特征值
特征值分解
一个特征值而且特征向量一个方阵的一个分别是标量吗λ一个非零向量υ满足
一个υ=λυ.
用对角线矩阵Λ的对角线上的特征值和对应的特征向量构成矩阵的列V,你有
AV=VΛ.
如果V是不是非奇异的,这就变成了特征值分解
一个=VΛ1.
微分方程的系数矩阵就是一个很好的例子dx/dt=一个x:
A = 0 -6 -16 2 -16 -5 20 -10
这个方程的解用矩阵指数表示x(t) =et一个x(0).该声明
lambda = eig(A)
的特征值生成列向量一个
.对于这个矩阵,特征值是复的:
Lambda = -3.0710 -2.4645+17.6008i -2.4645-17.6008i
每个特征值的实部都是负的,所以eλt趋近于0t增加。两个特征值的非零虚部,±ω的振荡分量sin(ωt),到微分方程的解。
有两个输出参数,eig
计算特征向量并将特征值存储在对角线矩阵中:
[V,D] = eig(A)
V = -0.8326 0.2003 - 0.1394i 0.2003 + 0.1394i -0.3553 -0.2110 - 0.6447i -0.2110 + 0.6447i -0.4248 -0.6930 -0.6930 D = -3.0710 00 0 -2.4645+17.6008i 00 0 -2.4645-17.6008i
第一个特征向量是实数另外两个向量是彼此的复共轭。这三个向量都被归一化为欧几里得长度,规范(v, 2)
等于1。
矩阵V * D *发票(V)
,可以更简洁地写成V * D / V
的舍入误差范围内一个
.而且,发票(V) * * V
,或V \ * V
的舍入误差范围内D
.
多个特征值
有些矩阵没有特征向量分解。这些矩阵不能对角化。例如:
A = [1 -2 1 0 1 4 0 0 3]
对于这个矩阵
[V,D] = eig(A)
生产
V = 1.0000 1.0000 -0.5571 0 0.0000 0.7428 00 0.3714 d = 1 000 1 000 3
在处有一个二重特征值λ= 1。的第一列和第二列V
都是一样的。对于这个矩阵,不存在完全线性无关的特征向量。
舒尔分解
许多高级矩阵计算不需要特征值分解。相反,它们是基于舒尔分解的
一个=U年代U”,
在哪里U是正交矩阵吗年代是对角线上有1 × 1和2 × 2块的块上三角矩阵。的对角线元素和块显示特征值年代,而列U提供一个正交基,它比一组特征向量有更好的数值性质。
例如,比较这个缺陷矩阵的特征值和Schur分解:
A = [6 12 19 -9 -20 -33 4 9 15];[V,D] = eig(A)
V = -0.4741 + 0.0000i -0.4082 - 0.0000i -0.4082 + 0.0000i 0.8127 + 0.0000i 0.8165 + 0.0000i 0.8165 + 0.0000i -0.3386 + 0.0000i -0.4082 + 0.0000i -0.4082 - 0.0000i D = -1.0000 + 0.0000i 0.0000 + 0.0000i 0.0000 + 0.0000i 0.0000 + 0.0000i 0.0000 + 0.0000i 0.0000 - 0.00000 i
[U,S] = schur(A)
U = -0.4741 0.6648 0.5774 0.8127 0.0782 0.5774 -0.3386 -0.7430 0.5774 s = -1.0000 20.7846 -44.6948 0 1.0000 -0.6096 0 0.0000 1.0000
矩阵一个
是有缺陷的,因为它没有一个完整的线性无关的特征向量集(的第二列和第三列V
都是一样的)。因为不是所有列的V
是线性无关的,它有很大的条件数约为~1 e8
.然而,舒尔
能计算出三个不同的基向量U
.自U
是正交的,cond(U) = 1
.
矩阵年代
实数特征值是对角线上的第一个元素,重复的特征值由右下的2 × 2块表示。2 × 2块的特征值也是的特征值一个
:
eig (S (2:3, 2:3))
Ans = 1.0000 + 0.0000i 1.0000 - 0.0000i