【线性代数与矩阵论】矩阵的酉相似

矩阵的酉相似(合同变换)

2023年11月7日

#algebra


文章目录

  • 矩阵的酉相似(合同变换)
    • [1. 酉矩阵](#1. 酉矩阵)
    • [2. 酉相似](#2. 酉相似)
    • [3. Schur分解定理](#3. Schur分解定理)
    • [4. 正规矩阵](#4. 正规矩阵)
    • [5. 酉相似对角化](#5. 酉相似对角化)
    • [6. Hermit矩阵,反Hermit矩阵及酉矩阵的特性](#6. Hermit矩阵,反Hermit矩阵及酉矩阵的特性)
    • [7. Hermit矩阵的正定性](#7. Hermit矩阵的正定性)
    • 下链

1. 酉矩阵

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n ,若 A {A} A 满足
A H A = A A H = I A^ \mathrm HA=AA^ \mathrm H=I AHA=AAH=I

则称 A {A} A 为酉矩阵()。由定义可得
A − 1 = A H A^{-1}=A^ \mathrm H A−1=AH

当 A ∈ R n × n {A\in \mathbb R^{n \times n}} A∈Rn×n ,酉矩阵就是单位正交矩阵
性质 若 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n 是酉矩阵,则

  1. ∣ det ⁡ A ∣ = 1 {|\det A|=1} ∣detA∣=1
  2. A T , A H , A − 1 {A^T,A^H,A^{-1}} AT,AH,A−1 仍为酉矩阵
  3. 若 B {B} B 也是酉矩阵,则 A B {AB} AB 也是酉矩阵

显然,酉矩阵列向量是空间中一组标准正交基,这是酉矩阵的充要条件。


2. 酉相似

设 A , B ∈ C n × n {A,B\in \mathbb C^{n \times n}} A,B∈Cn×n ,若存在酉矩阵 U {U} U 使得
B = U − 1 A U = U H A U B=U^{-1}AU=U^ \mathrm HAU B=U−1AU=UHAU

则称 A {A} A 与 B {B} B 酉相似。
相似变换与逆矩阵有关,相似变换前后的矩阵为相似矩阵。
合同变换与酉矩阵有关,合同变换前后的矩阵为合同矩阵。


3. Schur分解定理

设 ∀ A ∈ C n × n \forall A\in \mathbb C^{n \times n} ∀A∈Cn×n ,若存在酉矩阵 U {U} U 使得
T = U − 1 A U = U H A U = [ λ 1 t 12 ⋯ t 1 n 0 λ 2 ⋱ ⋮ 0 0 ⋱ t ( n − 1 ) n 0 0 0 λ n ] T=U^{-1}AU=U^ \mathrm HAU= \begin{bmatrix} \lambda_1 & t_{12} & \cdots & t_{1n} \\ 0 & \lambda_2 & \ddots & \vdots \\ 0 & 0 & \ddots & t_{(n-1)n}\\ 0 & 0 & 0 & \lambda_n \end{bmatrix} T=U−1AU=UHAU= λ1000t12λ200⋯⋱⋱0t1n⋮t(n−1)nλn

其中 λ 1 , λ 2 , ⋯   , λ n \lambda_1, \lambda_2,\cdots,\lambda_n λ1,λ2,⋯,λn 是 A {A} A 的特征值,即任意 A {A} A 都可酉相似与一个上三角矩阵 T {T} T


4. 正规矩阵

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n 满足
A H A = A A H A^ \mathrm HA=AA^ \mathrm H AHA=AAH

则称A为正规矩阵。正规矩阵有以下类型:

  1. 实对称矩阵 A ∈ R n × n , A T = A {A\in \mathbb R^{n \times n}, A^ \mathrm T =A} A∈Rn×n,AT=A
  2. 实反对称矩阵 A ∈ R n × n , A T = − A {A\in \mathbb R^{n \times n}, A^ \mathrm T =-A} A∈Rn×n,AT=−A
  3. 实正交矩阵 A ∈ R n × n , A T A = A A T = I {A\in \mathbb R^{n \times n}, A^ \mathrm T A=AA^ \mathrm T=I} A∈Rn×n,ATA=AAT=I
  4. Hermit矩阵 A ∈ C n × n , A H = A {A\in \mathbb C^{n \times n}, A^ \mathrm H=A} A∈Cn×n,AH=A
  5. 反Hermit矩阵 A ∈ C n × n , A H = − A {A\in \mathbb C^{n \times n}, A^ \mathrm H=-A} A∈Cn×n,AH=−A
  6. 酉矩阵 A ∈ C n × n , A H A = A A H = I {A\in \mathbb C^{n \times n}, A^ \mathrm H A=AA^ \mathrm H}=I A∈Cn×n,AHA=AAH=I

正规矩阵不一定是以上六类矩阵。


5. 酉相似对角化

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n ,则A可酉相似对角化的条件是
A H A = A A H A^ \mathrm HA=AA^ \mathrm H AHA=AAH

A为正规矩阵。方法如下:

  1. 求出A的全部特征值,和相应的重数
  2. 对这些特征值求特征向量
  3. 对特征向量做schmidt正交化

6. Hermit矩阵,反Hermit矩阵及酉矩阵的特性

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n ,则

  1. A {A} A 是Hermit矩阵    ⟺    \iff ⟺ A {A} A 的特征值全是实数
  2. A {A} A 是反Hermit矩阵    ⟺    \iff ⟺ A {A} A 的特征值是 0 {0} 0 或纯虚数
  3. A {A} A 是酉矩阵    ⟺    \iff ⟺ A {A} A 的特征值的模是 1 {1} 1
  4. λ {\lambda} λ 是 A {A} A 的特征值, x {x} x 是对应 λ { \lambda} λ 的特征向量,则 λ ˉ {\bar \lambda} λˉ 是 A H {A^ \mathrm H} AH 的特征值,对应 λ ˉ {\bar \lambda} λˉ 的特征向量仍为 x {x} x

7. Hermit矩阵的正定性

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n 是一个Hermit矩阵,如果
x H A x > 0 , ∀ x ∈ C n , x ≠ 0 x^ \mathrm HAx>0, \forall x\in \mathbb C^{n},x\ne 0 xHAx>0,∀x∈Cn,x=0

则称 A {A} A 是一个正定的Hermit矩阵。

如果
x H A x ≥ 0 , ∀ x ∈ C n , x ≠ 0 x^ \mathrm HAx\ge0, \forall x\in \mathbb C^{n},x\ne 0 xHAx≥0,∀x∈Cn,x=0

则称 A {A} A 是一个半正定的Hermit矩阵。

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n 是一个Hermit矩阵,则下述条件等价

  1. A {A} A 是正定的Hermit矩阵
  2. A {A} A 的特征值全为正数
  3. 存在可逆矩阵 P {P} P 使得 A = P H P {A=P^ \mathrm HP} A=PHP
  4. A {A} A 的顺序主子式全为正数

设 A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n 是一个Hermit矩阵,则下述条件等价

  1. A {A} A 是半正定的Hermit矩阵
  2. A {A} A 的特征值全为非负数
  3. 存在可逆矩阵 P {P} P 使得 A = P H P {A=P^ \mathrm HP} A=PHP

设 A ∈ C m × n {A\in \mathbb C^{m \times n}} A∈Cm×n ,则

  1. A H A {A^ \mathrm HA} AHA 和 A A H {AA^ \mathrm H} AAH 的特征值全为非负实数
  2. A H A {A^ \mathrm HA} AHA 和 A A H {AA^ \mathrm H} AAH 的非零特征值相同
  3. rank ( A H A ) = rank ( A A H ) = rank ( A ) {\text{rank}( A^ \mathrm HA)= \text{rank}( AA^ \mathrm H)= \text{rank}(A)} rank(AHA)=rank(AAH)=rank(A)

下链


相关推荐
MarkHD4 小时前
第十一天 线性代数基础
线性代数·决策树·机器学习
星沁城8 小时前
240. 搜索二维矩阵 II
java·线性代数·算法·leetcode·矩阵
幼儿园园霸柒柒1 天前
第七章: 7.3求一个3*3的整型矩阵对角线元素之和
c语言·c++·算法·矩阵·c#·1024程序员节
星沁城1 天前
73. 矩阵置零
java·算法·矩阵
jndingxin1 天前
OpenCV视觉分析之目标跟踪(11)计算两个图像之间的最佳变换矩阵函数findTransformECC的使用
opencv·目标跟踪·矩阵
pen-ai2 天前
【机器学习】21. Transformer: 最通俗易懂讲解
人工智能·神经网络·机器学习·矩阵·数据挖掘
会写代码的饭桶2 天前
【C++刷题】力扣-#566-重塑矩阵
c++·leetcode·矩阵
君臣Andy2 天前
【矩阵的大小和方向的分解】
线性代数·矩阵
勤劳的进取家2 天前
利用矩阵函数的导数公式求解一阶常系数微分方程组的解
线性代数
武子康2 天前
大数据-207 数据挖掘 机器学习理论 - 多重共线性 矩阵满秩 线性回归算法
大数据·人工智能·算法·决策树·机器学习·矩阵·数据挖掘