线性代数投影矩阵的定义_线性代数a和线性代数b

线性代数投影矩阵的定义_线性代数a和线性代数bAbout投影矩阵  一个矩阵AAA既可以表示一种线性变换,又可以是一个子空间(由基张开的),还可以是一组坐标,甚是神奇。文章目录About投影矩阵一维空间的投影矩阵投影矩阵的多维推广投影的物理意义信号处理中的正交投影技术一维空间的投影矩阵  查看上图,ppp是bbb在aaa上的投影,可以发现,ppp和aaa是同向的,故可以表示为如下形式,其中xxx是标量p=axp=axp=ax  根据eee和ppp正交的条件,可以推导出x=aTbaTax=\frac{a^Tb}{a^Ta}x=aTaaT

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

About 投影矩阵

  一个矩阵 A A A既可以表示一种线性变换,又可以是一个子空间(由基张开的),还可以是一组坐标,甚是神奇。

一维空间的投影矩阵

在这里插入图片描述
  查看上图, p p p b b b a a a上的投影,可以发现, p p p a a a是同向的,故可以表示为如下形式,其中 x x x是标量
p = a x p=ax p=ax
  根据 e e e p p p正交的条件,可以推导出 x = a T b a T a x=\frac{a^Tb}{a^Ta} x=aTaaTb,则
p = a a T b a T a = a a T a T a b = P b p=a\frac{a^Tb}{a^Ta}=\frac{aa^T}{a^Ta}b=Pb p=aaTaaTb=aTaaaTb=Pb P = a a T a T a P=\frac{aa^T}{a^Ta} P=aTaaaT
  记 P P P为投影矩阵,说明了向量 b b b a a a上的投影 p p p是一个矩阵作用在 b b b上得到的。
P P P的性质
1. P = P T P=P^T P=PT,对称矩阵一定可以特征值分解
2. r a n k ( P ) = 1 rank(P)=1 rank(P)=1,由单个向量张开的子空间,秩为1
3. P = P 2 P=P^2 P=P2,投影只起一次效果

投影矩阵的多维推广

在这里插入图片描述
  向量 b b b在子空间上的投影是向量 b b b在向量 a a a上投影的推广。即此时向量 a a a变成矩阵 A A A,记 A A A的列空间包含两个向量 a 1 , a 2 a_1,a_2 a1,a2,依旧记向量 b b b A A A空间上的投影为 p p p,则:
p = A x = [ a 1 a 2 ] [ x 1 x 2 ] = a 1 x 1 + a 2 x 2 p=Ax=\begin{bmatrix} a_1&a_2\end{bmatrix}\begin{bmatrix} x_1 \\ x_2 \end{bmatrix}=a_1x_1+a_2x_2 p=Ax=[a1a2][x1x2]=a1x1+a2x2
  误差向量 e e e垂直于列空间的平面,故:
{ a 1 T ( b − p ) = 0 a 2 T ( b − p ) = 0 \left\{ \begin{aligned} a_1^T(b-p)=0 \\ a_2^T(b-p)=0 \end{aligned} \right. {
a1T(bp)=0a2T(bp)=0
A T ( b − p ) = 0 A^T(b-p)=0 AT(bp)=0 A T ( b − A x ) = 0 A^T(b-Ax)=0 AT(bAx)=0 A T b = A T A x A^Tb=A^TAx ATb=ATAx x = ( A T A ) − 1 A T b x=(A^TA)^{-1}A^Tb x=(ATA)1ATb
  此时投影向量 p p p的形式为:
p = A x = A ( A T A ) − 1 A T b = P b p=Ax=A(A^TA)^{-1}A^Tb=Pb p=Ax=A(ATA)1ATb=Pb P = A ( A T A ) − 1 A T P=A(A^TA)^{-1}A^T P=A(ATA)1AT
  这存在一个疑问, A T A A^TA ATA是否可逆?若 A A A各列线性无关则可逆。
P P P的性质
1. P = P T P=P^T P=PT,对称矩阵一定可以特征值分解
2. r a n k ( P ) = r a n k ( A ) rank(P)=rank(A) rank(P)=rank(A),由 A A A张开,故等秩
3. P = P 2 P=P^2 P=P2,投影只起一次效果

投影的物理意义

  向量投影到子空间的物理意义是什么?查看线性方程组 A x = b Ax=b Ax=b
A = [ a 1 a 2 ⋯ a n ] , x = [ x 1 x 2 ⋮ x n ] A=\begin{bmatrix} a_1&a_2&\cdots&a_n\end{bmatrix}, x=\begin{bmatrix} x_1 \\ x_2 \\\vdots\\x_n \end{bmatrix} A=[a1a2an],x=x1x2xn b = a 1 x 1 + a 2 x 2 + ⋯ + a n x n b=a_1x_1+a_2x_2+\cdots+a_nx_n b=a1x1+a2x2++anxn
  上式的物理意义:把 A A A中的列向量看成 A A A的列空间中的基, x x x为坐标,则向量 b b b是否可用 A A A中的基线性表示,若出现以下情况:向量 b b b不在 A A A的列空间中,则上式无解。
  此时,若将 b b b投影至 A A A的子空间,即 p = P b = A ( A T A ) − 1 A T b p=Pb=A(A^TA)^{-1}A^Tb p=Pb=A(ATA)1ATb,求解 A x ^ = p A\hat{x}=p Ax^=p,因为 p p p最接近于 b b b,所以近似解 x ^ \hat{x} x^最接近于 x x x,以上即为最小二乘法的几何解释,数学描述如下:
A x = b Ax=b Ax=b A x ^ = A ( A T A ) − 1 A T b A\hat{x}=A(A^TA)^{-1}A^Tb Ax^=A(ATA)1ATb x ^ = ( A T A ) − 1 A T b \hat{x}=(A^TA)^{-1}A^Tb x^=(ATA)1ATb

信号处理中的正交投影技术

  对于信号处理方向,矩阵论非常重要。
  假设空间由干扰源张成的子空间以及噪声子空间构成,那么如何去除干扰?
1.已知干扰
Q = C + P w I , C = D D H Q=C+P_wI, \quad C=DD^H Q=C+PwI,C=DDH
  其中, D D D代表干扰源, C C C是由干扰源构成的协方差矩阵, P w P_w Pw代表噪声功率。
  若干扰源已知,即 D D D已知,则干扰源可用以下投影矩阵对消,全空间-干扰子空间的投影矩阵。
P = I − D ( D H D ) − 1 D H P=I-D(D^HD)^{-1}D^H P=ID(DHD)1DH P D = I D − D I = 0 PD=ID-DI=0 PD=IDDI=0
  综上可以发现,利用正交投影技术,可以将干扰源去掉。

2.未知干扰
  对协方差矩阵 Q Q Q进行特征值分解,将干扰子空间和噪声子空间区分开。
Q = ∑ l = 1 L λ l e l ( i ) ( e l ( i ) ) H + ∑ l = L + 1 N λ l e l ( n ) ( e l ( n ) ) H Q=\sum_{l=1}^{L}{\lambda_le_{l}^{(i)}(e_{l}^{(i)})^H}+ \sum_{l=L+1}^{N}{\lambda_le_{l}^{(n)}(e_{l}^{(n)})^H} Q=l=1Lλlel(i)(el(i))H+l=L+1Nλlel(n)(el(n))H Q = E ( i ) Λ ( i ) ( E ( i ) ) ( H ) + E ( n ) Λ ( n ) ( E ( n ) ) ( H ) Q=E^{(i)}Λ^{(i)}(E^{(i)})^{(H)}+E^{(n)}Λ^{(n)}(E^{(n)})^{(H)} Q=E(i)Λ(i)(E(i))(H)+E(n)Λ(n)(E(n))(H) Q = Q ( i ) + Q ( n ) Q=Q^{(i)}+Q^{(n)} Q=Q(i)+Q(n)
  因为特征向量相互正交,所以令投影矩阵 P = E ( n ) ( E ( n ) ) ( H ) P=E^{(n)}(E^{(n)})^{(H)} P=E(n)(E(n))(H),此时 P D = 0 PD=0 PD=0,这里的 E ( i ) E^{(i)} E(i)就是由干扰 D D D构成的协方差矩阵,当然,也可以写成标准形式:
P = I − E ( i ) ( ( E ( i ) ) ( H ) E ( i ) ) − 1 ( E ( i ) ) ( H ) P=I-E^{(i)}((E^{(i)})^{(H)}E^{(i)})^{-1}(E^{(i)})^{(H)} P=IE(i)((E(i))(H)E(i))1(E(i))(H)
  因为不知道干扰,所以要对特征值及特征向量进行估计,区分哪些属于干扰子空间,哪些属于噪声子空间。

Ref:
https://www.cnblogs.com/bigmonkey/p/9897047.html

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/186004.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

  • 细说php入门学习

    细说php入门学习文章目录1.php基本语法2.变量3.数据类型(1).整型interger(2).浮点型float(3).布尔型boolean(4)字符串string(5).数组array(7).对象boject(8).资源resource(9).空null4.常见函数以及基本语法(1).三种常见函数(2).四种常见输出(3).自动类型转换(4).强制类型转换(5)…

    2022年10月26日
  • PD快速充电协议(转)[通俗易懂]

    PD快速充电协议(转)[通俗易懂]来源-作者@:http://www.elecfans.com/d/647097.html建议读者阅读原文,确保获得完整的信息1.PD充电协议是什么意思    PD充电协议是USB-IF组织公布的功率传输协议,它可以使目前默认最大功率5V/2A的type-c接口提高到100W,同时谷歌宣布Android7.0以上的手机搭载的快充协议必须支持PD协议,意在统一快充市场。2.PD协议快充是什么意思   …

    2022年10月23日
  • GoogLeNet 神经网络结构

    GoogLeNet 神经网络结构GoogLeNet是2014年ILSVRC冠军模型,top-5错误率6.7%,GoogLeNet做了更大胆的网络上的尝试而不像vgg继承了lenet以及alexnet的一些框架,该模型虽然有22层,但参数量只有AlexNet的1/12。GoogLeNet论文指出获得高质量模型最保险的做法就是增加模型的深度(层数)或者是其宽度(层核或者神经元数),但是一般情况下更深或更宽的网络

  • 深入理解extern使用方法

    深入理解extern使用方法

  • alibaba.fastjson.JSONObject.parseObject的使用

    alibaba.fastjson.JSONObject.parseObject的使用fastjson是一个性能很好的Java语言实现的JSON解析器和生成器,当你要处理一段接收的json数据,就可以考虑使用JSONObject.parseObjectimportcom.alibaba.fastjson.JSONObject;parseObject(Stringstr)的作用JSON.parseObject(Stringstr)是将str转化为相应的JSONObject对象,其中str是“键值对”形式的json字符串,转化为JSONObject对象之后就可以使用其内置

  • 自制USB转232线

    来自http://www.dzkf.cn/upimg/allimg/0610/1_23125438.jpghttp://download1.csdn.net/down3/20070615/15181433296.pdfhttp://download1.csdn.net/down3/20070615/15181433296.pdf

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