矩阵分析 (七) 矩阵特征值的估计

简介: 矩阵分析 (七) 矩阵特征值的估计

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。

image.png

 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:

image.png

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。

image.png

 则A 的特征值λ 满足:


image.png

  • 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。


image.png


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

image.png


 上述不等式在几何上是一个圆,即特征值落在一个圆中


image.png


 成立,由此得到:

image.png


特征值的隔离


image.png


我的微信公众号名称:深度学习与先进智能决策

微信公众号ID:MultiAgent1024

公众号介绍:主要研究分享深度学习、机器博弈、强化学习等相关内容!期待您的关注,欢迎一起学习交流进步!

目录
打赏
0
0
0
0
25
分享
相关文章
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
线性代数(五)特征值和特征向量
线性代数(五)特征值和特征向量
329 1
深度之眼(十)——矩阵特征值与特征向量
深度之眼(十)——矩阵特征值与特征向量
286 0
深度之眼(十)——矩阵特征值与特征向量
数字图像处理——图像变换(二维离散傅里叶正逆变换fft2/fft2、离散余弦正逆变换dct2/idct2、频谱正逆平移fftshift/ifftshift、幅度谱与相位谱)| 例题与分析
数字图像处理——图像变换(二维离散傅里叶正逆变换fft2/fft2、离散余弦正逆变换dct2/idct2、频谱正逆平移fftshift/ifftshift、幅度谱与相位谱)| 例题与分析
399 0
数字图像处理——图像变换(二维离散傅里叶正逆变换fft2/fft2、离散余弦正逆变换dct2/idct2、频谱正逆平移fftshift/ifftshift、幅度谱与相位谱)| 例题与分析
【线性代数】求矩阵的特征值、特征向量和协方差矩阵
线性代数基础知识:求矩阵的特征值、特征向量和协方差矩阵
【线性代数】求矩阵的特征值、特征向量和协方差矩阵
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等