EE263 Lecture 16 Symmetric matrices, quadratic forms, matrix norm and SVD
距离上次更新已经 2104 天了,文章内容可能已经过时。
课程主页:https://see.stanford.edu/Course/EE263
这次回顾第十六讲,这一讲继续介绍了对称矩阵的一些性质。
二次型
如下形式的函数
被称为二次型。
在二次型中,我们可以假设
(
唯一性:如果对任意
证明:取
取
例子
二次型定义的集合:
被称为二次曲面 被称为二次区域
二次型的不等式
假设
即,我们有
同理可得
有时
注意到
所以不等式是紧的。
正定型和半正定型
假设
我们称
- 表示为
(有时表示为 ) 当且仅当 ,即所有的特征值非负- 这和
不同
我们称
- 表示为
当且仅当
矩阵不等式
- 我们称
是半负定,如果 - 我们称
是负定,如果 - 否则,我们称
不定
矩阵不等式:如果
例如:
意味着 是正定矩阵 意味着对所有 ,
常用的性质:
矩阵不等式只是半序,即可能有
椭球
如果
是
半轴由
- 特征向量决定半轴的方向
- 特征值决定半轴的长度
注意到:
- 在方向
, 很大,因此在 方向椭圆很瘦 - 在方向
, 很小,因此在 方向椭圆很胖 给出最大偏心率
给定
矩阵在方向上的增益
假设
对于
显然,随着输入
于是产生如下问题:
的最大增益是多少(以及对应的方向)? 的最小增益是多少(以及对应的方向)? 的增益随着方向的变换如何改变?
矩阵范数
最大收益
被称为
所以我们有
类似的,最小增益为
注意到
对称,并且 ,所以- 最大收益方向为
, 和 对应的特征项向量 - 最小收益方向为
, 和 对应的特征项向量
矩阵范数的性质
和向量范数兼容:
的矩阵范数为对任意
,缩放:
三角不等式:
definiteness:
范数的乘积:
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 Doraemonzzz!
评论
ValineLivere