线性代数学习笔记

Published: September 23, 2020 by Daltao

• Categories:
• math 2

• Tags:

• 矩阵
  • 置换矩阵
  • LU分解
  • 矩阵乘法
  • 转置矩阵
  • 对称矩阵
  • 正交矩阵
  • 矩阵求逆
• 投影
• 特征值
  • 特征值分解
  • 正定矩阵
  • 特征值和微积分
• 相似矩阵
• 范数
• 迹
• 伪逆
• 行列式
• 奇异值分解
• 线性方程组
  • 四个空间

矩阵

置换矩阵

置换矩阵是指每一行每一列恰好有一个$1$，其余元素是$0$的方阵。对于大小为$n\times n$的置换矩阵，很显然总共有$n!$种不同的置换矩阵。

置换矩阵的性质：

• 两个置换矩阵的乘积也是置换矩阵
• 如果$A$是置换矩阵，则$A^T=A^{-1}$。

第二点的证明可以观察行交换矩阵$P_{ij}$，可以发现$P_{ij}P_{ij}^T=I$，而所有矩阵都可以表示为行交换矩阵的乘积。

LU分解

每个$R^{n\times n}$矩阵$A$都可以通过高斯消元，转换为置换矩阵，下三角矩阵和上三角矩阵的乘积。

$$A=PLU$$

进一步可以得到

$$A=PLDU$$

其中$P$是置换矩阵，$L$是单位下三角矩阵，$U$是单位上三角矩阵，且$L$与$U$的对角线元素均为$1$，$D$是对角线矩阵。

有些矩阵可以分解为$P=LU$的形式，其中$L$是下三角矩阵，$U$是上三角矩阵。一个可逆矩阵$A$可以进行LU分解当且仅当$A$的所有子式都非$0$。且如果存在LU分解，则矩阵$A$的$LDU$分解是唯一的。

矩阵乘法

矩阵乘法满足下面性质：

• 如果$A$和$B$均为上（下）三角矩阵，则$AB$也是上（下）三角矩阵

转置矩阵

矩阵$A$的转置记作$A^T$。转置矩阵拥有如下性质：

• $(A^T)^{-1}=(A^{-1})^T$
• $(AB)^T=B^TA^T$

对称矩阵

如果$A^T=A$，则称$A$是对称矩阵。

对称矩阵有下面性质：

• 对称矩阵只有实数特征值
• 我们可以为对称矩阵选择正交的特征向量

对称矩阵的不同特征值的特征向量一定正交。证明如下：考虑对称矩阵$A$，以及它的任意两个不同的特征向量$a,b$以及对应的特征值$x,y$，可以推出

$$Ax=ax\rightarrow y^TAx=ay^Tx\\ y^TA^T=by^T\rightarrow y^TA^Tx=by^Tx\\ ay^Tx=by^Tx\rightarrow y^Tx=0$$

正交矩阵

如果一个$R^{n\times n}$矩阵$A$的列（行）向量为单位向量，且不同列（行）向量相互正交，那么矩阵$A$称为正交矩阵。

很显然置换矩阵也是正交矩阵。

正交矩阵$A$有下面性质：

• $A^{-1}=A^T$
• $\det(A)=\pm 1$

如果已知$A$的列向量标准正交，那么$A$的行向量也一定标准正交。因为$A^TA=I$，因此$AA^T=I$。

矩阵求逆

一个$n\times n$矩阵$A$有逆矩阵$A^{-1}$，等价于下面条件：

• $A$的行列式值非0
• $A$的行向量线性无关
• $A$的列向量线性无关
• $Ax=0$当且仅当$x=0$

一些推广：

• 如果$A$是上（下）三角矩阵，则$A$可逆当且仅当对角线元素中不含$0$。
• 如果$A$中对于任意$i$均满足$\sum_{j\neq i}^n|a_{ij}|<|a_{ii}|$，则$A$一定可逆

第二条性质的证明如下，设任意向量$x$满足$Ax=0$，设$x$中绝对值最大的成分为$x_i$，那么$A_ix$一定与$a_{ii}x_i$同号（即非$0$）。因此等式的唯一解为$x=0$，故可以推出$A$可逆。

矩阵$A$的逆矩阵有如下性质：

• 如果$A$是对称矩阵，则$A^{-1}$也是对称矩阵
• 如果$A$是上（下）三角矩阵，则$A^{-1}$也是上（下）三角矩阵
• 如果$A$是稀疏矩阵，则$A^{-1}$可能是密集矩阵
• $A^{-1}$是唯一的

投影

对于列向量$a$以及点$b$，$b$在$a$上的投影为$p=a\frac{a^Tb}{a^Ta}$，也可以写作$p=Pb$，其中$P=\frac{aa^T}{a^Ta}$。

对于$R^m$的子空间$S$，设其基为$n$个列向量（线性无关），由这$n$个列向量可以组成一个$m\times n$的矩阵$A$。子空间$S$的投影矩阵为$P=A(A^TA)^{-1}A^T$。

对于任意投影矩阵$P$，都满足：

• $P$是对称矩阵
• $P^2=P$
• $I-P$是$P$的正交补空间，$(I-P)P=0$，可以通过$(I-P)b=b-Pb=e$得到误差向量。
• $Py$是$P$的列空间中与$y$的$L^2$范数距离最小的向量。

特征值

对于方阵$A$，如果存在一个非零向量$x$，满足$Ax=\lambda x$，则称$x$是$A$的特征向量，且$\lambda$称为特征值（注意$\lambda$允许为$0$）。

可以发现$(A-\lambda I) x=0$，因此$x$位于$A-\lambda I$的零空间中，因此$A-\lambda I$一定是奇异矩阵。可以得到$|A-\lambda I|=0$。

$R^{n\times n}$上的方阵$A$的特征值$\lambda_1,\ldots,\lambda_n$满足下面性质：

1. 如果$A$是个上（下）三角矩阵，则对角线上的所有元素正好是$A$的全部特征值。
2. 特征值不一定是实数，可能是复数。
3. $A$一定有$n$个复数特征值，但是可能有重复。
4. $\prod_{i=1}^n\lambda_i=|A|$
5. $\sum_{i=1}^n\lambda_i=\sum_{i=1}^nA_{i,i}$
6. 如果$A$的$n$个特征值各不相同，那么对应的$n$个特征向量则线性无关。

第$6$个性质的证明是这样的，设$n$个特征向量线性相关，则有$c_1x_1+\ldots+c_nx_n=0$，继而进行推导：

$$A(c_1x_1+\ldots+c_nx_n)=\lambda_n(c_1x_1+\ldots+c_nx_n)\\ \Rightarrow (\lambda_1-\lambda_n)c_1x_1+\ldots+(\lambda_{n-1}-\lambda_n)c_{n-1}x_{n-1}=0$$

接下来通过归纳法就可以证明$c_1=0$，从而证明$c_1=\ldots=c_n=0$。因此$n$个特征向量线性无关。

如果$n\times n$的方阵$A$有$n$个线性无关的特征向量$x_1,\ldots,x_n$，以及对应的$n$个特征值$\lambda_1,\ldots,\lambda_n$，那么我们称$A$是可对角化的。记特征向量矩阵$X$的第$i$列向量为$x_i$，特征值矩阵$\Lambda$为对角线为$\lambda_1,\ldots,\lambda_n$的矩阵，可以发现：

$$AX=X\Lambda\Rightarrow X^{-1}AX=\Lambda\\ \Rightarrow A=X\Lambda X^{-1}$$

可以发现$A^k=(X\Lambda X^{-1})^k=X\Lambda^kX^{-1}$，即$A^k$与$A$拥有相同的特征向量，但是对应的特征值为$\lambda_1^k,\ldots, \lambda_n^k$。

利用特征值可以实现矩阵快速幂。对于矩阵$A^kc$，若$c$处在$A$的特征向量组成的向量空间中，那么$c=a_1x_1+\ldots+a_mx_m$，这时候我们可以发现有$A^kc=a_1\lambda_1^kx_1+\ldots+a_m\lambda_m^kx_m$。

特征值分解

给定一个矩阵$A$，对于一个非$0$向量$v$，如果$Av=\lambda v$，则称$v$是$A$的特征向量，而$\lambda$是$A$的特征值。由于对于$A$的特征向量$v$，对于任意非$0$实数$\alpha$，$\alpha v$也是$A$的特征向量，且$\alpha x$和$x$的特征值相同，即缩放特征向量的时候特征值不变，因此我们一般仅考虑单位长度的特征向量。

如果一个$n\times n$矩阵$A$有$n$个线性无关的单位特征向量$V=(v_1,\ldots,v_n)$以及对应的特征值$\Lambda=(\lambda_1,\ldots,\lambda_n)$，那么矩阵$A$的特征值可以表示为：

$$AV=V\Lambda \Rightarrow A=V diag(\Lambda) V^{-1}$$

特征值分解可以帮助我们观察一个矩阵的内在性质，就如同一个自然数可以分解为素数的幂的乘积形式，一旦得到这种形式，我们就能很快判断一个数有多少个因子等。

特别的，对于$n\times n$的对称实数矩阵$A$，它的$n$个特征值和特征向量都是实数。我们可以找到$n$个正交的标准特征向量构成一个标准正交矩阵$Q$，此时

$$A=Q diag(\Lambda) Q^T$$

正定矩阵

如果一个矩阵的所有特征值都是正数，则称其为正定矩阵，如果特征值非负，则称为半正定矩阵。对应的，如果所有特征值都是负数，则称为负定矩阵，如果特征值都非正，则成为半负定矩阵。

• 如果矩阵$A$是半正定矩阵，则$\forall x\in \mathbb{R}^n$，都有$xAx^T\geq 0$。
• 如果矩阵$A$是正定矩阵，则$\forall x\in \mathbb{R}^n$，都有$xAx^T\geq 0$，且$xAx^T=0\Rightarrow x=0$。

特征值和微积分

给定函数$\frac{d x(t)}{d t}=Ax$。记$A$的特征值和对应的特征向量为$\lambda_1,v_1,\ldots,\lambda_k,v_k$，那么$f(x)$的积分的通解如下：

$$\int \frac{d x(t)}{d t}dt=\sum_{i=1}^k c_ie^{\lambda_it}v_i$$

如果给定$x(0)$，我们就可以得到具体的解，做法就是代入通解中，求出$c_1,\ldots,c_k$。

随着$t$趋向无穷，如果$\lambda_i$的实数部分为负数，那么$e^{\lambda_it}$会趋向与$0$，如果$\lambda_i$的实数部分为$0$，则$e^{\lambda_it}$会趋向与$1$，而如果$\lambda_i$为正数，则$e^{\lambda_it}$会趋向于无穷。

如果$A$有$n$个线性无关的特征向量，我们记其为$S_1,S_2,\ldots,S_n$。以它们作为列向量组成的矩阵为$S$。我们简单记$x=Sy$，那么有：

$$S\cdot \frac{dy}{dt}=ASy\\ \Rightarrow \frac{dy}{dt}=S^{-1}ASy\\ \Rightarrow \frac{dy}{dt}=\Lambda y\\ \Rightarrow y(t)=e^{\Lambda t}y(0)$$

代回到原来的公式可以得到：

$$x(t)=Sy(t)=Se^{\Lambda t}S^{-1}x(0)=e^{At}x(0)$$

其中

$$e^{At}=\sum_{i=0}^\infty \frac{A^i}{i!}t^i$$

相似矩阵

如果对于$R^{n\times n}$上的矩阵$A$和$B$，存在某个可逆矩阵$C$，满足$A=CBC^{-1}$，那么称$A$与$B$相似。很显然相似关系满足自反性，传递性，对称性，一次相似关系是一类等价关系。

很显然一个矩阵$A$如果有$n$个不同的特征值，则$A$一定与其特征值矩阵$\Lambda$相似。

如果$A$与$B$相似，则满足：

1. $A$与$B$拥有共同的特征值。（特征向量可能不同）

第一个性质的证明如下，设$Bx=\lambda x$，则有

$$A(Cx)=CBC^{-1}(Cx)=CBx=\lambda (Cx)$$

范数

我们一般用范数(norm)来描述一个向量的大小。$L^P$范数定义如下

$$\left\|x\right\|_p=(\sum_{i}|x_i|^p)^{\frac{1}{p}}$$

直观上来看，范数是将向量映射到非负实数的函数，函数值描述这个向量与原点的距离。范数拥有下面的性质：

• $f(x)=0\Leftrightarrow x=0$
• $f(x+y)\leq f(x)+f(y)$
• $\forall \alpha \in \mathbb{R},\alpha f(x)=f(\alpha x)$

一般$L^2$范数也称为欧几里得范数。由于欧几里得范数使用广泛，因此用$\left|x\right|$表示$x$的$L^2$范数，同时我们也可用$x^Tx$直接计算向量$x$的$L^2$范数的平方。$L^2$范数的平方非常适合计算，因为其偏导数$\frac{\partial \left|x\right|}{\partial x_i}=2x_i$仅需要依赖$x_i$，而$L^2$范数的偏导数需要计算涉及整个向量$x$。

但是$L^2$范数的平方在向量接近原点的时候增长非常缓慢，如果你的程序需要区分$0$和非常小的数值，那么可以选择使用$L^1$范数。

范数的特殊用法：

• $\left|x\right|_{\infty}=\max_i \left|x_i\right|$

我们可以把范数推广到矩阵上，只需要把$n\times m$的矩阵视作一个长度为$nm$的向量即可。作用在矩阵上的$L^2$也称作弗罗贝尼乌斯(Frobenius)范数，写作

$$\left\|A\right\|_F=\sqrt{\sum_{1\leq i\leq n, 1\leq j\leq m}A_{i,j}^2}$$

点积和$L^2$范数的关联：$x^Ty=\left|x\right|_2\left|y\right|_2\cos \theta$，其中$\theta$是$x$和$y$之间的夹角。

迹

矩阵的迹是指矩阵对角线元素的和。

$$Tr(A)=\sum_{i}A_{i,i}$$

矩阵的迹拥有下面性质：

• $Tr(A)=Tr(A^T)$。
• $Tr(AB)=Tr(BA)$。
• $Tr$是线性函数，即$Tr(A+B)=Tr(A)+Tr(B)$，$Tr(\alpha A)=\alpha Tr(A)$

对于任意矩阵$A$，有$\left|A\right|_2=Tr(AA^T)$。

伪逆

矩阵逆运算仅对方阵有定义。给定$n\times m$的矩阵$A$，假设我们希望实现一个$A$的左逆$B$，满足$Ax=y\Rightarrow x=By$。

记$A$的特征值分解为$A=UDV$，定义$A$的伪逆定义为

$$A^+=VD^+U^T$$

$D^+$表示将$D$中所有非$0$元素取倒数，并转置得到的矩阵。

对于给定的$y$，如果$y$处于$A$的列空间中，$A^+y$表示$L^2$范数最小的向量，满足$A(A^+y)=y$，$\min(\left|A^+y\right|)$。而如果$y$不处于$A$的列空间，则$A^+y$表示到$A$的列空间的$L^2$范数距离最小的向量，即$\min(\left|A(A^+y)-y\right|_2)$。

行列式

$A$的行列式记做$\det(A)$，是一个实数。$det(A)$等于$A$的所有特征值的乘积。我们可以认为$|det(A)|$描述的是所有特征值的绝对值的乘积，如果某个特征值为$0$，则$det(A)$在某个维度上将不存在高度，导致整体的体积最终为$0$。

奇异值分解

不是每个矩阵都可以做特征值分解，但是任意矩阵都可以被奇异值分解。类似与特征值分解，奇异值分解如下：

$$A=UDV^T$$

假设$A$是$m\times n$矩阵，那么$U$是$m\times m$矩阵，$D$是$m\times n$矩阵，$V$是$n\times n$矩阵。

其中$U$和$V$都是单位正交矩阵。$U$的列向量称为左奇异向量，$V$的列向量称为右奇异向量，$D$的对角线元素称为奇异值。

$A$的左奇异向量是$AA^T$的特征向量，而右奇异向量是$A^TA$的特征向量。而$A$的奇异值是$A^TA$的特征值的平方根。

线性方程组

四个空间

对于$n\times m$矩阵$A$，记$R(A)$表示$A$的行空间，$C(A)$表示$A$的列空间，$N(A)$表示$A$的右零空间，$N(A^T)$为$A$的左零空间。

• $rank(C(A))=rank(R(A))$
• $R(A)+N(A)=n$，$C(A)+N(A^T)=m$
• $R(A)\perp N(A)$，$C(A)\perp N(A^T)$