本系列筆記爲方便日後自己查閱而寫,更多的是個人見解,也算一種學習的複習與總結,望善始善終吧~
何爲特徵向量、特徵值
Ax 就好比f(x),這是一種針對多維的操作,而我們關心的就是經過變換後方向不變的向量即Ax=λx ,x就是特徵向量,λ 就是特徵值。
我們的目的就是要找到矩陣
試試看不同矩陣有何特性吧,對於投影矩陣,很明顯在其column space中的vector的投影就是它自己,其方向不變,故存在特徵值爲1的特徵向量,還有一個什麼樣的向量?垂直於column space的,因爲垂直時投影爲0,存在特徵值爲0的特徵向量(垂直於column space)。
劇透關於特徵值的性質
n∗n 矩陣有n 個特徵值;特徵值的和等於矩陣對角線上所有元素的和,這被稱爲跡trace;特徵值的積等於行列式的值。
回到Ax=λx
這個方程就是求解特徵值的核心,有了方程我們就可以解出特徵值,有了特徵值就能求解對應的特徵向量。
好玩的性質
對於
所以特徵向量不變,特徵值加3,這或許從另一個角度幫助我們理解何爲“特徵”。
一些特殊的情況
這東西看起來沒有特徵向量,貌似我們找不到一個旋轉90度後是其本身的向量
看具體的方程,好吧,我們發現了,解居然是複數,這下麻煩了,現在要在線性代數引入複數啊!難怪老師說這裏會是問題的根源。
回過頭來觀察一下,你會發現越是接近對稱的矩陣,其值就越是傾向於實數,而越是接近反對稱的矩陣,其值就越是傾向於複數。
更糟糕的情況
老師說:這節課把所有麻煩的情況都講了,這樣我們下節課就可以開心了。哎,我們經歷了有解,看似無解實則有複數解,差一個看似有解結果解一樣和無解。老師講了一個有重複解:
這個情況下我們只能解出一個特徵向量,這樣的矩陣我們稱呼爲退化矩陣。
PS:另一位仁兄的筆記
http://blog.csdn.net/suqier1314520/article/details/13998953