我的微信公众号名称:AI研究订阅号
微信公众号ID:MultiAgent1024
公众号介绍:主要研究强化学习、计算机视觉、深度学习、机器学习等相关内容,分享学习过程中的学习笔记和心得!期待您的关注,欢迎一起学习交流进步!
矩阵特征值是矩阵的重要参数之一。从前面的讨论可以看到,把矩阵对角化或者求矩阵的约当标准形、判别矩阵的收敛,以及矩阵函数的性质都与特征值有关。当矩阵的阶数高于五次时,没有求根公式,这个时候如果能够给出特征值的位置或者给出特征值的取值范围,会对解决问题有一定的帮助。
不具体求特征值,而是给出特征值的范围,这就是特征值估计问题。例如讨论矩阵幂级数
∑k=0∞CkAk是否收敛,只要知道矩阵
A的谱半径是否小于幂级数
∑k=0∞Ckzk的收敛半径即可。
在自动控制理论中,系统的稳定性与特征值的实数部分的符号有关,如果实数部分为负,则系统稳定。因此通过矩阵本身的数值来给出特征值的范围就显得很重要。
特征值界的估计
前面讲到范数时曾经有:
ρ(A)≤∣∣A∣∣
即矩阵的谱半径小于任何一个矩阵的范数,而范数可以通过矩阵本身的数值来计算,不需要解方程。
下面给出特征值的估计。
如果
λ是
A的特征值,
x为特征向量,则
Ax=λx,进一步假设
x是单位向量,则
xHx=1,两边乘以
xH:
xHAx=λxHx=λ
即
λ可以由
xHAx决定,可以通过估计这个函数来估计特征值。
- 定理7.1:设
A∈Cn×n,
x∈Cn,且
∣∣x∣∣2=1,则:
∣xHAx∣≤∣∣A∣∣m∞
A∈Cn×n,
B=21(A+AH),C=21(A−AH)
则
A的特征值
λ满足:
∣Reλ∣≤∣∣B∣∣m∞,∣Imλ∣≤∣∣C∣∣m∞
-
推论:厄米特矩阵的特征值都是实数,反厄米特矩阵的特征值为零或者纯虚数。
-
定理7.3:(舒尔定理) 设
A∈Cn×n的特征值为
λ1,
λ2,
⋯
λn,则:
∣λ1∣2+∣λ2∣2+⋯∣λn∣2≤∣∣A∣∣F2
且等式成立的充要条件是
A为正规矩阵。
特征值的包含区域
上一节给出了特征值大小的估计,这一节介绍一些判别矩阵特征值位置的方法。
Gerschgorin 盖尔圆定理
与上一节类似,我们需要用矩阵元素给出特征值的估计。设
λ为
A=(aij)n×n的特征值,
x=(x1,x2,⋯,xn)T为
A的属于
λ的特征向量,则由
Ax=λx得:
j=1∑naijxj=λxi(i=1,2,⋯,n)
xi(λ−aii)=j=1,j=i∑naijxj
∣λ−aii∣=∣∑aijxixj∣≤∑∣aij∣∣xixj∣
如果
∣xi∣≥∣xj∣,则
∣xixj∣≤1得:
∣λ−aii∣=j=1,j=i∑n∣aij∣
上述不等式在几何上是一个圆,即特征值落在一个圆中。
- 定义 设
A=(aij)n×n,记:
Ri=j=1,j=i∑n∣aij∣
称复平面的圆域:
Gi={z∣∣z−aii∣≤Ri,z∈C}
为
A的第
i个盖尔圆,称
Ri为盖尔圆的半径,由于:
x=(x1,x2,⋯,xn)
的分量中必有一个
xi使得
∣xi∣=maxj∣xj∣,所以必有一个
i使得:
∣λ−aii∣≤Ri
成立,由此得到:
- 定理7.4:矩阵
A∈Cn×n的全体特征值都在它的
n个盖尔圆构成的并集之中。
注意到
A∈Cn×n与
AT的特征值相同,根据定理7.4可得,
A的特征值也在
AT的
n个盖尔圆构成的并集之中。称
AT的盖尔圆为
A的列盖尔圆。
根据盖尔圆理论,对任何矩阵
A特征值一定满足
∣λ−aii∣≤Ri。若
λ=0,则
∣aii∣≤Ri。
从这里可以看出,若矩阵
A严格对角占优,即
∣aii∣>Ri,则:
λ=0,∣A∣=0
- 推论:若
A为实矩阵
A∈Rn×n,且
A的
n个盖尔圆是孤立的,则
A有
n个互不相同的实特征值。
A为实矩阵时,特征方程
∣λE−A∣=0为实代数方程,它的复根一定成对出现,一定是共轭的,即
a±ib的形式,且
∣λ−aii∣的形式,且
∣λ−aii∣≤Ri中,
aii是实数,特征值一定是实数。
特征值的隔离
前面讲述了用盖尔圆分析特征值的方法,当矩阵
A与
B相似,即
B=C−1AC时,
A与
B有相同的特征值。利用这一个性质,可以通过改变盖尔圆的大小,分析某个特征值的位置。在这里取比较简单的
C,可以取成对角矩阵,且对角线元素为正。
C=diag(c1,c2,⋯,cn)
B=CAC−1=(aijcjci)n×n
则
A与
B有相同的特征值,通过适当地选取正数
c1,
c2,
⋯,
cn,有可能使每一个盖尔圆包含
A的一个特征值。选取
c1,
c2,
⋯,
cn的一般原则是,欲使
A的第
i个盖尔圆缩小,可取
ci<1,其余取为1,此时
B的其他盖尔圆适量放大;反之,欲使
A的第
i个盖尔圆放大,可取
ci>1,其余取为1,此时
B的其余盖尔圆适量缩小。