矩阵函数的性质及其应用

合集下载

矩阵系数函数

矩阵系数函数

矩阵系数函数一、矩阵系数函数的定义矩阵系数函数是指定义在矩阵上的一类特殊函数,它们具有与矩阵相乘的性质。

矩阵系数函数在数学、工程学和物理学等领域有着广泛的应用。

矩阵系数函数通常用于描述矩阵与向量之间的线性关系,以及矩阵之间的乘积运算。

二、矩阵系数函数的性质矩阵系数函数具有以下性质:1.线性性质:矩阵系数函数与矩阵的线性运算相容,即满足分配律和结合律。

2.乘法性质:当两个矩阵相乘时,矩阵系数函数满足相应的乘法性质。

3.对称性质:当矩阵是对称的时,矩阵系数函数也具有对称性质。

4.微分性质:矩阵系数函数在某些条件下具有微分性质,即它们的导数和偏导数满足一定的关系。

5.唯一性:对于给定的矩阵和向量,与其相关的矩阵系数函数是唯一的。

三、矩阵系数函数的应用矩阵系数函数在许多领域都有应用,以下是几个常见的应用实例:1.控制系统:在控制系统的分析和设计中,矩阵系数函数用于描述系统的状态方程和输出方程,以及系统的稳定性、可控性和可观测性等性质。

2.线性代数方程组:在求解线性代数方程组时,矩阵系数函数用于描述方程组中的系数矩阵和常数项向量,以及它们之间的关系。

3.数值分析:在数值分析中,矩阵系数函数用于描述数值算法中的系数矩阵和向量,如线性方程组的迭代解法和数值积分等。

4.工程学:在工程学中,矩阵系数函数用于描述结构分析、流体动力学、振动分析等领域的物理现象和数学模型。

5.量子力学:在量子力学中,矩阵系数函数用于描述量子态和测量过程,以及它们之间的概率关系。

四、总结与展望矩阵系数函数作为数学和工程学中的重要概念,已经得到了广泛的研究和应用。

在未来,随着科学技术的不断发展,矩阵系数函数的应用领域将会更加广泛和深入。

特别是在大数据处理、人工智能和机器学习等领域,矩阵系数函数将会有更多的应用场景和挑战。

此外,随着数学和其他学科的交叉融合,新的矩阵系数函数和性质将会不断涌现,为解决实际问题提供更多的方法和工具。

因此,我们需要进一步深入研究矩阵系数函数的性质和应用,以期在未来的科学研究和工程技术领域取得更多的成果和突破。

矩阵相似例题

矩阵相似例题

矩阵相似例题摘要:一、矩阵相似的定义与性质1.矩阵相似的定义2.矩阵相似的性质二、矩阵相似的判定方法1.秩相似2.行列式相似3.迹相似4.标准型相似三、矩阵相似的应用1.矩阵对角化2.线性变换的性质3.矩阵函数的性质四、矩阵相似的例题解析1.矩阵相似的判定例题2.矩阵相似的应用例题正文:矩阵相似是线性代数中的一个重要概念,它涉及到矩阵的性质及其应用。

本文将详细介绍矩阵相似的定义、性质、判定方法及其应用。

一、矩阵相似的定义与性质矩阵相似是指存在一个可逆矩阵P,使得矩阵A 与矩阵B 满足关系式:B = P^(-1) * A * P。

其中,A 和B 称为相似矩阵。

矩阵相似具有以下性质:1.相似矩阵具有相同的特征多项式;2.相似矩阵具有相同的行列式值;3.相似矩阵具有相同的迹;4.相似矩阵具有相同的秩。

二、矩阵相似的判定方法矩阵相似的判定方法有多种,常见的有以下四种:1.秩相似:当两个矩阵的秩相等时,它们是相似矩阵;2.行列式相似:当两个矩阵的行列式值相等时,它们是相似矩阵;3.迹相似:当两个矩阵的迹相等时,它们是相似矩阵;4.标准型相似:当两个矩阵具有相同的标准型时,它们是相似矩阵。

三、矩阵相似的应用矩阵相似在许多领域都有广泛的应用,例如:1.矩阵对角化:通过矩阵相似可以将一个矩阵对角化,从而简化矩阵的运算和求解线性方程组;2.线性变换的性质:线性变换的性质可以通过矩阵相似进行研究;3.矩阵函数的性质:矩阵函数的性质也可以通过矩阵相似进行研究。

四、矩阵相似的例题解析以下是一些关于矩阵相似的例题:1.矩阵相似的判定例题:已知矩阵A 和B,如何判定它们是否相似?2.矩阵相似的应用例题:已知矩阵A,如何通过矩阵相似将其对角化?。

正定矩阵地性质和判定方法及应用

正定矩阵地性质和判定方法及应用

正定矩阵地性质和判定方法及应用正定矩阵是线性代数中一个重要的概念,它在优化问题、最小二乘问题、信号处理、机器学习等领域中都有广泛应用。

在本文中,我将介绍正定矩阵的性质、判定方法以及一些应用。

一、正定矩阵的性质:1.定义:设A是n×n矩阵,如果对于任意非零向量x,都有x^TAx>0,则A是正定矩阵。

2.特征值:正定矩阵的特征值都大于0。

3.对称性:正定矩阵一定是对称矩阵。

4.非奇异性:正定矩阵一定是非奇异矩阵,即其行列式不为0。

5.可逆性:正定矩阵一定是可逆矩阵,即存在逆矩阵A^(-1),使得AA^(-1)=I。

6.二次型:正定矩阵可以表示为二次型的矩阵形式。

二、正定矩阵的判定方法:1.主子式判定法:设A是n×n矩阵,如果A的所有n阶主子式都大于0,则A是正定矩阵。

2.特征值判定法:设A是对称矩阵,如果A的所有特征值都大于0,则A是正定矩阵。

3.正定矩阵的条件:设A是对称矩阵,则A是正定矩阵的充分必要条件是存在n阶非奇异矩阵B,使得A=B^TB。

三、正定矩阵的应用:1.优化问题:正定矩阵在优化问题中应用广泛。

例如,在最小二乘问题中,正定矩阵可用于求解线性方程组的最优解。

正定矩阵还可以用于确定函数的极小值点。

2.信号处理:正定矩阵在信号处理中有重要应用。

例如,在信号滤波中,通过构造正定矩阵,可以设计出有效的滤波器,对信号进行去噪或增强。

3.机器学习:正定矩阵在机器学习中也起到关键作用。

例如,在支持向量机中,可以使用正定矩阵的核函数来进行非线性分类。

正定矩阵还可以用于降维算法中的线性判别分析,提高分类的准确性。

4.最小二乘问题:正定矩阵可以用于解决最小二乘问题,即寻找一组关系最紧密的数据的最优拟合线。

通过构造正定矩阵,可以求得最小二乘问题的闭合解,提高计算效率。

综上所述,正定矩阵是线性代数中一个重要的概念,具有许多重要的性质和判定方法。

正定矩阵在优化问题、最小二乘问题、信号处理、机器学习等领域中都有广泛应用。

矩阵的基本性质与变换

矩阵的基本性质与变换

矩阵的基本性质与变换矩阵是线性代数中的重要概念之一,它在各个工程领域和科学研究中都有广泛的应用。

本文将介绍矩阵的基本性质及其在数学变换中的应用。

一、矩阵的基本性质矩阵是由数字排成的矩形阵列,其中的数字称为元素。

矩阵由m行和n列组成,记作m×n的矩阵。

矩阵中的元素通常用小写字母表示,如a、b、c等。

以下是矩阵的一些基本性质:1. 矩阵的加法与减法对于两个相同维度的矩阵A和B,可以进行矩阵的加法和减法运算。

加法运算定义如下:A + B = C,其中C的每个元素等于A与B对应元素之和。

减法运算的定义与加法类似。

2. 矩阵的乘法矩阵乘法是一种矩阵之间的运算。

对于一个m×n的矩阵A和一个n×p的矩阵B,它们的乘积记作AB,得到的结果是一个m×p的矩阵C。

C的第i行第j列的元素等于A的第i行与B的第j列对应元素的乘积之和。

3. 矩阵的转置矩阵的转置是指交换矩阵的行与列,得到的新矩阵记作A^T。

即A^T的第i行第j列的元素等于A的第j行第i列的元素。

4. 矩阵的逆对于一个可逆矩阵A,存在一个矩阵B,使得AB=BA=I,其中I是单位矩阵。

B称为A的逆矩阵,记作A^(-1)。

只有方阵才存在逆矩阵。

二、矩阵的变换矩阵不仅可以进行基本的加法、减法和乘法运算,还可以用来进行各种数学变换,包括线性变换和仿射变换。

1. 线性变换线性变换是指将一个向量空间V里的向量x映射到另一个向量空间W里的向量y的变换。

对于一个m×n的矩阵A和一个n×1的向量x,线性变换的计算公式为y=Ax。

矩阵A定义了向量x在变换过程中的缩放、旋转和剪切等操作。

2. 仿射变换仿射变换是指将一个向量空间V里的向量x映射到另一个向量空间W里的向量y的变换。

对于一个m×n的矩阵A和一个n×1的向量x,仿射变换的计算公式为y=Ax+b,其中b是一个常向量。

仿射变换可以进行平移、旋转、缩放和错切等操作。

正定矩阵的性质和判定方法及应用

正定矩阵的性质和判定方法及应用

正定矩阵的性质和判定方法及应用正定矩阵在数学和应用中有着重要的地位和作用。

本文将介绍正定矩阵的性质、判定方法以及它们在实际应用中的应用。

一、正定矩阵的性质:1.所有的特征值都大于0:对于一个n阶矩阵A,如果其特征值全部大于0,则A是正定矩阵。

2.所有的主子式大于0:对于一个n阶矩阵A,如果它的所有k阶主子式都大于0,则A是正定矩阵。

其中,k为1到n的整数。

3.正定矩阵是满秩矩阵:正定矩阵的秩等于其阶数。

4.正定矩阵的转置也是正定矩阵:如果矩阵A是正定的,则其转置矩阵A^T也是正定的。

5.正定矩阵的逆矩阵也是正定矩阵:如果矩阵A是正定的,则其逆矩阵A^(-1)也是正定的。

二、正定矩阵的判定方法:1.使用特征值判定法:对于一个n阶矩阵A,计算其特征值λ1,λ2,...,λn,如果所有的特征值都大于0,则A是正定矩阵。

2.使用主子式判定法:对于一个n阶矩阵A,计算它的所有k阶主子式,如果所有的主子式都大于0,则A是正定矩阵。

3.使用矩阵的正定性矩阵判定法:一个n阶矩阵A是正定矩阵,当且仅当存在一个n阶可逆矩阵B,使得B^T*A*B是一个对角矩阵,且对角元素都大于0。

三、正定矩阵在应用中的应用:1.优化问题:正定矩阵在最优化问题中起着重要的作用。

例如,梯度下降法求解最小二乘问题中,需要对函数的海森矩阵进行判断是否为正定矩阵。

2.协方差矩阵:在统计学中,协方差矩阵是刻画多维随机变量之间关系的重要工具。

协方差矩阵是对称、半正定的。

3.特征向量的选择:在图像处理和模式识别等领域中,需要对数据进行降维处理,正定矩阵可以用于选择特征向量,帮助提取出最具有代表性的特征。

4.线性代数中的理论证明:正定矩阵在线性代数中有广泛的应用,用于证明各种定理,如线性变换的范数、二次表单的分类等。

总结起来,正定矩阵是一类非常重要的矩阵,在数学和应用中有着广泛的应用。

它具有许多有用的性质和判定方法,可以应用于优化问题、协方差矩阵、特征选择和线性代数等领域。

矩阵范数的表示形式

矩阵范数的表示形式

矩阵范数的表示形式矩阵范数是一种衡量矩阵性质的数学工具,它可以帮助我们理解矩阵的几何结构和性质。

在本文中,我们将介绍矩阵范数的表示形式,并探讨其在实际问题中的应用。

我们来定义矩阵范数。

矩阵范数是一个函数,它将一个矩阵映射到一个非负的实数。

矩阵范数满足以下性质:1. 非负性:对于任意矩阵A,矩阵范数的值必须大于等于0。

2. 齐次性:对于任意矩阵A和标量c,矩阵范数满足∥cA∥=|c|∥A∥。

3. 三角不等式:对于任意矩阵A和B,矩阵范数满足∥A+B∥≤∥A∥+∥B∥。

常见的矩阵范数有多种表示形式,每种表示形式都有其独特的特点和应用场景。

下面我们将介绍其中几种常见的矩阵范数表示形式。

1. 1-范数(L1范数):矩阵的1-范数是矩阵的每一列元素绝对值之和的最大值,表示为∥A∥1=max_{1≤j≤n}∑_{i=1}^{m}|a_{ij}|。

2. ∞-范数(L∞范数):矩阵的∞-范数是矩阵的每一行元素绝对值之和的最大值,表示为∥A∥∞=max_{1≤i≤m}∑_{j=1}^{n}|a_{ij}|。

3. 2-范数(L2范数):矩阵的2-范数是矩阵的最大奇异值,表示为∥A∥2=σ_{max},其中σ_{max}是矩阵A的最大奇异值。

这些矩阵范数在实际问题中有着广泛的应用。

例如,在机器学习领域,矩阵范数可以用来度量特征向量的稀疏性。

对于稀疏矩阵,其1-范数或∞-范数较小;而对于稠密矩阵,其2-范数较大。

矩阵范数还可以用于解决优化问题。

例如,在凸优化中,矩阵范数可以用来定义约束条件或目标函数,从而帮助我们找到最优解。

在信号处理中,矩阵范数可以用来估计信号的噪声水平或信号的复杂度。

除了上述常见的矩阵范数表示形式,还有其他一些矩阵范数,如Frobenius范数、核范数等。

每种范数都有其独特的性质和应用场景。

因此,在实际问题中,我们需要根据具体的需求选择合适的矩阵范数。

矩阵范数是一种重要的数学工具,它可以帮助我们理解矩阵的几何结构和性质。

矩阵函数的定义与性质

矩阵函数的定义与性质

矩阵函数的定义与性质矩阵函数是一类涉及矩阵运算的多元函数,广泛应用于数学、物理、工程等领域。

矩阵函数的定义与性质对于深入理解矩阵运算非常重要,本文将介绍矩阵函数的基本定义以及一些常见的性质。

矩阵函数的定义矩阵函数通常可以表示为f(A),其中A是一个矩阵,$f(\\cdot)$是一个函数。

对于一个$n \\times n$的矩阵A,其矩阵函数可以通过泰勒级数展开来定义:$$f(A) = c_0I + c_1A + c_2A^2 + \\cdots + c_kA^k + \\cdots$$其中,I是单位矩阵,c i是函数f(x)在点i处的导数。

矩阵函数的性质1. 线性性质若f(A)和g(A)是矩阵A的函数,c1和c2为常数,则有:$$ \\begin{aligned} & f(A) + g(A) = g(A) + f(A) \\\\ & c_1f(A) = f(c_1A)\\end{aligned} $$2. 矩阵的幂运算对于矩阵函数f(A)=A k,其性质如下:•若A是可对角化的矩阵,则f(A)也可对角化。

•若A是对称矩阵,则f(A)也是对称矩阵。

•若A是幂等矩阵(即A2=A),则f(A)也是幂等矩阵。

3. 矩阵函数的微分对于矩阵函数f(A),其微分形式如下:df(A)=f′(A)dA其中,f′(A)表示f(A)的导数,dA表示矩阵A的微小变化。

4. 特征值与特征向量矩阵函数f(A)的特征值与特征向量也与矩阵A的特征值与特征向量有密切联系。

若$\\lambda$是矩阵A的特征值,v是对应的特征向量,则$f(\\lambda)$是矩阵f(A)的特征值,v是对应的特征向量。

结语通过以上介绍,我们对矩阵函数的定义与性质有了初步了解。

矩阵函数的研究不仅有助于理解矩阵运算的复杂性,还在实际问题中有着广泛的应用。

希望本文的介绍能够对读者有所帮助。

正定矩阵的性质及应用论文

正定矩阵的性质及应用论文

正定矩阵的性质及应用论文正定矩阵是线性代数中一个重要的概念,它具有许多重要的性质和广泛的应用。

在本篇论文中,将详细介绍正定矩阵的性质以及其在实际应用中的一些重要应用。

首先,我们来了解一下正定矩阵的定义。

对于一个n阶矩阵A,如果对于任意非零向量x,都有x^T*A*x > 0,那么这个矩阵就是正定矩阵。

也就是说,正定矩阵对于任意非零向量x,都将其映射到一个大于零的数。

因此,正定矩阵是一个非常重要的概念。

下面,我们来介绍一下正定矩阵的性质。

1. 正定矩阵的特征值都是正数。

这是正定矩阵的一个重要性质,它决定了正定矩阵的行列式大于0。

2. 正定矩阵的行列式大于0。

这是由于根据性质1,正定矩阵的特征值都是正数,因此其行列式大于0。

3. 正定矩阵的逆矩阵也是正定矩阵。

这是因为对于任意非零向量x,有x^T*A*x > 0,那么x^T*A^(-1)*x = (A^(-1)*x)^T*A*(A^(-1)*x) > 0。

4. 正定矩阵可以通过Cholesky分解进行分解。

Cholesky分解是将正定矩阵分解为一个下三角矩阵和其转置的乘积。

5. 正定矩阵的逆矩阵也是正定矩阵。

这是因为对于任意非零向量x,有x^T*A*x > 0,那么x^T*A^(-1)*x = (A^(-1)*x)^T*A*(A^(-1)*x) > 0。

现在,让我们来了解一些正定矩阵在实际应用中的一些重要应用。

1. 在数学和物理建模中,正定矩阵常常被用来描述能量、势能、距离等非负量。

例如,在分子动力学模拟中,正定矩阵可以用来描述原子之间的势能,从而模拟分子在空间中的运动。

2. 在机器学习中,正定矩阵也有重要的应用。

在支持向量机(SVM)中,正定矩阵被用来构建二次规划问题的对偶问题,从而实现机器学习模型的训练。

3. 在优化问题中,正定矩阵也经常被用来描述目标函数的二次项。

例如在最小二乘法中,正定矩阵被用来描述模型的误差项,从而求出最优的模型参数。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

矩阵函数的性质及其应用摘要本文从多项式和幂级数两个方面给出了矩阵函数的两种定义方式,从定义出发推导了若干性质及其多种矩阵函数的求法,在计算中根据适当的情况进行选择,起到事半功倍的作用,文章末尾还给出了其在实际中的应用,为解决实际问题带来很多方便。

关键词:矩阵级数矩阵函数 Jordan标准型线性微分方程Matrix function calculus and its applicationAbstractThis paper, from the polynomial and power series two aspects of the matrixfunction are given two definition way, is derived from the definition of someproperties of matrix function and the method, the method of according to chooseappropriate, rise to get twice the result with half the effect, the article alsogives the end in the actual application, to solve practical problems bring manyconvenientKeywords:Matrix series Matrix function Jordan canonical formLinear differential equation目录摘要 (I)关键词 (I)第一章引言.................................... 错误!未定义书签。

第二章矩阵函数. (2)矩阵函数的定义 (2)矩阵函数的性质 (2)第三章矩阵函数的计算 (6)第四章矩阵函数的应用 (11)矩阵函数在线性微分方程的应用 (11)结束语.......................................... 错误!未定义书签。

致谢语. (14)参考文献 (14)第一章 引言为了讨论方便,引入一下记号:1、n n F ⨯表示数域F 上n n ⨯矩阵全体的线性空间;2、n n C ⨯表示n n ⨯复矩阵集;3、(),P F λ数域F 上λ的纯量多项式;4、()A σ表示A 的谱,即(){}A A σλλ=是的特征值;5、()A ρ表示A 的谱半径,即(){}max A A ρλλ= 是的特征值6、对于给定的矩阵n n A F ⨯∈,凡满足()0f A =的多项式()f λ称为矩阵A 的零化多项式(一般取首项系数为1)7、其中次数最低的零化多项式称为矩阵A 的最小多项式,记做()m ψλ 8、文献[1]给出矩阵级数的定义:定义1:设{}k A 是m n C ⨯的矩阵序列,其中()k k m n ij A a C ⨯=∈,无穷和123kA A A A ++++ 称为矩阵级数,记为1kk A ∞=∑.对正整数1k ≥,记1kki i S A ==∑称()k S 为矩阵级数1k k A ∞=∑的部分和,如果矩阵序列{}k S 收敛,且有极限S ,即lim k k S S →∞=,则称矩阵级数1kk A ∞=∑收敛,并称S 为矩阵级数1kk A ∞=∑的和,记为1k k A S ∞==∑不收敛的矩阵级数称为发散的. 定义2:设n nA C⨯∈,形如20120k k k k k c A c I c A c A c A ∞==+++++∑的矩阵级数称为矩阵幂级数.第二章 矩阵函数矩阵函数的定义矩阵函数的多项式表示:设()ij n n A a ⨯=是数域F 上的一个n 阶矩阵,简记为n n A F ⨯∈,()()2012+0n n n f a a a a a λλλλ=+++≠…是数域F 上的一个n 次多项式,简记为()(),f P F λλ∈,将此多项式中i λ换成i A ,其中01λ=换成单位矩阵I ,则矩阵函数()f A 可以定义为:()2012+n n f A a I a A a A a A =+++…矩阵函数的幂级数表示:设n nA C⨯∈,如果一元函数()f z 能够展开为z 的幂级数()f z =0k k k c z ∞=∑,z ||<R其中R>0表示该幂级数的收敛半径.当n 阶矩阵A 的谱半径()A R ρ<时,把收敛的矩阵幂级数0kk k c A ∞=∑的和称为矩阵函数,记为()f A ,即()f A =0k k k c A ∞=∑矩阵函数的性质性质1:()f A 和A 可交换,即()()f A A Af A =证 设纯量多项式()2012+n n f a a a a λλλλ=+++…,则矩阵多项式()f A 为()2012+n n f A a I a A a A a A =+++…,于是()f A A =()2012+n n a I a A a A a A A +++…=231012+n n a A a A a A a A ++++…()2012+n n A a I a A a A a A =+++… ()()()()f g A f A g A =性质2:函数和(或差)的矩阵函数等于矩阵函数的和(和差),即()()()()f g A f A g A ±=±性质3:函数积的矩阵函数等于矩阵函数的积,即()()()()f g A f A g A =性质4:若A B ,则()()f A f B ,即若1B T AT -=,则()()1f B T f A T -=证 由于A B ,故存在可逆矩阵n n T C ⨯∈,使得1B T AT -=,若()f λ是纯量多项式,则()()()11f B f T AT T f A T --==,即()()f A f B性质5:设n n A C ⨯∈,n n B C ⨯∈,且A B B A =,函数()f z 在()A σ上有定义,()g z 在()B σ上有定义,则()()()()f A g B g B f A =证 设A ,B 的最小多项式的次数分别为k 和l ,则存在次数不超过1k -的多项式()z ϕ和次数不超过1l -的多项式()z ψ,使得()()()(),f A A g B B ϕψ==由于AB BA =,因此对任意正整数i ,j ,有i j j i A B B A =,从而A 的多项式与B 的多项式相乘时可交换,即得()()()()()()()()f A g B A B B A g B f A ϕψψϕ===性质6:设n nA C⨯∈,A 的特征值都是正实数,()f z 是系数为非负实数的幂级数0kk k c A ∞=∑的和函数,它的收敛半径()r A ρ>,则()0trf A ≥,且()()00trf A f z =⇔=证 因为A 的特征值都是正实数,且()f z 是系数为非负实数的幂级数0k k k c A ∞=∑的和函数,因此()f A 的特征值为()()001,2,k i k i k f c i n λλ∞==≥=∑…,,其中()1,2,k i n λ=…,是A 的特征值,所以()()10i i trf A f λ∞==≥∑若()f z 不恒为0,则()()001,2,k i k i k f c i n λλ∞==>=∑…,,从而()0trf A >;若()f z 恒为0,则()()01,2,,i f i n λ==…,从而()0trf A >。

性质7:设n n A C ⨯∈,函数()f z 在()A σ上有定义,则()()TTf A f A =⎡⎤⎣⎦证 由于A 与T A 相似,因此,A 与T A 有相同的谱,也有相同的最小多项式,由()f z 在()A σ上有定义,则()f z 在()T A σ上有定义,且()f z 在A 与T A 的谱上的值相同,因此可取相同的多项式()z ϕ,使得()()()(),T T f A A f A A ϕϕ==.所以()()()()T TTTf A A A f A ϕϕ⎡⎤===⎡⎤⎣⎦⎣⎦ 性质8:设A 是对称矩阵,函数()f z 在()A σ上有定义,则()f A 是对称矩阵 性质9:设A 是实对称矩阵,实函数()f z 在()A σ上有定义,且对A 的任一特征值λ,有()0f λ>,则()f A 是正定矩阵。

证 由()f z 为实函数,A 是实对称矩阵,根据性质8知,()f A 是实对称矩阵,又因为()f A 的特征值为()()01,2,,i f i n λ>=…,其中()1,2,,i i n λ=…是A 的特征值,所以()f A 是正定矩阵。

性质10:设A 是反对称矩阵,函数()f z 在()A σ上有定义,且为奇函数,则()f A 是反对称矩阵。

证 由性质7得()()()=TT f A f A f A =-⎡⎤⎣⎦,又由于()f z 为奇函数,()()f z f z -=-,所以()()()()=TTf A f A f A f A =-=-⎡⎤⎣⎦即()f A 是反对称矩阵。

下面给出一些常用的矩阵函数的基本性质: 矩阵指数函数A e 的基本性质: (1)若AB BA =,则A B B A A B e e e e e +==; (2)()1A A ee --=;(3)A trA e e =证 (1)因为矩阵加法满足交换律,所以只需证明A B A B e e e +=就行了.根据矩阵指数函数的表达式可得22112!2!A B e e I A A I B B ⎛⎫⎛⎫=++++++ ⎪⎪⎝⎭⎝⎭……()()()22322311332!3!I A B A AB BA B A A B AB B =+++++++++++… ()()()23112!3!I A B A B A B =+++++++…A B e +=(2)在(1)中令B=-A,则得A A e e I -=,所以()1A A e e --=(3)设A 的特征值为12n λλλ,,…,,则A e 的特征值为12,,n e e e λλλ…,,因此12n 12n +++==A trAe e e e e e λλλλλλ=……矩阵三角函数的基本性质:(1)cos sin iA e A i A =+ (2)()1cos 2iA iA A e e -=-,()1sin 2iA iA A e e i-=- (3)()()cos cos ,sin sin A A A A A -=-=-(4)若AB BA =,则()cos cos cos sin sin A B A B A B +=-()sin sin cos cos sin A B A B A B +=+证(1)因为0!k iAkk i e A k ∞==∑,将k 分为偶数k 2和奇数1k 2+,则有()()()22122k+1000!2!21!k k k iAk k k k k i i i e A A A k k k +∞∞∞=====++∑∑∑ ()()()()22100112!21!k kk k k k A A k k ∞∞+==--=++∑∑ cos sin A i A =+(2)同(1)证可得cos sin iA e A i A -=-两式相加得()1cos 2iA iAA e e -=- 两式相减得()1sin 2iA iA A e e i-=-(3)因为()()2101sin 21!kk k A A k ∞+=-=+∑,所以()()()()2101sin 21!kk k A A k ∞+=--=-+∑()()2101sin 21!kk k A A k ∞+=-=-=-+∑,又因为()()201cos 2!kk k A A k ∞=-=∑,所以()()()()()()220011cos cos 2!2!kkkk k k A A A A k k ∞∞==---=-==∑∑(4)若AB BA =,得()()()()1cos 2i A B i A B A B e e+-++=+ ()12iA iB iA iB e e e e --=+()()()()1222iA iA iB iB iA iA iB iBe e e e e e e e ----⎛⎫++-- ⎪=+⎪⎝⎭ ()2222iA iAiA iA iB iB iB iBe e e e e e e e i i-----++-=-cos cos sin sin A B A B=-同理可证 ()sin sin cos cos sin A B A B A B +=+第三章 矩阵函数的计算1、A 为对角矩阵和分块对角矩阵的矩阵函数()f A 的求法 (1)矩阵函数为矩阵幂函数()=m f A A若A 为对角矩阵,即12n d d A d ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎣⎦ 则由矩阵乘法,有()()()()1122=mmm m n n d f d f d d f A A f d d ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦若A 为分块对角矩阵,即12n A A A A ⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎣⎦,其中()1,2,,i A i s =…为子块。

相关文档
最新文档