常见的几种矩阵分解方式

常见的几种矩阵分解方式1.三角分解(LU分解)矩阵的LU分解是将一个矩阵分解为一个下三角矩阵与上三角矩阵的乘积。本质上,LU分解是高斯消元的一种表达方式。首先,对矩阵A通过初等行变换将其变为一个上三角矩阵。对于学习过线性代数的同学来说,这个过程应该很熟悉,线性代数考试中求行列式求逆一般都是通过这种方式来求解。然后,将原始矩阵A变为上三角矩阵的过程,对应的变换矩阵为一个下三角矩阵。这中间的过程,就是Doolittleal

大家好,又见面了,我是你们的朋友全栈君。

项目github地址:bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star,留言,一起学习进步

1.三角分解(LU分解)

矩阵的LU分解是将一个矩阵分解为一个下三角矩阵与上三角矩阵的乘积。本质上,LU分解是高斯消元的一种表达方式。首先,对矩阵A通过初等行变换将其变为一个上三角矩阵。对于学习过线性代数的同学来说,这个过程应该很熟悉,线性代数考试中求行列式求逆一般都是通过这种方式来求解。然后,将原始矩阵A变为上三角矩阵的过程,对应的变换矩阵为一个下三角矩阵。这中间的过程,就是Doolittle algorithm(杜尔里特算法)。

转一个Tony Ma同学写的例子:
若AX=b是一个非奇异系统,那么高斯消元法将A化简为一个上三角矩阵。若主轴上没有0值,则无需交互行,因此只需进行第3类初等行变换(把第 i 行加上第 j 的 k 倍)即可完成此变换。例如
这里写图片描述
第3类行变换可以通过左乘相应的初等矩阵image实现,对上例来说进行的3个变换就是相应初等矩阵的乘积。注意最右边是一个下三角矩阵L
这里写图片描述
从而有 G 3 G 2 G 1 A = U G_3G_2G_1A = U G3G2G1A=U,即 A = G 1 − 1 G 2 − 1 G 3 − 1 U A=G_1^{-1}G_2^{-1}G_3^{-1}U A=G11G21G31U。因此 A = L U A=LU A=LU,为一个下三角与一个上三角矩阵的乘积,因此称为LU分解。
注意:
1)U是高斯消元的结果,且对角线上是主元
2)L对角线上是1,对角线下面的元素image恰恰是在式1中用于消去(i,j)位置上元素的乘子。

LU分解常用来求解线性方程组,求逆矩阵或者计算行列式。例如在计算行列式的时候, A = L U A=LU A=LU d e t ( A ) = d e t ( L ) d e t ( U ) det(A) = det(L)det(U) det(A)=det(L)det(U)。而对于三角矩阵来说,行列式的值即为对角线上元素的乘积。所以如果对矩阵进行三角分解以后再求行列式,就会变得非常容易。

在线性代数中已经证明,如果方阵 A A A是非奇异的,即 A A A的行列式不为0,LU分解总是存在的。

并非所有矩阵都能进行LU分解,能够LU分解的矩阵需要满足以下三个条件:

1.矩阵是方阵(LU分解主要是针对方阵);
2.矩阵是可逆的,也就是该矩阵是满秩矩阵,每一行都是独立向量;
3.消元过程中没有0主元出现,也就是消元过程中不能出现行交换的初等变换。

2.QR分解

QR分解是将矩阵分解为一个正交矩阵与上三角矩阵的乘积。用一张图可以形象地表示QR分解:
这里写图片描述
这其中, Q Q Q为正交矩阵, Q T Q = I Q^TQ = I QTQ=I,R为上三角矩阵。
实际中,QR分解经常被用来解线性最小二乘问题。

3.Jordan分解

每次看到Jordan分解,就想起当年考研的那段时光。控制原理里面,就有大段关于Jordan分解的内容。可惜当时矩阵分析没有学到位,线性代数里头又没有提到Jordan分解,所以理解起来那个费劲。
废话这么多,先来看看Jordan到底是个什么鬼:
我们将下面的 k × k k \times k k×k 阶方阵
J K ( λ ) = [ λ 1 λ 1 ⋱ ⋱ λ 1 λ ] k × k J_K(\lambda) = \left[ \begin{matrix} \lambda & 1 & \\ & \lambda & 1 \\ & & \ddots & \ddots \\ & & & \lambda & 1\\ & & & & \lambda \end{matrix} \right] _{k \times k} JK(λ)=λ1λ1λ1λk×k
称为Jordan块。同时,我们也将由若干个Jordan块组成的对角矩阵成为Jordan阵。
由Jordan块的定义不难看出,Jordan 阵与对角阵的差别仅在于它的上 (下)对角线的元素是0或1。因此,它是特殊的上三角阵。

为什么要进行Jordan分解呢?或者说,Jordan分解能解决什么问题呢?
我们先来复习一下,如果一个n阶方阵 A A A可以对角化,那么 A A A至少满足下列条件的一个:
1. A A A有n个线性无关的特征向量。
2. A A A的所有特征值的几何重数等于相应的代数重数,即 q i = p i q_i = p_i qi=pi
3. A A A的极小多项式经标准分解后,每一项都是一次项,且重数都是1。

因为有的矩阵不可以进行对角化,那么我们可以对它进行Jordan分解,达到简化计算的目的。

4.SVD分解

关于SVD分解,前面已经有文章专门介绍了。
http://blog.csdn.net/bitcarmanlee/article/details/52068118

参考文献

  1. https://zhuanlan.zhihu.com/p/54943042 矩阵分解—1-LU分解
  2. https://zhuanlan.zhihu.com/p/84415000 [数值计算] QR分解
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/139071.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 解决0xc000000f_0xc00d36b4

    解决0xc000000f_0xc00d36b4win10原生播放器不支持的编码格式需要用 vlcmediaplayer才能播放谷歌搜vlcmediaplayerdownloadforfilehippo下载安装

  • nslookup命令的使用方法_nslookup测试命令

    nslookup命令的使用方法_nslookup测试命令介绍nslookup(nameserverlookup)是和dig类似的命令,都是用来查询域名信息的指令,但是在功能上没有dig强大,这个指令在Windows系统是自带的,要想在Linux中使用,就需要下载和dig相同的工具包使用nslookupdomain[dnsserver]#domain:要查询的域名dnsserver:指定域名服务器,如果不指定,系统就会使用默认的DNS服务器如果没有指定查询的服务类型,系统会默认查询A记录查询其他的服务nsloo

    2022年10月18日
  • 高通搜网流程_搜艺贝流程

    高通搜网流程_搜艺贝流程这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML图表FLowchart流程图导出与导入导出导入https:…

  • 4月第3周业务风控关注 | 文化部再次审查直播和游戏产品,已下架4939款直播应用…

    4月第3周业务风控关注 | 文化部再次审查直播和游戏产品,已下架4939款直播应用…

  • Python入门教程:Day11-文件和异常

    Python入门教程:Day11-文件和异常

  • rabbitmq下载安装教程_rabbitmq官方教程中文

    rabbitmq下载安装教程_rabbitmq官方教程中文RabbitMq安装教程RabbitMq简介安装准备工具RabbitMq简介##1.1消息队列中间件简介消息队列中间件是分布式系统中重要的组件,主要解决应用耦合,异步消息,流量削锋等问题实现高性能,高可用,可伸缩和最终一致性[架构]使用较多的消息队列有ActiveMQ(安全),RabbitMQ,ZeroMQ,Kafka(大数据),MetaMQ,RocketMQ以下介绍消息队列在实际应用中常用的使用场景:异步处理,应用解耦,流量削锋和消息通讯四个场景1.2什么是RabbitMQ RabbitM

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号