ x ∣ ∣ ||Ax||\le||A||_m ||x|| ∣∣Ax∣∣≤∣∣A∣∣m∣∣x∣∣
    1. 证明过程:构造 ∣ ∣ x ∣ ∣ = ∣ ∣ x a H ∣ ∣ m ||x|| = ||xa^H||_m ∣∣x∣∣=∣∣xaH∣∣m
    2. 矩阵的特征值一定小于等于该矩阵的相容矩阵范数。
    3. 反过来说,如果矩阵的特征值大于了某个矩阵范数,则该矩阵范数一定不相容。
  4. 任意向量范数:则必存在矩阵范数与之相容,其中放大效果的最大值称为算子范数。
    1. 算子范数再大,不过向量范数的上确界,鸡头始终是鸡
    2. 和向量范数相容的矩阵范数,终归是矩阵范数,始终有 ∣ ∣ A x ∣ ∣ ≤ ∣ ∣ A ∣ ∣ m ∣ ∣ x ∣ ∣ ||Ax||\le||A||_m ||x|| ∣∣Ax∣∣≤∣∣A∣∣m∣∣x∣∣,所以矩阵范数会大于等于算子范数。
    3. 换句话说,和向量范数相容的矩阵范数的下确界是算子范数。
    4. 算子范数是自相容矩阵范数。 ∣ ∣ A k ∣ ∣ ≤ ∣ ∣ A ∣ ∣ k ||A^k||\le ||A||^k ∣∣Ak∣∣≤∣∣A∣∣k
  5. 常见算子范数:
    1. 从属于向量1-范数的算子范数称为算子1范数:极大绝对列和范数;
    2. 从属于向量2-范数的算子范数称为算子2范数:谱范数= r ( A H A ) \sqrt{r(A^HA)} r(AHA) ;
    3. 从属于向量∞-范数的算子范数称为算子无穷范数:极大绝对行和范数;
    4. 证明思路:存在上界,上界可达。
  6. 算子范数的性质: ∣ ∣ ⋅ ∣ ∣ ||\cdot|| ∣∣⋅∣∣是算子范数
    1. ∣ ∣ E ∣ ∣ = 1 ||E||=1 ∣∣E∣∣=1
    2. ∣ ∣ A − 1 ∣ ∣ ≥ ∣ ∣ A ∣ ∣ − 1 ||A^{-1}||\ge ||A||^{-1} ∣∣A−1∣∣≥∣∣A∣∣−1; ∣ ∣ A ∣ ∣ ≥ ∣ ∣ A − 1 ∣ ∣ − 1 ||A||\ge ||A^{-1}||^{-1} ∣∣A∣∣≥∣∣A−1∣∣−1
    3. ∣ ∣ A − 1 ∣ ∣ − 1 = inf ⁡ ∣ ∣ A x ∣ ∣ ∣ ∣ x ∣ ∣ = m i n x ≠ 0 ∣ ∣ A x ∣ ∣ ∣ ∣ x ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ||A^{-1}||^{-1} = \inf \frac{||Ax||}{||x||} = min_{x\ne0} \frac{||Ax||}{||x||}\le||A|| ∣∣A−1∣∣−1=inf∣∣x∣∣∣∣Ax∣∣=minx=0∣∣x∣∣∣∣Ax∣∣≤∣∣A∣∣
    4. ∣ λ ∣ ≤ ∣ ∣ A ∣ ∣ |\lambda|\le ||A|| ∣λ∣≤∣∣A∣∣; ∣ λ k ∣ ≤ ∣ ∣ A k ∣ ∣ |\lambda^k|\le ||A^k|| ∣λk∣≤∣∣Ak∣∣
  7. HÖlder 范数:p-范数。可以p取1和无穷。
  8. HÖlder不等式: ∣ X H Y ∣ ≤ ∑ ∣ x i ∣ ∣ y j ∣ ≤ ∥ X ∥ q ∥ Y ∥ p , 1 / q + 1 / p = 1 |X^HY|\le \sum|x_i||y_j| \le\|X\|_q\|Y\|_p, 1/q+1/p=1 ∣XHY∣≤∑∣xi∣∣yj∣≤∥X∥q∥Y∥p,1/q+1/p=1

2、矩阵分解

已经写过一期了,见:矩阵理论--矩阵分解

补充:

正规矩阵A性质: A H A = A A H A^HA=AA^H AHA=AAH

  1. λ ( A ) = λ ˉ ( A H ) \lambda(A)=\bar \lambda(A^H) λ(A)=λˉ(AH); ∣ ∣ A x ∣ ∣ = ∣ ∣ A H x ∣ ∣ ||Ax|| = ||A^Hx|| ∣∣Ax∣∣=∣∣AHx∣∣
  2. A的特征子空间和A^H^的特征子空间完全相同。
  3. A的特征子空间正交,即不同特征值的特征向量必正交。
  4. A是单纯矩阵

任意矩阵A:

  1. ∥ A ∥ m 2 = t r ( A H A ) = t r ( A A H ) \|A\|_{m2} = \sqrt{tr(A^HA)} = \sqrt{tr(AA^H)} ∥A∥m2=tr(AHA) =tr(AAH)
  2. A H A A^HA AHA和 A A H AA^H AAH的非零特征值完全相同,数值相同、代数重复度相同。
  3. rank(A)=rank(A^H^)=rank(A^H^A)=rank(AA^H^)。证明很重要
    1. A^H^A的核空间包含A的核空间,即Ax=0,则必有A^H^Ax=0
    2. A的核空间包含A^H^A的核空间,即A^H^Ax=0,则必有x^H^A^H^Ax=<Ax,Ax>=0,即Ax=0
    3. N(A^H^Ax)=N(A),由秩-零化度定理知:rank(A)=rank(A^H^A)
  4. A H A A^HA AHA和 A A H AA^H AAH都是半正定矩阵。
  5. A的特征值和奇异值的关系:
    1. 若A为非方阵,则A没有特征值。但A有奇异值。
    2. 如果A为方阵,则A的特征值的平方和<=A的奇异值的平方和。(schur不等式)
    3. 如果A为正规矩阵,则A的特征值的平方和==A的奇异值的平方和。
    4. 正规矩阵酉相似于对角阵(谱分解),任意方阵酉相似于三角阵(shcur分解)。

3、矩阵的估计

1、有关特征值的不等式
  1. 舒尔不等式: ∑ i = 1 n ∣ λ i ∣ 2 ≤ ∣ ∣ A ∣ ∣ F 2 \sum_{i=1}^{n}|\lambda_i|^2 \le ||A||_F^2 ∑i=1n∣λi∣2≤∣∣A∣∣F2
  2. Hirsh不等式: ∣ λ i ∣ ≤ n ∣ ∣ A ∣ ∣ m ∞ |\lambda_i| \le n ||A||{m\infty} ∣λi∣≤n∣∣A∣∣m∞
  3. Bendixson不等式: ∣ I m λ i ∣ ≤ n ( n − 1 ) 2 ∣ ∣ ( A − A H ) / 2 ∣ ∣ m ∞ , A ∈ R n × n |Im\lambda_i|\le \sqrt{\frac{n(n-1)}{2}}||(A-A^H)/2||{m\infty},A\in R^{n\times n} ∣Imλi∣≤2n(n−1) ∣∣(A−AH)/2∣∣m∞,A∈Rn×n
    1. n(n-1)是因为实矩阵的反共轭对称分量是的对角元为0。
    2. 除以2是因为实矩阵的复特征根成对出现。
    3. 其余证明同Hirsh不等式
  4. Browne不等式: σ n ≤ ∣ λ i ∣ ≤ σ 1 \sigma_n\le|\lambda_i|\le \sigma_1 σn≤∣λi∣≤σ1
  5. Hadamard不等式: ∏ i = 1 n ∣ λ i ∣ = ∣ det ⁡ ( A ) ∣ ≤ ∏ i = 1 n α i H α i \prod_{i=1}^{n}|\lambda_i|=|\det(A)|\le \sqrt{\prod_{i=1}^n\alpha_i^H\alpha_i} ∏i=1n∣λi∣=∣det(A)∣≤∏i=1nαiHαi
    1. 施密特正交化:A = BR,R是单位正线上三角
    2. det ⁡ ( A ) = det ⁡ ( B R ) = det ⁡ ( B ) det ⁡ ( R ) = det ⁡ ( B ) \det(A) = \det(BR)=\det(B)\det(R)=\det(B) det(A)=det(BR)=det(B)det(R)=det(B)
    3. ∣ det ⁡ ( B ) ∣ 2 = ∣ det ⁡ ( B H ) det ⁡ ( B ) ∣ = ∣ det ⁡ ( B H B ) ∣ = ∏ i = 1 n b i H b i ≤ ∏ i = 1 n α i H α i |\det(B)|^2 = |\det(B^H)\det(B)| = |\det(B^HB)|=\prod_{i=1}^n b_i^Hb_i \le\prod_{i=1}^n \alpha_i^H\alpha_i ∣det(B)∣2=∣det(BH)det(B)∣=∣det(BHB)∣=∏i=1nbiHbi≤∏i=1nαiHαi
    4. ∣ det ⁡ ( A ) ∣ ≤ ∏ i = 1 n α i H α i |\det(A)|\le \sqrt{\prod_{i=1}^n\alpha_i^H\alpha_i} ∣det(A)∣≤∏i=1nαiHαi
2、盖尔圆盘定理
  1. 关于圆盘定理1、圆盘定理2:Gerschgorin定理,以及用python绘制Gerschgorin圆盘动图
  2. 有的盖尔圆里面可能没有特征值(盖尔圆盘连通,将导致特征值函数不连续)
  3. n阶矩阵A的n个圆盘均孤立,则A可对角化(充分不必要)。
  4. n阶实矩阵A的n个圆盘均孤立,则A的特征根均为实数。
  5. 行严格对角占优矩阵A:
    1. 若A的对角元全大于0,则A的所有特征值有正实部;
    2. 若A的对角元全大于0,且A是Hermite矩阵,那么A的所有特征值均为正数。
3、Hermite矩阵的变分特征
  1. Courant-Fischer定理:Hermite矩阵的特征值估计------courant-fischer定理

  2. Weyl定理(韦尔定理):

    1. A,B均为Hermite矩阵
    2. λ k ( A ) + λ n ( B ) ≤ λ k ( A + B ) ≤ λ k ( A ) + λ 1 ( B ) \lambda_k(A)+\lambda_n(B)\le\lambda_k(A+B)\le\lambda_k(A)+\lambda_1(B) λk(A)+λn(B)≤λk(A+B)≤λk(A)+λ1(B)

4、矩阵分析

  1. 矩阵序列极限的运算规则:A^(k)^、B^(k)^的极限为A、B

    1. 线性运算:aA^(k)^+bB^(k)^ →aA+bB (k → +∞)
    2. 乘:A^(k)^B^(k)^ →AB (k → +∞)
    3. 当A^(k)^、A均可逆的时候:(A^(k)^)^-1^ → A^-1^ (k → +∞)
  2. 用矩阵范数定义矩阵序列极限:

    1. lim ⁡ k → + ∞ ∣ ∣ A ( k ) − A ∣ ∣ = 0 \lim_{k\to+\infty}||A^{(k)}-A||=0 limk→+∞∣∣A(k)−A∣∣=0
  3. 收敛矩阵 等价于 谱半径r(A)<1

    1. lim ⁡ k → + ∞ A k = O \lim_{k\to+\infty}A^k=O limk→+∞Ak=O称为收敛矩阵
  4. 矩阵级数绝对收敛的充要条件是正项级数 ∑ i = 0 ∞ ∣ ∣ A ( k ) ∣ ∣ \sum_{i=0}^{\infty}||A^{(k)}|| ∑i=0∞∣∣A(k)∣∣收敛

  5. Neumann级数:E+A+A^2^+A^3^+...... = (E-A)^-1^. r(A)<1时成立

  6. 矩阵幂级数f(A):数项幂级数f(z)收敛半径为r,若r(A)<r则f(A)绝对收敛

  7. 矩阵函数:收敛的矩阵幂级数的和S,记作f(A)

  8. 收敛半径判断方法:

    1. 达朗贝尔判敛法: lim ⁡ n → ∞ ∣ c n + 1 c n ∣ = ρ {\displaystyle \lim {n\to \infty }\left\vert {c{n+1} \over c_{n}}\right\vert =\rho } n→∞lim cncn+1 =ρ , R = 1/rho
    2. 柯西判敛法: R = lim inf ⁡ n → ∞ ∣ c n ∣ − 1 n {\displaystyle R=\liminf {n\to \infty }\left|c{n}\right|^{-{\frac {1}{n}}}} R=n→∞liminf∣cn∣−n1
  9. 四阶Jordan块的k次幂,特征值为a: [ a k k a k − 1 k ( k − 1 ) 2 ! k k − 2 k ( k − 1 ) ( k − 2 ) 3 ! k k − 3 0 a k k a k − 1 k ( k − 1 ) 2 ! k k − 2 0 0 a k k a k − 1 0 0 0 a k ] \begin{bmatrix}a^k&ka^{k-1}&\frac{k(k-1)}{2!}k^{k-2}&\frac{k(k-1)(k-2)}{3!}k^{k-3} \\0&a^k&ka^{k-1}&\frac{k(k-1)}{2!}k^{k-2}\\0&0 &a^k&ka^{k-1}\\0&0&0&a^k\end{bmatrix} ak000kak−1ak002!k(k−1)kk−2kak−1ak03!k(k−1)(k−2)kk−32!k(k−1)kk−2kak−1ak

5、广义逆矩阵

逆,生来就是用于解方程组的。

  1. 逆:行列满秩。

  2. 单边逆:左逆列满秩;右逆行满秩。

    1. 求法:高斯消元。

    2. 列满秩矩阵:Ax=b

      1. 行初等变换,可以得到左逆 A L − 1 A_L^{-1} AL−1。
      2. 有解的充要条件: A A L − 1 b = b AA_L^{-1}b=b AAL−1b=b (可拓展为AGb=b)
      3. 唯一解: x = ( A H A ) − 1 A H b = A L − 1 b \Large x = (A^HA)^{-1}A^Hb=A_L^{-1}b x=(AHA)−1AHb=AL−1b
      4. 需要注意,左逆矩阵不唯一, ( A H A ) − 1 A H (A^HA)^{-1}A^H (AHA)−1AH也是列满秩矩阵A的左逆。
    3. 行满秩矩阵:

      1. 列初等变换,可以得到右逆 A R − 1 A_R^{-1} AR−1。
      2. 行满秩矩阵一定有解,且解不唯一。自由未知数的个数为n-m
      3. A H ( A A H ) − 1 A^H(AA^H)^{-1} AH(AAH)−1是A的一个右逆。右逆矩阵不唯一。
      4. 需要注意: A H ( A A H ) − 1 b ≠ A R − 1 b \large A^H(AA^H)^{-1}b {\ne} A_R^{-1}b AH(AAH)−1b=AR−1b 通常情况求出来的是两个不同的解,均满足Ax=b。这是因为行满秩矩阵Ax=b的解不唯一。
      5. 行满秩矩阵的A+是A的一个右逆。
  3. 广义逆:任何矩阵都存在广义逆矩阵。

    1. AGA=A 等价于 G是A的广义逆矩阵。

    2. 单边逆是广义逆的特殊情况。

    3. Ax = b有解的充要条件:rank A = rank (A b)

    4. 当A列满秩,且rank A = rank (A b) ,则有唯一解。

    5. 当A非列满秩,且有解,则有无穷多解。

    6. Gb = x , 且Ax = b,则称G是A的一个广义逆。

    7. 广义逆矩阵不唯一,零矩阵的广义逆矩阵是任意矩阵。

    8. 广义逆矩阵通常记作 A − A^- A−,区别于 A − 1 A^{-1} A−1

    9. 广义逆矩阵的秩 大于等于 A的秩。取等号,等价于 G具有自反性。

    10. 广义逆矩阵是逆矩阵的推广,当A是可逆矩阵的时候,A^-^=A^-1^

    11. 广义逆矩阵有逆矩阵类似的性质:

      性质 广义逆矩阵 逆矩阵
      定义 对于矩阵A,存在矩阵B,使得ABA=A 对于方阵A,存在矩阵B,使得AB=BA=I
      记号 A − A^- A− A − 1 A^{-1} A−1
      行为 对于任意向量b,满足 A A − AA^- AA−b=b 对于任意向量b,满足 A A − 1 AA^{-1} AA−1b=b
      矩阵乘法 A A − AA^- AA−A=A AA − 1 ^{-1} −1A=A
      矩阵的秩 rank( A − A A^-A A−A)=rank( A A − AA^- AA−)=rank(A) rank(AA − 1 ^{-1} −1)=rank(A)=n(满秩)
      逆的存在 广义逆存在于可逆和不可逆矩阵中 逆存在于方阵(可逆矩阵)中
      唯一性 可以有多个不同的广义逆 逆是唯一的
      幂等性 A A − AA^- AA− 、 A − A A^-A A−A是幂等矩阵 A A − 1 = A − 1 A = I AA^{-1}=A^{-1}A=I AA−1=A−1A=I是幂等矩阵
      数乘 aA的广义逆为 1 a A − , a ≠ 0 \frac{1}{a} A^-,a\ne0 a1A−,a=0 aA的逆为 1 a A − 1 , a ≠ 0 \frac{1}{a} A^{-1},a\ne0 a1A−1,a=0
      正交投影 若 ( A A − ) H = A A − (AA^-)^H=AA^- (AA−)H=AA−,则 A A − = P R ( A ) AA^-=P_{R(A)} AA−=PR(A) A A − 1 = I AA^{-1}=I AA−1=I,I是从C^n^到R(A)的正交投影
  4. 自反广义逆

    1. 定义:AGA=A且GAG=G。存在且不唯一。
    2. 求法:
      1. 最大秩分解法:A=BD, A r − = D R − 1 B L − 1 A_r^-=D_R^{-1}B_L^{-1} Ar−=DR−1BL−1
      2. 构造法:X、Y是A的广义逆,则Z = XAY是自反广义逆,当然YAX也是自反广义逆。
      3. 公式法:X=(A^H^A)^-^A^H^,Y =A^H^(AA^H^)^-^都是自反广义逆
        1. R(A^H^)=R(A^H^A), N(A)=N(A^H^A)
        2. 存在D,使得A^H^=A^H^AD
        3. 代入可证明AXA=A
        4. rank(X)<=rank(A^H^)=rank(A^H^A) = rank(A^H^A(A^H^A)^-^A^H^A)=rank(A^H^AXA)<=rank(X)
        5. 所以X是自反广义逆
    3. A^_^是自反广义逆的充要条件是rank(A)=rank(A^-^)
      1. 必要性:AGA=A且GAG=G,则rank(A)=rank(AGA)<=rank(G)=rank(GAG)<=rank(A)
      2. 充分性:
        1. R(GA)属于R(G),R(GA)=R(A)=R(G),则R(G)=R(GA);
        2. GE=G,则存在X,GAX=G
        3. A=AGA=AGAXA=AXA
        4. 由构造法知G是自反广义逆
    4. 几何性质
      1. R ( A ) ⊕ N ( A H ) = C m R(A)\oplus N(A^H)=C^m R(A)⊕N(AH)=Cm
      2. R ( A H ) ⊕ N ( A ) = C n R(A^H)\oplus N(A)=C^n R(AH)⊕N(A)=Cn
      3. R ( A ) ⊕ N ( A r − ) = C m R(A)\oplus N(A^-_r)=C^m R(A)⊕N(Ar−)=Cm
      4. R ( A r − ) ⊕ N ( A ) = C n R(A^-_r)\oplus N(A)=C^n R(Ar−)⊕N(A)=Cn
      5. R ( A r − ) = R ( A H ) R(A^-_r) = R(A^H) R(Ar−)=R(AH)
      6. N ( A r − ) = N ( A H ) N(A^-_r) = N(A^H) N(Ar−)=N(AH)
  5. MP广义逆

    1. 定义:AGA=A,GAG=G,(GA)^H^=GA, (AG)^H^=AG
    2. 存在且唯一
    3. 计算方法:
      1. 最大值分解法: A + = D H ( D D H ) − 1 ( B H B ) − 1 B H A^+=D^H(DD^H)^{-1}(B^HB)^{-1}B^H A+=DH(DDH)−1(BHB)−1BH
      2. 奇异值分解法: A + = V H D + U A^+=V^HD^+U A+=VHD+U (A = UDV^H^)
      3. 注意:最大值分解不唯一,然而最大值分解的这种乘积,即A^+^是唯一的。
    4. A+的性质:
      1. 自反性:(A+)^+^=A
      2. 唯一性: A + = ( A H A ) + A H = A H ( A A H ) + = D H ( D D H ) − 1 ( B H B ) − 1 B H A^+=(A^HA)^+A^H=A^H(AA^H)^+=D^H(DD^H)^{-1}(B^HB)^{-1}B^H A+=(AHA)+AH=AH(AAH)+=DH(DDH)−1(BHB)−1BH
      3. 几何性质: R ( A + ) = R ( A H ) R(A^+) = R(A^H) R(A+)=R(AH) (这是自反广义逆具有的性质)
      4. 正交投影性: A A + = P R ( A ) , A + A = P R ( A H ) AA^+=P_{R(A)},A^+A=P_{R(A^H)} AA+=PR(A),A+A=PR(AH)
      5. 行列子空间相等性:R(A)=R(A^H^)的充要条件是 A + A = A + A A^+A=A^+A A+A=A+A
      6. ( A H A ) + = A + ( A H ) + = A + ( A A H ) + A = A H ( A A H ) + ( A H ) + (A^HA)^+=A^+(A^H)^+=A^+(AA^H)^+A=A^H(AA^H)^+(A^H)^+ (AHA)+=A+(AH)+=A+(AAH)+A=AH(AAH)+(AH)+
      7. A + A = ( A H A ) + ( A H A ) = ( A H A ) ( A H A ) + A^+A=(A^HA)^+(A^HA)=(A^HA)(A^HA)^+ A+A=(AHA)+(AHA)=(AHA)(AHA)+
    5. 若A是Hermite矩阵:
      1. ( A 2 ) + = ( A + ) 2 (A^2)^+=(A^+)^2 (A2)+=(A+)2
  6. 矩阵方程通解:

    1. AXB=D有解的充要条件:AA^-^DB^-^B=D
    2. 通解:X=A^-^DB^-^+Y-A^-^AYBB^-^
    3. Ax=b有解的充要条件:AA^-^b=b
    4. 通解:x = A^-^b +y-A^-1^Ay
  7. 相容方程组的最小范数解:

    1. 相容方程组:有解方程组
    2. AGA=A,(GA)^H^=GA
    3. Gb=x是最小范数解
  8. 不相容方程组的最小二乘解:

    1. 不相容方程组:无解方程组
    2. AGA=A,(AG)^H^=AG
    3. Gb=x是最小二乘解之一,最小二乘解的通解: x = G b + ( E − G A ) b x = Gb+(E-GA)b x=Gb+(E−GA)b
  9. 不相容方程组的最小二乘解有时候不够好,最小二乘解的最小范数解叫最佳逼近解:

    1. 最佳逼近解:A^+^b=x
    2. 如果方程组是相容方程组,则A^+^b是最小范数解
  10. 关于广义逆的运算规则

    1. ( A − ) H = ( A H ) − (A^-)^H=(A^H)^- (A−)H=(AH)−
    2. B = S A T , B − = T − 1 A − S − 1 B=SAT,B^-=T^{-1}A^-S^{-1} B=SAT,B−=T−1A−S−1
    3. ( A B ) + = B + A + (AB)^+=B^+A^+ (AB)+=B+A+的充要条件: R ( A H A B ) ⊂ R ( B ) , R ( B B H A H ) ⊂ R ( A H ) R(A^HAB)\sub R(B),R(BB^HA^H)\sub R(A^H) R(AHAB)⊂R(B),R(BBHAH)⊂R(AH)
    4. ( A B ) + = B + A + (AB)^+=B^+A^+ (AB)+=B+A+的充分条件:A列满秩(A^H^A满秩),B行满秩(BB^H^满秩)
相关推荐
爱敲代码的憨仔2 小时前
《线性代数的本质》
线性代数·算法·决策树
2402_871321951 天前
MATLAB方程组
gpt·学习·线性代数·算法·matlab
Angindem1 天前
子矩阵的和(矩阵前缀和)
线性代数·矩阵
2403_875180952 天前
短视频矩阵系统是什么?有什么功能?
线性代数·矩阵
取个名字真难呐2 天前
AB矩阵秩1乘法,列乘以行
python·线性代数·矩阵
2403_875180952 天前
短视频矩阵矩阵,矩阵号策略
线性代数·矩阵
2403_875180952 天前
短视频矩阵系统:智能批量剪辑、账号管理新纪元!
线性代数·矩阵
埃菲尔铁塔_CV算法2 天前
矩阵论在深度学习中的应用
深度学习·线性代数·矩阵
贵州晓智信息科技3 天前
行列式的理解与计算:线性代数中的核心概念
javascript·线性代数
LinKouun4 天前
Fisher矩阵和Hessian矩阵的关系:证明Fisher为负对数似然函数的Hessian的期望
线性代数·矩阵·黑塞矩阵·hessian·fisher·费雪矩阵