1.矩阵基本知识
(1)正交矩阵相乘仍然是正交矩阵
A、B是正交矩阵,那么AA'=E BB'=E
(AB)*(AB)'=AB*B'A'=A(BB')A'=AEA'=AA'=E
(2)一个矩阵乘以正交矩阵,范数不变
||Ux||^2=(Ux)^T(Ux)=x^TU^TUx=x^Tx=||x||^2
(3)一个矩阵乘以可逆矩阵秩不变
(4)初等变换只是不影响矩阵的秩,其他的特性都改变了。对于计算矩阵的行列式,不能进行初等变换,但是可以做行列的进 加减,不能乘以系数。
(5)矩阵的迹:矩阵的主对角线上各个元素的总和,是矩阵所有特征值的和
(6)对角矩阵的特征值是其对角线上的各个元素
(7)矩阵的秩等于非零奇异值的个数,等于非零特征值的个数
(8)任意矩阵都能进行奇异值分解,只有方阵才可以进行特征值分解
特征值分解:
如果一个向量 v 是方阵 A的特征向量,将可以表示成下面的形式: Av= λv,λ 称为特征向量 v 对应的特征值,并且一个矩 阵的 一组特征向量是一组正交向量。
特征值分解:Q是这个矩阵A的特征向量组成的矩阵,Σ是一个对角阵,每一个对角线上的元素就是一个特征值
奇异值分解:
假设A是一个N * M的矩阵,U是一个N * N的方阵(正交矩阵),Σ 是一个N * M的矩阵(对角线上的元素为奇异值),VT是 一个M * M的矩阵(正交矩阵)
特征值和奇异值的关系:
(1)U 的列向量,是 AA^T 的特征向量;
(2)V的列向量,是 A^TA 的特征向量;
(3)A的奇异值(Σ 的非零对角元素)则是 AA^T 或者 A^TA 的非零特征值的平方根。
(9)秩与自由度( 方阵A(n*n) )
矩阵的秩,指的是经过初等变换之后的非零行(列)的个数,若不存在零行(列),则为满秩矩阵(Rank(A)=n;关于矩阵 的秩的另一种理解:A矩阵将n维空间中的向量映射到k(k<=n)维空间中,k=Rank(A)
矩阵(参数矩阵)的自由度,指的是要想求解出矩阵的所有元素至少需要列几个线性方程组。若矩阵本身带有 x 个约束,则 只需要列n*n-x个方程组即可求出所有参数,即矩阵A的自由度为n*n-x。
2.线性方程组求解
齐次方程:Ax=0
1. r(A)=未知数个数n(约束较强),该解空间只含有零向量
2.r(A)<未知数个数n(约束不够),由齐次线性方程组解空间维数 = n - r(A) >0,所以该齐次线性方程组有非零解,而且不唯 一,存在一个基础解系(基础解系中的向量个数为 n - r(A)个)。
非齐次方程: AX=B
(1)R(A)< r(A|B),方程组无解
(2)r(A)=r(A|B)=n,方程组有唯一解
(3)r(A)=r(A|B) < n,方程组有无穷解
(4)r(A)>r(A|B),这种情况不存在
其中r()代表矩阵的秩,A|B是增广矩阵,n是X未知数个数。
QR分解
矩阵的QR分解是指,可以将矩阵A分级成一个正交阵Q和一个上三角矩阵R的乘积。实际中,QR分解经常被用来解线性最小 二乘问题。
对于非方阵的m∗n(m≥n)m∗n(m≥n)阶矩阵A也可能存在QR分解。这时Q为m*m阶的正交矩阵,R为m*n阶上三角矩阵。 这时的QR分解不是完整的(方阵),因此称为约化QR分解(对于列满秩矩阵A必存在约化QR分解)。同时也可以通过扩充矩阵A 为 方阵或者对矩阵R补零,可以得到完全QR分解。
SVD分解
奇异值分解:
假设A是一个N * M的矩阵,U是一个N * N的方阵(正交矩阵),Σ 是一个N * M的矩阵(对角线上的元素为奇异值),VT是 一个M * M的矩阵(正交矩阵)
特征值和奇异值的关系:
(1)U 的列向量,是 AA^T 的特征向量;
(2)V的列向量,是 A^TA 的特征向量;
(3)A的奇异值(Σ 的非零对角元素)则是 AA^T 或者 A^TA 的非零特征值的平方根。
SVD分解解满秩(亏秩)最小二乘问题
LDLT分解
对称矩阵A可以分解成一个下三角矩阵L(Lower下)和一个对角矩阵D(Diagonal对角线)以及一个下三角矩阵L的转置LT三 个矩阵相乘的形式。如下式
求解过程:
Cholesky分解
Cholesky分解是LDLT分解的一种特殊形式,也就是其中的D是单位矩阵。正定对称矩阵 A可以分解成一个下三角矩阵L和这 个下三角矩阵L的转置LT相乘的形式。如下式
Cholesky分解解满秩最小二乘问题 :
参考:
1.https://zhuanlan.zhihu.com/p/55567702
2. https://blog.csdn.net/wangshuailpp/article/details/80209863
来源:CSDN
作者:cv_slamer
链接:https://blog.csdn.net/weixin_39752599/article/details/103585651