矩阵特征值的运算性质及推广 摘要:本篇论文主要从五方面来进行讲解：引言；矩阵特征值的性质；矩阵特征值的应用推广；分块矩阵的性质；分块矩阵特征值应用推广。 由于本篇论文是要以矩阵特征值性质的应用为主题，首先介绍总结了矩阵的一些基本概念及矩阵基本运算，然后在文中着重阐述了矩阵特征值性质，罗列出相关引理并予以证明,然后通过五种类型的矩阵特征值的应用例子将矩阵特征值的运算性质进行推广。将矩阵拓展到分块矩阵，讨论分块矩阵的性质及应用. 关键词：矩阵，特征值，特征向量，特征方程，特征多项式 The Operation Properties and Promotion of Eigenvalue Cui haiyang (Institute of Computer Science, Math) Abstract Three aspects to this thesis to explain: Introduction; matrix eigenvalue nature; promote the application of Matrix Eigenvalues. Because of this paper is a matrix eigenvalue to the application of the nature of the theme first introduced some basic concepts of matrix and the matrix of basic operations, and then in the text focuses on the eigenvalue properties, set out the relevant Yin Li, and to prove it. Finally, five types of application examples Eigenvalue Eigenvalue computation will be the nature of promotion. Key words：Matrix , Eigenvalue, Eigenvectors, Characteristic equation，Characteristic polynomial 1引言 矩阵计算领域在不断的发展和成熟，作为一门数学学科，它是众多理工学科重要的数学工具，矩阵理论既是经典数学的基础课程，是数学的一个重要且目前仍然非常活跃的领域，又是一门最有实用价值的数学理论，是计算机科学与工
用matlab求矩阵的特征值和特征向量 我要计算的矩阵： 1 3 5 1/3 1 3 1/5 1/3 1 [v,d]=eig(A); A为你的矩阵，V为特征向量矩阵，D为特征值矩阵，然后对D求最大值即可得最大特征根！ [V,D] = EIG(X) produces a diagonal matrix D of eigenvalues and a full matrix V whose columns are the corresponding eigenvectors so that X*V = V*D. V是特征向量，D是特征值 实例： 矩阵： 1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1 >> format rat >> A=[1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1] A = 1 2/3 7/3 7/3 3/2 1 3/2 3/2 3/7 2/3 1 3/2 3/7 2/3 2/3 1 >> [V,D]=eig(A)
V = 1793/2855 504/3235 - 146/235i 504/3235 + 146/235i 1990/4773 670/1079 -3527/5220 -3527/5220 -509/959 4350/11989 1160/4499 + 287/3868i 1160/4499 - 287/3868i -350/647 838/2819 181/3874 + 1179/4852i 181/3874 - 1179/4852i 1238/2467 D = 810/197 0 0 0 0 -93/4229 + 455/674i 0 0 0 0 -93/4229 - 455/674i 0 0 0 0 -149/2201 ***************************************************************************************** 如何归一化求权重呢？ >> a=[1 3 5;1/3 1 3; 1/5 1/3 1] a = 1.0000 3.0000 5.0000 0.3333 1.0000 3.0000 0.2000 0.3333 1.0000 >> [V,D]=eig(a) V = 0.9161 0.9161 0.9161 0.3715 -0.1857 + 0.3217i -0.1857 - 0.3217i 0.1506 -0.0753 - 0.1304i -0.0753 + 0.1304i D =
第9章矩阵特征值问题的数值 方法 9.1 特征值与特征向量 9.2 Hermite矩阵特征值问题 9.3 Jacobi方法 9.4 对分法 9.5 乘幂法 9.6 反幂法 9.7 QR方法
9.1 特征值与特征向量设A是n阶矩阵，x是非零列向量. 如果有数λ存在，满足， (1) 那么，称x是矩阵A关于特征值λ的特征向量.
如果把(1)式右端写为 ，那么(1)式又可写为: x λ ()0 I A x λ-=||0 I A λ-=即1110 ()||...n n n f I A a a a λλλλλ--=-=++++记 它是关于参数λ的n 次多项式，称为矩阵A 的特 征多项式， 其中a 0=(-1)n ｜A ｜. (2)
显然，当λ是A的一个特征值时，它必然 是的根. 反之，如果λ是的根，那么齐次方程组(2)有非零解向量x，使(1)式 成立. 从而，λ是A的一个特征值. A的特征值也称为A的特征根 . ()0 fλ= ()0 fλ=
矩阵特征值和特征向量有如下主要性质： 定理9.1.1 n阶矩阵A是降秩矩阵的充分必要 条件是A有零特征值. 定理9.1.2 设矩阵A与矩阵B相似，那么它们 有相同的特征值. 定理9.1.3 n阶矩阵A与A T有相同的特征值. 定理9.1.4 设λ ≠λj是n阶矩阵A的两个互异特 i 征值，x、y分别是其相应的右特征向 量和左特征向量，那么，x T y=0 .
9.2 Hermite矩阵特征值问题?设A为n阶矩阵，其共轭转置矩阵记为A H. 如果A=A H，那么，A称为Hermite矩阵.
项目六 矩阵的特征值与特征向量 实验1 求矩阵的特征值与特征向量 实验目的 学习利用Mathematica(4.0以上版本)命令求方阵的特征值和特征向量;能利用软件计算方 阵的特征值和特征向量及求二次型的标准形. 求方阵的特征值与特征向量. 例1.1 (教材 例1.1) 求矩阵.031121201??? ?? ??--=A 的特征值与特值向量. (1) 求矩阵A 的特征值. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvalues[A] 则输出A 的特征值 {-1,1,1} (2) 求矩阵A 的特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvectors[A] 则输出 {{-3,1,0},{1,0,1},{0,0,0}} 即A 的特征向量为.101,013??? ? ? ??????? ??- (3) 利用命令Eigensystem 同时矩阵A 的所有特征值与特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigensystem[A] 则输出矩阵A 的特征值及其对应的特征向量.
例1.2 求矩阵??? ?? ??=654543432A 的特征值与特征向量. 输入 A=T able[i+j,{i,3},{j,3}] MatrixForm[A] (1) 计算矩阵A 的全部（准确解）特征值, 输入 Eigenvalues[A] 则输出 {0, 426-,426+} (2) 计算矩阵A 的全部（数值解）特征值, 输入 Eigenvalues[N[A]] 则输出 {12.4807, -0.480741, -1.34831610-?} (3) 计算矩阵A 的全部(准确解)特征向量, 输入 Eigenvectors[A]//MatrixForm 则输出 1 2 1172422344220342234421172 42234 42 20342234 42 1 (4) 计算矩阵A 的全部(数值解)特征向量, 输入 Eigenvectors[N[A]]//MatrixForm 则输出 0.4303620.5665420.7027220.805060.111190.5826790.4082480.816497 0.408248 (5) 同时计算矩阵A 的全部(准确解)特征值和特征向量, 输入 OutputForm[Eigensystem[A]] 则输出所求结果 (6) 计算同时矩阵A 的零空间, 输入
浅谈矩阵的特征向量特征值的意义 描述了矩阵的特征向量和特征值的定义，简述了矩阵的特征向量特征值在数学、物理、信息和哲学上的一些意义，对于从多角度深入理解矩阵的特征向量特征值有积极意义。 标签：线性代数；矩阵；特征向量；特征值 1 线性变换与矩阵的特征向量特征值[1] 线性变换是指一个n维列向量被左乘一个n阶矩阵后得到另一个n维列向量，它是同维向量空间中的把一个向量线性映射成了另一个向量。即 Y=AX （Y，X∈Rn A=（aij）A=（aij）n×n） 如果对于数λ，存在一个n维零列向量X（即X∈Rn且X≠0），使得 AX=？姿X 则称数λ为矩阵A的一个特征值，X为矩阵A对应于λ的特征向量。 在线性代数中研究线性变换就是研究相应的矩阵A，矩阵A的特征向量和特征值是线性变换研究的重要内容。 2 在数学上的意义 矩阵乘法对应了一个变换，是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中，原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向量只发生伸缩变换，不对这些向量产生旋转的效果，那么这些向量就称为这个矩阵的特征向量，伸缩的比例就是特征值。这里可以将特征值为负，特征向量旋转180度，也可看成方向不变，伸缩比为负值。所以特征向量也叫线性不变量。特征向量的不变性是他们变成了与其自身共线的向量，他们所在的直线在线性变换下保持不变；特征向量和他的变换后的向量们在同一根直线上，变换后的向量们或伸长或缩短，或反向伸长或反向缩短，甚至变成零向量（特征值为零时）[2]。 对对称矩阵而言，可以求得的特征向量是正交的，就是把矩阵A所代表的空间，进行正交分解，使得A的向量集合可以表示为每个向量a在各个特征向量上面的投影长度。 例如，对于x，y平面上的一个点（x，y），我对它作线性变换A， 这个线性变换相当于关于横轴x做镜像。我们可以求出矩阵A的特征向量
毕业论文开题报告 数学与应用数学 矩阵特征值、特征向量的研究 一、选题的背景、意义 （1）选题的背景、意义 “矩阵(Matrix)”术语是由西尔维斯特创用并由凯莱首先明确其概念的。19世纪50年代，西尔维斯特引入“矩阵”一词来表示“一项由几行H列元素组成的矩形阵列”或“各种行列式组”，凯莱作为矩阵理论的创立者，首先为简化记法引进矩阵，然后系统地阐述了矩阵的理论体系。随后，弗罗伯纽斯等人发展完善了矩阵的理论体系形成了矩阵的现代理论。然而，矩阵思想的萌芽由来已久，早在公元前l世纪中国的《九章算术》就已经用到类似于矩阵的名词。但那时矩阵仅是用来作为一种矩形阵列解决实际问题，并没有建立起独立完善的矩阵理论。18世纪末到19世纪中叶，这种排列形式在线性方程组和行列式计算中应用日益广泛，行列式等理论的发展提供了矩阵发展的条件，矩阵概念由此产生，矩阵理论得到系统的发展。20世纪初，无限矩阵理论得到进一步发展[]1。 线性代数（Linear Algebra）是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中[]2。 由于费马和笛卡儿的工作，线性代数基本上出现于十七世纪。直到十八世纪末，线性代数的领域还只限于平面与空间。十九世纪上半叶才完成了到n维向量
空间的过渡矩阵论始于凯莱，在十九世纪下半叶，因若当的工作而达到了它的顶点。1888年，皮亚诺以公理的方式定义了有限维或无限维向量空间。托普利茨将线性代数的主要定理推广到任意体上的最一般的向量空间中．线性映射的概念在大多数情况下能够摆脱矩阵计算而引导到固有的推理，即是说不依赖于基的选择。不用交换体而用未必交换之体或环作为算子之定义域，这就引向模的概念，这一概念很显著地推广了向量空间的理论和重新整理了十九世纪所研究过的情况。 “代数”这一个词在我国出现较晚，在清代时才传入中国，当时被人们译成“阿尔热巴拉”，直到1859年，清代著名的数学家、翻译家李善兰才将它翻译成为“代数学”，一直沿用至今[]3[]4。 线性代数是讨论矩阵理论、与矩阵结合的有限维向量空间及其线性变换理论的一门学科。 （2）国内外研究现状和发展趋势 主要理论成熟于十九世纪，而第一块基石（二、三元线性方程组的解法）则早在两千年前出现（见于我国古代数学名著《九章算术》）[]5。 ①线性代数在数学、力学、物理学和技术学科中有各种重要应用，因而它在各种代数分支中占居首要地位； ②在计算机广泛应用的今天，计算机图形学、计算机辅助设计、密码学、虚拟现实等技术无不以线性代数为其理论和算法基础的一部分； ③该学科所体现的几何观念与代数方法之间的联系，从具体概念抽象出来的公理化方法以及严谨的逻辑推证、巧妙的归纳综合等，对于强化人们的数学训练，增益科学智能是非常有用的； ④随着科学的发展，我们不仅要研究单个变量之间的关系，还要进一步研究多个变量之间的关系，各种实际问题在大多数情况下可以线性化，而由于计算机的发展，线性化了的问题又可以计算出来，线性代数正是解决这些问题的有力工具。 线性代数起源于对二维和三维直角坐标系的研究。在这里，一个向量是一个有方向的线段，由长度和方向同时表示。这样向量可以用来表示物理量，比如
浅谈矩阵的特征值与特征向量的应用(终稿)
浅谈矩阵的特征值与特征向量的应用 摘要 特征值与特征向量在现代科学中有重要的应用。本文介绍了特征值与特征向量的定义以及性质，并且给出了在线性空间中线性变换的特征值、特征向量与矩阵中的特征值、特征向量之间的关系。然后介绍了几种特征值与特征向量的求解方法。最后介绍了特征值与特征向量在实际中的应用，如在数学领域中、物理中以及经济发展与环境污染增长模型中的应用等等。 关键字：特征值；特征向量；应用；矩阵；初等变换 Abstract Eigenvalues and eigenvectors have important applications in modern science. This paper introduces the definition and nature of the eigenvalues and eigenvectors, eigenvalues and gives linear space of linear transformations, eigenvectors and eigenvalues of the relationship matrix, feature vectors. Then introduces several eigenvalues and eigenvectors of solving methods. Finally, the eigenvalues and
eigenvectors in practical application, such as in the fields of mathematics, physics, economic development and environmental pollution growth model and the application, and so on. Keys words：eigenvalue；eigenvector；application；matrix；elementary； 目录 浅谈矩阵的特征值与特征向量的应用 (2) 摘要 (2) Abstract (2) 第1章引言 (4) 1.1 研究背景 (4) 1.2 研究现状 (5) 1.3 本文研究目的及意义 (6) 第2章特征值与特征向量的一般理论 (6) 2.1 特征值与特征向量的定义和性质 (6) 2.1.1 特征值与特征向量的定义 (7) 2.1.2 特征值与特征向量的性质 (7) 2.2 特征值与特征向量的一般求解方法 (8) 2.2.1 一般数字矩阵的简单求解 (8)
矩阵特征值与特征向 量的研究
目录 一矩阵特征值与特征向量研究的背景及意义 (3) 二、特征值与特征向量的定义及其性质 (4) 2.1 定义 (4) 2.2 性质 (4) 三特征值及其特征向量的求法及其MATLAB的实现 (5) 3.1 QR方法 (5) 3.1.1 基本原理 (5) 3.1.2 具体实例 (5) 3.2 用多项式的方法来求解特征值 (10) 四特征值与特征向量的简单应用 (12) 五小结 (16)
一矩阵特征值与特征向量研究的背景及意义 矩阵的特征值与特征向量是高等代数的重要组成部分，通过对矩阵特征值与特征向量的性质介绍，以及对矩阵特征值与特征向量理论的分析，将特征值与特征向量应用于方程组的求解问题是高等代数中的重要内容。 随着社会到的进步，计算机的飞速发展，高等代数这门课程已经渗透到各行各业里面。在许多方面都有着很重要的应用。在多数高等代数教材中,特征值与特征向量描述为线性空间中线性变换A的特征值与特征向量。从理论上来讲只要求出线性变换A的特征值和特征向量就可以知道矩阵A的特征值和特征向量。因此求矩阵的特征值与特征向量就变得尤为重要的引入是为了研究线性空间中线性变换A的属性。 在物理，力学，工程技术中有很多问题在数学上都归结为求矩阵的特征值和特征向量的问题。现在教材中给出的求解特征值和特征性向量的方法基本上都是通过求解特方程来求解。有时候特征方程会极其的麻烦。有一些文章中虽然给了初等行列变换的方法来较少计算量，但是仍未摆脱参数行列式计算的问题。本文中我们将首先讲解有关特征值和特征向量的相关知识，另外介绍一些简单实用的方法来求解矩阵的特征值与特征向量。
求矩阵特征值算法及程序简介 1.幂法 1、幂法规范化算法 （1）输入矩阵A 、初始向量)0(μ ，误差eps ； （2）1?k ； （3）计算)1()(-?k k A V μ； （4）)max (,) max ()1(1)(--??k k k k V m V m ； （5）k k k m V /)()(?μ； （6）如果eps m m k k <--1,则显示特征值1λ和对应的特征向量)1(x ),终止； （7）1+?k k ,转（3） 注：如上算法中的符号)max(V 表示取向量V 中绝对值最大的分量。本算法使用了数据规范化处理技术以防止计算过程中出现益出错误。 2、规范化幂法程序 Clear[a,u,x]; a=Input["系数矩阵A="]; u=Input["初始迭代向量u(0)="]; n=Length[u]; eps=Input["误差精度eps ="]; nmax=Input["迭代允许最大次数nmax="]; fmax[x_]:=Module[{m=0,m1,m2}, Do[m1=Abs[x[[k]]]; If[m1>m,m2=x[[k]];m=m1], {k,1,Length[x]}]; m2] v=a.u; m0=fmax[u]; m1=fmax[v]; t=Abs[m1-m0]//N; k=0; While[t>eps&&k m0=m1; m1=fmax[v]; t=Abs[m1-m0]//N; Print["k=",k," 特征值=",N[m1,10]," 误差=",N[t,10]]; Print[" 特征向量=",N[u,10]]]; If[k ≥nmax,Print["迭代超限"]] 说明：本程序用于求矩阵A 按模最大的特征值及其相应特征向量。程序执行后，先通过键盘输入矩阵A 、迭代初值向量)0(μ、精度控制eps 和迭代允许最大次数max n ，程序即可给出每次迭代的次数和对应的迭代特征值、特征向量及误差序列，它们都按10位有效数输出。其中最后输出的结果即为所求的特征值和特征向量序列。如果迭代超出max n 次还没有求出满足精度的根则输出迭代超限提示，此时可以根据输出序列判别收敛情况。 程序中变量说明 a:存放矩阵A ； u:初始向量)0(μ和迭代过程中的向量)(k μ及所求特征向量； v:存放迭代过程中的向量)(k V ； m1:存放所求特征值和迭代过程中的近似特征值； nmax:存放迭代允许的最大次数； eps:存放误差精度； fmax[x]: 给出向量x 中绝对值最大的分量； k:记录迭代次数； t1:临时变量； 注：迭代最大次数可以修改为其他数字。 3、例题与实验 例1. 用幂法求矩阵???? ? ??---=9068846544 1356133A 的按模最大的特征值及其相应特征向量，要求误差410- 第39卷 第7期 高 师 理 科 学 刊 Vol. 39 No.7 2019年 7月 Journal of Science of Teachers′College and University Jul. 2019 文章编号：1007-9831（2019）07-0008-03 矩阵特征值和特征向量在实际中的应用及其实现 周琴 （湖南涉外经济学院 信息与机电工程学院，湖南 长沙 410205） 摘要：矩阵的特征值和特征向量是矩阵理论中的重要内容，在实际问题中的应用也很广泛．研究了矩阵的特征值和特征向量在循环比赛的排名问题和预测分析中的应用，并利用MATLAB软件实现了这些问题的快速求解． 关键词：特征值；特征向量；排名问题；预测分析 中图分类号：O151.2 文献标识码：A doi：10.3969/j.issn.1007-9831.2019.07.003 Application and realization of matrix eigenvalue and eigenvector in practical problems ZHOU Qin （School of Information，Mechanical and Electrical Engineering，Hunan International Economics University，Changsha 410205，China） Abstract：The eigenvalues and eigenvectors of matrices are important contents in matrix theory and are widely used in practical problems．Studies on the application of eigenvalues and eigenvectors of matrices in ranking of cyclic competitions and prediction analysis，and use software MATLAB to realize the rapid solution of these problems． Key words：eigenvalue；eigenvector；ranking issues；predictive analysis 1 引言及预备知识 矩阵的特征值和特征向量在矩阵理论体系中具有举足轻重的作用，并且在实际问题中的应用也很广泛．文献[1-2]探索了特征值和特征向量的几何意义；文献[3]利用特征值与特征向量研究了纤维及大分子的可视化显示．在一些常用的数学建模方法如马尔可夫链模型、偏最小二乘回归模型、层次分析法和主成分分析法中，特征值和特征向量均有应用[4-6]． 定义[7-9]设A是n阶矩阵，如果数l和n维非零列向量a满足l A a a，那么数l称为矩阵A的特征 = 值，a称为A对应于特征值l的特征向量． 在实际教学中，由于矩阵特征值和特征向量的计算方法较为繁琐，学生需要较长的计算时间．如需进一步将计算结果应用到实际问题中，冗长的过程会使学生理解起来比较困难．为了解决此问题，可以利用MATLAB软件[10]自带的函数eig（A）实现矩阵A的特征值和特征向量的快速计算，再将其与实际应用相结合．本文介绍矩阵特征值和特征向量在排名问题和预测分析中的应用，给出了求解实际问题的MATLAB实现方法． 收稿日期：2019-03-02 基金项目：湖南省教育厅科学研究项目（18C1097）；2017年度湖南涉外经济学院教学改革研究项目——数学实验在地方本科院校非数学专业 教学中的应用研究 作者简介：周琴（1984-）, 女, 湖南长沙人，讲师，硕士，从事计算数学和数学教育研究．E-mail：19891881@https://www.doczj.com/doc/1110715767.html, 特征值和特征向量的几何意义是什么？ 特征向量的几何意义 特征向量确实有很明确的几何意义，矩阵(既然讨论特征向量的问题，当然是方阵，这里不讨论广义特征向量的概念，就是一般的特征向量)乘以一个向量的结果仍 是同维数的一个向量，因此，矩阵乘法对应了一个变换，把一个向量变成同维数的另一个向量，那么变换的效果是什么呢？这当然与方阵的构造有密切关系，比如可 以取适当的二维方阵，使得这个变换的效果就是将平面上的二维向量逆时针旋转30度，这时我们可以问一个问题，有没有向量在这个变换下不改变方向呢？可以想 一下，除了零向量，没有其他向量可以在平面上旋转30度而不改变方向的，所以这个变换对应的矩阵(或者说这个变换自身)没有特征向量(注意：特征向量不能 是零向量)，所以一个变换的特征向量是这样一种向量，它经过这种特定的变换后保持方向不变，只是进行长度上的伸缩而已(再想想特征向量的原始定义Ax= cx,你就恍然大悟了,看到了吗？cx 是方阵A 对向量x 进行变换后的结果，但显然cx 和x 的方向相同)，而且x 是特征向量的话，ax 也是特征向量(a 是标 量且不为零)，所以所谓的特征向量不是一个向量而是一个向量族， 另外，特征值只不过反映了特征向量在变换时的伸缩倍数而已，对一个变换而言，特征向量指明的方向才是很重要的，特征值不是那么重要，虽然我们求这两个量时 先求出特征值，但特征向量才是更本质的东西！ 比如平面上的一个变换，把一个向量关于横轴做镜像对称变换，即保持一个向量的横坐标不变，但纵坐标取相反数，把这个变换表示为矩阵就是 A=??? ? ??-1001 显然??? ? ??-=???? ?????? ??-b a b a 1001 这正是我们想要的效果，那么现在可以猜一下了，这个矩阵的特征向量是什么? 想想什么向量在这个变换下保持方向不变，显 然，横轴上的向量在这个变换下保持方向不变 (记住这个变换是镜像对称变换，那镜子表面上(横轴上)的向量当然不会变化) 所以可以直接猜测其特征向量是 )0( ,0≠??? ? ??a a 还有其他的吗？有，那就是纵轴上的向量，这时经过变换后，其方向反向，但仍在同一条轴上，所以也被认为是方向没有变化，所以 )0( ,0≠??? ? ??b b 也是其特征向量，去求求矩阵A 的特征向量就知道对不对了! （来自百度网站） 幂法求矩阵最大特征值 摘要 在物理、力学和工程技术中的很多问题在数学上都归结为求矩阵特征值的问题，而在某些工程、物理问题中，通常只需要求出矩阵的最大的特征值（即主特征值）和相应的特征向量，对于解这种特征值问题，运用幂法则可以有效的解决这个问题。 幂法是一种计算实矩阵A的最大特征值的一种迭代法，它最大的优点是方法简单。对于稀疏矩阵较合适，但有时收敛速度很慢。 用java来编写算法。这个程序主要分成了三个大部分：第一部分为将矩阵转化为线性方程组；第二部分为求特征向量的极大值；第三部分为求幂法函数块。其基本流程为幂法函数块通过调用将矩阵转化为线性方程组的方法，再经过一系列的验证和迭代得到结果。 关键词：幂法；矩阵最大特征值；j ava；迭代 POWER METHOD TO CALCULATE THE MAXIMUM EIGENV ALUE MATRIX ABSTRACT In physics, mechanics and engineering technology of a lot of problems in math boil down to matrix eigenvalue problem, and in some engineering, physical problems, usually only the largest eigenvalue of the matrix (i.e., the main characteristics of the value) and the corresponding eigenvectors, the eigenvalue problem for solution, using the power law can effectively solve the problem. Power method is A kind of computing the largest eigenvalue of real matrix A of an iterative method, its biggest advantage is simple.For sparse matrix is right, but sometimes very slow convergence speed. Using Java to write algorithms.This program is mainly divided into three most: the first part for matrix can be converted to linear equations;The second part is the eigenvector of the maximum;The third part is the exponentiation method of function block.Its basic process as a power law function block by calling the method of matrix can be converted to linear equations, then after a series of validation and iteration to get the results. Key words: Power method; Matrix eigenvalue; Java; The iteration 第五章矩阵的特征值和特征向量 来源：线性代数精品课程组作者：线性代数精品课程组 1．教学目的和要求： (1) 理解矩阵的特征值和特征向量的概念及性质，会求矩阵的特征值和特征向量. (2) 了解相似矩阵的概念、性质及矩阵可相似对角化的充分必要条件，会将矩阵化为相似对 角矩阵. (3) 了解实对称矩阵的特征值和特征向量的性质. 2．教学重点： (1) 会求矩阵的特征值与特征向量. (2) 会将矩阵化为相似对角矩阵. 3．教学难点：将矩阵化为相似对角矩阵. 4．教学内容： 本章将介绍矩阵的特征值、特征向量及相似矩阵等概念，在此基础上讨论矩阵的对角化问题. §1矩阵的特征值和特征向量 定义1设是一个阶方阵，是一个数，如果方程 (1) 存在非零解向量，则称为的一个特征值，相应的非零解向量称为属于特征值的特 征向量． （1）式也可写成， (2) 这是个未知数个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式 , (3) 即 上式是以为未知数的一元次方程，称为方阵的特征方程．其左端是的 次多项式，记作，称为方阵的特征多项式． == = 显然，的特征值就是特征方程的解．特征方程在复数范围内恒有解，其个数为方程的次数（重根按重数计算），因此，阶矩阵有个特征值． 设阶矩阵的特征值为由多项式的根与系数之间的关系，不难证明 （ⅰ） （ⅱ） 若为的一个特征值，则一定是方程的根, 因此又称特征根，若为 方程的重根，则称为的重特征根．方程的每一个非 零解向量都是相应于的特征向量，于是我们可以得到求矩阵的全部特征值和特征向量的方法如下： 第一步：计算的特征多项式； 第二步：求出特征方程的全部根，即为的全部特征值； 第三步：对于的每一个特征值，求出齐次线性方程组： 的一个基础解系，则的属于特征值的全部特征向量是 （其中是不全为零的任意实数）． 例1 求的特征值和特征向量. 解的特征多项式为 = 矩阵特征值的意义 数学里面的特征值和特征矩阵到底有什么用，它的物理意义在于什么 矩阵的特征值要想说清楚还要从线性变换入手，把一个矩阵当作一个线性变换在某一组基下的矩阵，最简单的线性变换就是数乘变换，求特征值的目的就是看看一个线性变换对一些非零向量的作用是否能够相当于一个数乘变换，特征值就是这个数乘变换的变换比，这样的一些非零向量就是特征向量，其实我们更关心的是特征向量，希望能把原先的线性空间分解成一些和特征向量相关的子空间的直和，这样我们的研究就可以分别限定在这些子空间上来进行，这和物理中在研究运动的时候将运动分解成水平方向和垂直方向的做法是一个道理！ 特征值时针对方阵而言的。 两个向量只有维数相同时才能考虑相等的问题，才能有和、有差。 引入特征值与特征向量的概念 ? 引例 在一个n 输入n 输出的线性系统y=Ax 中，其中 ? 我们可发现系统A 对于某些输入x ，其输出y ? 恰巧是输入x 的 倍，即 ；对某些输入，其输出与输入就不存在这种按比例放大的关系。 ??????? ??=??????? ??=??????? ??=n n nn n n n n y y y y x x x x a a a a a a a a a A M M L L L L L L L 2121212222111211,,λx y λ= ? 例如，对系统 ，若输入 ? 则 ? ? 若输入 ，则 ? 所以，给定一个线性系统A ，到底对哪些输入，能使其输出按比例放大，放大倍数 等于多少这显然是控制论中感兴趣的问题。 基于此给出特征值与特征向量的概念： ? 定义 设A 是一个n 阶方阵，若存在着一个数 和一个非零n 维向量x ，使得 则称 是方阵A 的特征值，非零向量x 称为A 对应于特征值 的特征向量，或简称为A 的特征向量 ???? ??=4312A ? ?? ? ??=31x x Ax y 5315155314312=???? ??=???? ??=???? ?????? ??==???? ??=52x x Ax y λ≠???? ??=???? ?????? ??==269524312λx Ax λ=λλ 特征值与特征向量在图像处理中的应用 姓名：张x 学号：20092430 班级：2009121 摘要：正所谓学以致用，在长期以来的学习过程中，我们真正能够将所学到的知识运用到生活中的能有多少，我们对课本上那些枯燥的公式虽牢记于心，却不知道它的实际用途。在学习了矩阵论以来，虽然知道很多问题的求法，就如矩阵特征值和特征向量，它们有何意义我们却一点不知。我想纯粹的理知识已经吸引不了我们了，我们需要去知道它们的用途，下面就让我们一起来看看矩阵特征值与特征向量在图像处理中是如何发挥它们的作用的。 关键字： 特征值、特征向量、图像、 正文： 生活中的我们，每天清晨醒来，随之映入眼帘的就是各种形形色色的图像，我们确实也很难想象，在我们的生活中，图像的处理和矩阵特征值、特征向量有什么关系？首相我们先来了解下，何为特征值、特征向量。 定义：设是阶方阵，若有数和非零向量，使得 称数是的特征值，非零向量是对应于特征值的特征向量。 例如对，有及向量，使得，这说明 是的特征值，是对应于的特征向量。 特征值和特征向量的求法： 1．由得，并且由于是非零向量，故行列式，即 （称之为的特征方程） 由此可解出个根（在复数范围内），这就是的所有特征值。 2．根据某个特征值，由线性方程组解出非零解，这就是对应于特征值的特征向量。 特征值和特征向量的性质： 1 ．， 2 ．若是的特征向量，则对，也是的特征向量。 3 ．若是的特征值，则是的特征值，从而是的特征值。 4 ．是的个特征值，为依次对应的特征向量，若 各不相同，则线性无关。 我想在了解了特征值和特征向量的基本理论之后，你们很难想象，为什么这些知识会和图像有联系吧。说实话，我自己也不是很清楚，我也是看了别人的理论讲解，才略微理解了一二。让我们一起去了解下。 根据特征向量数学公式定义，矩阵乘以一个向量的结果仍是同维数的一个向量，因此，矩阵乘法对应了一个变换，把一个向量变成同维数的另一个向量，那么变换的效果是什么呢？这当然与方阵的构造有密切关系，比如可以取适当的二维方阵，使得这个变换的效果就是将平面上的二维向量逆时针旋转30度，这时我们可以问一个问题，有没有向量在这个变换下不改变方向呢？可以想一下，除了零向量，没有其他向量可以在平面上旋转30度而不改变方向的，所以这个变换对应的矩阵(或者说这个变换自身)没有特征向量(注意：特征向量不能是零向量)，所以一个特定的变换特征向量是这样一种向量，它经过这种特定的变换后保持方向不变，只是进行长度上的伸缩而已(再想想特征向量的原始定义Ax=cx, cx是方阵A对向量x进行变换后的结果，但显然cx和x的方向相同)。 这里给出一个特征向量的简单例子，比如平面上的一个变换，把一个向量关于横轴做镜像对称变换，即保持一个向量的横坐标不变，但纵坐标取相反数，把这个变换表示为矩阵就是[1 0;0 -1]（分号表示换行），显然[1 0;0 -1]*[a b]'=[a -b]'（上标'表示取转置），这正是我们想要的效果，那么现在可以猜一下了，这个矩阵的特征向量是什么?想想什么向量在这个变换下保持方向不变，显然，横轴上的向量在这个变换下保持方向不变(记住这个变换是镜像对称变换，那镜子表面上(横轴上)的向量当然不会变化)，所以可以直接猜测其特征向量是[a 0]'（a不为0），还有其他的吗？有，那就是纵轴上的向量，这时经过变换后，其方向反向，但仍在同一条轴上，所以也被认为是方向没有变化，所以[0 b]'（b不为0）也是其特征向量。 矩阵特征值求解的分值算法 12组 1．1 矩阵计算的基本问题 (1)求解线性方程组的问题.即给定一个n 阶非奇异矩阵A 和n 维向量b ,求一个n 维向量x ,使得 b Ax = （1.1.1） (2)线性最小二乘问题,即给定一个n m ?阶矩阵A 和m 维向量b ,求一个n 维向量 x ,使得 },min{n R y b Ay b Ax ∈-=- （1.1.2） (3)矩阵的特征问题,即给定一个n 阶实(复)矩阵A ,求它的部分或全部特征值以及对应的特征向量,也就是求解方程 x Ax λ= （1.1.3） 一对解(λ,x ),其中)(),(n n C R x C R ∈∈λ,即λ为矩阵A 的特征值,x 为矩阵 A 的属于特征值λ的特征向量。 在工程上,矩阵的特征值具有广泛的应用,如大型桥梁或建筑物的振动问题:机械和机件的振动问题；飞机机翼的颤振问题;无线电电子学及光学系统的电磁振动问题;调节系统的自振问题以及声学和超声学系统的振动问题.又如天文、地震、信息系统、经济学中的一些问题都与矩阵的特征值问题密切相关。 在科学上,计算流体力学、统计计算、量子力学、化学工程和网络排队的马尔可夫链模拟等实际问题,最后也都要归结为矩阵的特征值问题.由于特征值问题在许多科学和工程领域中具有广泛的应用,因此对矩阵的特征值问题的求解理论研究算法的开发软件的制作等是当今计算数学和科学与工程计算研究领域的重大课题,国际上这方面的研究工作十分活跃。 1.2 矩阵的特征值问题研究现状及算法概述 对一个n n ?阶实(复)矩阵A,它的特征值问题,即求方程(I.1.3)式的非平凡解,是数值线性代数的一个中心问题.这一问题的内在非线性给计算特征值带来许多计算问题.为了求(l.1.3)式中的λ,一个简单的想法就是显式地求解特征方程 0)det(=-I A λ （1.2.1） 除非对于个别的特殊矩阵,由于特征方程的系数不能够用稳定的数值方法由行列式的计算来求得,既使能精确计算出特征方程的系数,在有限精度下,其特征多项式)det()(I A f λλ-=的根可能对多项式的系数非常敏感.因此,这个方法只能在理论上是有意义的,实际计算中对一般矩阵是不可行的.首先,若矩阵A 的阶数较大,则行列式)det(I A λ-的计算量将非常大;其次,根据Galois 理论,对于次数大于四的多项式求根不存在一种通用的方法,基于上述原因,人们只能寻求其它途径.因此,如何有效地!精确地求解矩阵特征值问题,就成为数值线性代数领 项目六 矩阵的特征值与特征向量 实验1 求矩阵的特征值与特征向量 实验目的 学习利用Mathematica(4.0以上版本)命令求方阵的特征值和特征向量;能利用软件计算方 阵的特征值和特征向量及求二次型的标准形. 求方阵的特征值与特征向量. 例1.1 (教材 例1.1) 求矩阵.031121201???? ? ??--=A 的特征值与特值向量. (1) 求矩阵A 的特征值. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvalues[A] 则输出A 的特征值 {-1,1,1} (2) 求矩阵A 的特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigenvectors[A] 则输出 {{-3,1,0},{1,0,1},{0,0,0}} 即A 的特征向量为.101,013???? ? ??????? ??- (3) 利用命令Eigensystem 同时矩阵A 的所有特征值与特征向量. 输入 A={{-1,0,2},{1,2,-1},{1,3,0}} MatrixForm[A] Eigensystem[A] 则输出矩阵A 的特征值及其对应的特征向量. 例1.2 求矩阵???? ? ??=654543432A 的特征值与特征向量. 输入 A=Table[i+j,{i,3},{j,3}] MatrixForm[A] (1) 计算矩阵A 的全部（准确解）特征值, 输入 Eigenvalues[A] 则输出 {0, 426-,426+} (2) 计算矩阵A 的全部（数值解）特征值, 输入 Eigenvalues[N[A]] 则输出 {12.4807, -0.480741, -1.34831610-?} (3) 计算矩阵A 的全部(准确解)特征向量, 输入 Eigenvectors[A]//MatrixForm 则输出 (4) 计算矩阵A 的全部(数值解)特征向量, 输入 Eigenvectors[N[A]]//MatrixForm 则输出 (5) 同时计算矩阵A 的全部(准确解)特征值和特征向量, 输入 OutputForm[Eigensystem[A]] 则输出所求结果 (6) 计算同时矩阵A 的零空间, 输入 NullSpace[A] 则输出 {{1,-2,1}} (7) 调入程序包<矩阵特征值和特征向量在实际中的应用及其实现
特征值和特征向量的几何意义是什么
幂法求矩阵最大特征值
矩阵的特征值和特征向量
矩阵特征值的意义
矩阵特征值与特征向量在图像处理中的应用
矩阵特征值求解
判断矩阵的最大特征值
相关主题
文本预览