矩阵的分解与正交阵之间的联系摘要通过一个矩阵分解可分解成正交
矩阵的分解毕业论文.

学士学位论文矩阵的分解学院、专业数学科学学院数学与应用数学研究方向代数学学生姓名林意学号200920134781指导教师姓名周末指导教师职称教授2014年4 月 16日矩阵的分解摘要众所周知,矩阵是代数学中的一个重要概念,它的出现促进了代数学的快速发展.矩阵分解作为矩阵理论中非常重要的一部分,是指将一个矩阵分解成一些特殊类型矩阵的乘积(或和)的形式.矩阵分解的内容丰富,形式多样,是解决某些线性代数问题的重要工具.本文主要从矩阵的QR分解、满秩分解、三角分解和奇异值分解等方面对矩阵的分解作了论述,首先给出了这几种分解形式的定义以及相关性质,然后给出了它们各自的具体的分解方法,最后通过例题的形式将各分解方法呈现出来.关键词:矩阵;分解;QR分解;三角分解;满秩分解The Decomposition of the MatrixABSTRACTAs everyone knows,matrix is one of the most important concepts in algebra,whose appearance promotes the development of algebra.While as a significant part of the theory of matrix,the decomposition of matrix aims at decomposing a matrix into the product(or sum) of several specific kinds of matrices.The decomposition of matrix not only concludes rich contents and forms,but also works as one of the significant methods in dealing with some linear algebra problems.In this paper,the decomposition of matrix is mainly introduced from the aspects mentioned below,such as QR decomposition,full rank decomposition,LU decomposition and so on.Firstly,the definitions and related properties of these forms of decomposition are given.And then,specific decomposition ways of theirs are illustrated.Finally,these decomposition methods are clearly presented by the forms of some examples.Keywords:Matrix;Decomposition;QR Decomposition;LU Matrix Decomposition;Full Rank Decomposition目录摘要 (I)ABSTRACT (II)目录 (III)一、引言 (1)二、矩阵的QR分解 (1)(一)矩阵QR分解的基本概念及定理 (1)(二)矩阵QR分解的常用方法及应用举例 (1)三、矩阵的三角分解 (8)(一)矩阵三角分解的基本概念及定理 (8)(二)矩阵三角分解的常用方法及应用举例 (9)四、矩阵的满秩分解 (15)(一)矩阵满秩分解的基本概念及定理 (15)(二)矩阵满秩分解的常用方法及应用举例 (15)五、矩阵的奇异值分解 (17)(一)矩阵奇异值分解的基本概念及定理 (17)(二)矩阵奇异值分解的常用方法及应用举例 (18)六、结论 (20)参考文献 (20)致谢................................................................................................................ 错误!未定义书签。
工程数学(07)矩阵的正交分解

工程数学
对第二种情形的Hk阵,还可进行降维处理。
H k阵对向量x的前k 1个分量的作用就如同是一个 (k 1)阶的单位阵的作用。 x Rn
x x ( 2 ) (2) x x ( xk
工程数学
工程数学
1 例:W 2
1 3 0 R ,|| W ||2 1 2 1 2 1 1 T H I 2WW I 2 0 0 2 1 2 2 0 0 1 0 1 0 1 0 0
工程数学
T
工程数学
H阵的性质:
( 1)非奇异
det( H ) 1 2W TW 1
(2)对称正交 H HT HH T H 2 ( I 2WW T )( I 2WW T ) T T T I 4WW 4WW WW I
2 1 2 w1 2 w2 w1 H 2 wn w1
工程数学
工程数学
算法2
给定向量x 0, 计算初等反射阵H1。
, xn )T 。 , xn
1、输入x ( x1 , x2 ,
2、将x规范化 , M max x1 , x 2 , 如果M 0, 则转出停机, 否则xi xi / M , i 1, 2, , n 3、计算
1 ( xi2 )
i 1
n
1 2
如果x1 0, 4、x1 x1 1 5、1 1 x1 6、计算U 1,U 1 x 1 T 7、H 1 I U 1U 1
则 1 1
1 8、y ( M 1 , 0,
9、输出H 1 , y。
, 0)T
矩阵分解的常用方法(全文)

矩阵分解的常用方法一、矩阵的三角分解定义:如果方阵可分解成一个下三角形矩阵L和上三角形矩阵U的的乘积,则称可作三角分解或LU分解。
定理1:高斯消元过程能够进行到底的充分必要条件是的前n-1个顺序主子式都不为零,即k ≠0,k=1,2,…,n-1。
(1)当条件(1)满足时,有L(n-1)…L(2)L(1)=U。
其中U为上三角形矩阵L(k)=lik=,i=k+1,…,n。
容易得出,detL(k)≠0(k=1,2,…,n-1),故矩阵L(k)可逆,于是有=(L(1))-1(L(2))-1…(L(N-1))-1U。
由于(L(K))-1是下三角形矩阵,故它们的连乘积仍然是下三角矩阵。
令L=(L(1))-1(L(2))-1…(L(N-1))-1=则得=LU。
即分解成一个单位下三角形矩阵L和一个上三角形矩阵U的的乘积。
二、矩阵的QR(正交三角)分解定义:如果实(复)非奇异矩阵能化成正交(酉)矩阵Q 与实(复)非奇异上三角矩阵R的乘积,即=QR,则称上式为的QR分解。
定理2:任何实的非奇异n阶矩阵可以分解成正交矩阵Q 和上三角形矩阵R的乘积,且除去相差一个对角线元素之绝对值等于1的对角矩阵D外,分解成=QR是唯一的。
矩阵QR的分解具体做法如下:令的各列向量依次为α1,α2,…,αn,由于是非奇异的,所以α1,α2,…,αn线性无关,按照施密特正交法正交化得到个标准的正交向量β1,β2,…,βn,且β=bαβ=bα+b22α2β=bα+b2nα2+…+bnnαn这里bij都是常数,且由正交化过程知bii≠0(i=1,2,…,n)写成矩阵形式有(β1,β2,…,βn)=(α1,α2,…,αn)β,即Q=B。
其中B=是上三角矩阵(bii≠0,i=1,2,…,n)。
显然B可逆,而且B=R-1也是上三角矩阵,由于Q的各列标准正交,所以Q 正交矩阵,从而有=QR。
三、矩阵的奇异值分解定理3 (奇异之分解定理)设是一个m×n的矩阵,且r ()=r,则存在m阶酉矩阵U和n阶酉矩阵V,使得UHV=(2),其中?撞=dig(1…r),且1≥2≥…≥r≥0。
矩阵分解理论与应用

矩阵分解理论与应用矩阵分解是一种数学运算,其将一个复杂的矩阵分解为多个简单的因子矩阵,从而简化计算复杂度、提高计算效率。
随着数据处理技术的不断升级,矩阵分解在各个领域得到了广泛的应用,特别是在数据挖掘、推荐系统、图像处理等方面。
矩阵分解的理论矩阵分解的理论基础主要有奇异值分解(SVD)、QR分解和LU分解等。
其中,SVD是最常用的矩阵分解理论,它可以将矩阵分解为三个矩阵之积,即A = U * Σ * V^T,其中U和V是正交矩阵,Σ是对角矩阵。
这种分解方式可以将一个高维矩阵转化为多个低维矩阵,从而降低计算复杂度、提高算法运行效率。
QR分解则是将一个矩阵分解为一个正交矩阵和一个上三角矩阵的乘积,这种分解方式可以实现矩阵的排除操作、解线性方程组等计算操作。
LU分解则是将一个矩阵分解为两个矩阵的乘积,其中一个是下三角矩阵,另一个是上三角矩阵,这种分解方式可以解线性方程组,也可以进行矩阵求逆运算。
矩阵分解的应用在数据挖掘领域中,矩阵分解常用于推荐系统,特别是基于协同过滤的推荐算法中。
通过将用户评分矩阵进行矩阵分解,可以得到用户的潜在特征向量和物品的潜在特征向量,从而可以计算用户对未评分物品的评分预测值,进而推荐给用户。
在图像处理方面,矩阵分解可以用于图像压缩和降噪。
通过将图像像素矩阵进行矩阵分解,可以得到多个低维度的矩阵,从而减少存储空间和计算复杂度,同时也可以减少图像噪声的影响。
此外,矩阵分解还可以应用于信号处理、网络分析、文本处理等领域。
比如,矩阵分解可以用于音频信号处理中的声音分离,网络分析中的社交网络挖掘等。
总结矩阵分解作为一种常用的数学运算,在数据处理和计算领域具有广泛的应用。
通过将高维度、复杂的矩阵分解为多个低维度、简单的因子矩阵,矩阵分解大大提高了计算效率和运行速度,为各个领域的数据处理和挖掘提供了重要的数学工具。
矩阵分解公式

矩阵分解公式
(原创实用版)
目录
1.矩阵分解公式的概述
2.矩阵分解公式的类型
3.矩阵分解公式的应用
4.矩阵分解公式的举例
正文
矩阵分解公式是一种重要的数学工具,它在诸多领域中都有着广泛的应用。
矩阵分解公式可以帮助我们将一个矩阵分解成一些简单的矩阵的乘积,这对于理解和操作矩阵而言是非常有帮助的。
矩阵分解公式主要有两种类型,一种是矩阵的 LU 分解,另一种是矩阵的 QR 分解。
矩阵的 LU 分解是将一个矩阵分解成一个下三角矩阵和一个上三角矩阵的乘积,而矩阵的 QR 分解则是将一个矩阵分解成一个正交矩阵和一个上三角矩阵的乘积。
这两种分解方法各有其优点和适用范围,需要根据具体情况选择合适的分解方法。
矩阵分解公式在许多领域都有着广泛的应用,例如在数值分析中,矩阵分解可以帮助我们求解线性方程组;在机器学习中,矩阵分解可以用来对数据进行降维处理;在图像处理中,矩阵分解可以用来对图像进行压缩和增强等。
举个例子,假设我们有一个 3x3 的矩阵 A,我们需要将其进行 LU 分解。
首先,我们需要求出矩阵 A 的主对角线元素,然后将主对角线元素组成一个新的矩阵 L,接着求出矩阵 L 的逆矩阵,最后将矩阵 A 乘以矩阵 L 的逆矩阵,就可以得到一个下三角矩阵,这个下三角矩阵的乘积再乘以矩阵 L,就等于矩阵 A。
这就是矩阵的 LU 分解。
矩阵的分解与正交阵之间的联系摘要通过一个矩阵分解可分解成正交

矩阵的分解与正交阵之间的联系摘要:通过一个矩阵分解可分解成正交阵与某个矩阵的乘积引出关于矩阵的极分解定理,QR 分解定理,极值分解定理,奇异值分解定理等,并对它们进行了证明和扩充。
关键词:分解 矩阵 正交阵正文:今年来,在数学专业的考研试卷中,高代部分关于矩阵的分解的题目(利用它们来进行计算或证明某个特定问题)有增多的趋势。
学过矩阵论的人都知道,矩阵的分解主要有两大类,一类是矩阵的加法分解,一类是矩阵的乘法分解。
本篇着重讨论乘法分解中的几种特殊分解。
定义1: ()n n ij A a R ⨯=∈ , A A E '=, 则A 称为正交阵。
定义1':()n n ij A a R ⨯=∈, ( I ) 112210i j i j in jn a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==( II ) 112210i j i j ni nj a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==(III) 1A A -'=在02年的厦大高代考研卷子中,就有矩阵的分解与正交阵结合起来的题目。
TH1:(02年高代试卷)设A 是可逆的n 阶实方阵。
求证:存在正交阵U ,正定阵T ,使A=UT ,且这个分解式是唯一的。
证明:A 可逆, ∴AA '正定 从而存在正定阵T , 使2AA T '=121()[()]A A T A T TUT --''=== 即 1()U A T -'=则 1112111()()()()U U AT T A A T A A A A A E------''''''====现假设A 还有另一分解,即A=UT=US 则 1UU ST -'= ,U 为正交阵,而U 的特征值为实数且是正的111122221()()T S T T T S T --∴=可对角化 即 1E S T -= S T ∴=∴分解式是唯一的。
矩阵分解总结

矩阵分解总结
矩阵分解总结:
矩阵分解是一种被广泛应用于各个领域的数学方法,它将一个复杂的矩阵表示
为几个简化的矩阵相乘的形式。
矩阵分解在数据压缩、机器学习、信号处理等领域中具有重要的作用。
一种常见的矩阵分解方法是奇异值分解(SVD),它将一个矩阵分解为三个矩
阵的乘积,分别是左奇异向量矩阵、奇异值对角矩阵和右奇异向量矩阵。
SVD在
图像处理、推荐系统等领域中得到了广泛的应用。
另一种常见的矩阵分解方法是QR分解,它将一个矩阵分解为一个正交矩阵和
一个上三角矩阵的乘积。
QR分解在线性回归、最小二乘法等问题中起到了重要的
作用。
矩阵分解还有其他多种方法,如LU分解、Cholesky分解等。
它们各自在不同
领域具有独特的优势和应用。
矩阵分解的目标是将一个大型、复杂的问题简化为多个小型、简单的问题,进而提高计算效率和问题求解的准确性。
通过矩阵分解,我们可以发现矩阵中的隐藏模式、结构和特征,从而更好地理
解和处理数据。
无论是在科学研究、工程技术还是商业应用中,矩阵分解都起到了重要的作用,为进一步的数据分析和决策提供了有力支持。
总结起来,矩阵分解是一种重要的数学方法,它将复杂的矩阵拆解为简单的因子,以便更好地分析和处理数据。
不同的矩阵分解方法在不同领域有着广泛的应用,为数据科学和工程技术领域带来了重要的进展。
线性代数中的矩阵分解与应用

线性代数中的矩阵分解与应用矩阵分解是线性代数中重要的概念,它可以将一个矩阵分解成多个简单的矩阵,从而方便我们进行运算和应用。
在本文中,我们将探讨矩阵分解的几种常见方法以及它们在不同领域的应用。
一、LU分解LU分解是最基本的矩阵分解方法之一,它将一个矩阵分解为一个下三角矩阵L和一个上三角矩阵U的乘积。
具体地说,给定一个矩阵A,LU分解将A分解为A=LU的形式,其中L为单位下三角矩阵,U 为上三角矩阵。
LU分解在求解线性方程组、矩阵求逆以及计算行列式等方面有广泛的应用。
二、QR分解QR分解是将一个矩阵分解为一个正交矩阵Q和一个上三角矩阵R 的乘积。
QR分解在很多数值计算问题中都有重要应用,比如最小二乘拟合、矩阵特征值计算以及信号处理等。
通过QR分解,我们可以将复杂的运算转化为简单的乘法和求解上三角矩阵的问题,从而提高计算效率。
三、奇异值分解(SVD)奇异值分解是将一个矩阵分解为一个正交矩阵U、一个对角矩阵Σ和另一个正交矩阵V的转置的乘积。
奇异值分解在数据降维、图像压缩、推荐系统等领域中被广泛应用。
通过奇异值分解,我们可以发现矩阵的特征结构,并根据特征值的大小选择保留重要信息,去除冗余信息,从而简化问题并提高计算效率。
四、特征值分解特征值分解是将一个方阵分解为一个由特征向量组成的矩阵和一个由对应特征值构成的对角矩阵的乘积。
特征值分解在矩阵的谱分析、信号处理、振动分析等领域有广泛应用。
通过特征值分解,我们可以得到矩阵的特征向量和特征值,从而研究矩阵的性质和行为。
矩阵分解在实际应用中具有重要意义。
例如,在机器学习中,矩阵分解可以应用于协同过滤算法,通过对用户与物品评分矩阵进行分解,可以发现用户和物品之间的潜在关联关系,从而实现个性化的推荐。
此外,矩阵分解还可以用于图像处理中的图像压缩和去噪,通过对图像矩阵进行分解,可以提取主要特征并减少数据量,从而节省存储空间和提高图像质量。
总结起来,线性代数中的矩阵分解是一种重要的数学工具,具有广泛的应用。
- 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、"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、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)。
矩阵的分解与正交阵之间的联系摘要:通过一个矩阵分解可分解成正交阵与某个矩阵的乘积引出关于矩阵的极分解定理,QR 分解定理,极值分解定理,奇异值分解定理等,并对它们进行了证明和扩充。
关键词:分解 矩阵 正交阵正文:今年来,在数学专业的考研试卷中,高代部分关于矩阵的分解的题目(利用它们来进行计算或证明某个特定问题)有增多的趋势。
学过矩阵论的人都知道,矩阵的分解主要有两大类,一类是矩阵的加法分解,一类是矩阵的乘法分解。
本篇着重讨论乘法分解中的几种特殊分解。
定义1: ()n n ij A a R ⨯=∈ , A A E '=, 则A 称为正交阵。
定义1':()n n ij A a R ⨯=∈, ( I ) 112210i j i j in jn a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==( II ) 112210i j i j ni nj a a a a a a ⎧++=⎨⎩i j i j =≠ ,1,2,,,1,2,,i j n i j n ==(III) 1A A -'=在02年的厦大高代考研卷子中,就有矩阵的分解与正交阵结合起来的题目。
TH1:(02年高代试卷)设A 是可逆的n 阶实方阵。
求证:存在正交阵U ,正定阵T ,使A=UT ,且这个分解式是唯一的。
证明:A 可逆, ∴AA '正定 从而存在正定阵T , 使2AA T '=121()[()]A A T A T TUT --''=== 即 1()U A T -'=则 1112111()()()()U U AT T A A T A A A A A E------''''''====现假设A 还有另一分解,即A=UT=US 则 1UU ST -'= ,U 为正交阵,而U 的特征值为实数且是正的111122221()()T S T T T S T --∴=可对角化 即 1E S T -= S T ∴=∴分解式是唯一的。
证明完毕。
上述定理1也称为矩阵的极分解定理,又极分解定理我们可以得到一个推论。
推论1:设A 是一个n 阶实可逆矩阵,A=PU 是极分解,其中P 是正定矩阵,U 是正交矩阵,则 AA A A PU UP ''=⇔=。
证明:(充分性)22()()()()AA PUU P PP P U UP U P PU PU PU A A '''''''=======; (必要性)AA A A ''= 22P U P U '∴=而2P 及U 均为正定矩阵知它们均有正定平方根 P 和U PU '而平方根是唯一的, P U PU '∴= U P P U ∴=。
TH2: 任一实满秩矩阵A 可分解成一个正交阵与一个主对角线元素都大于零的上三角阵之积,且这种分解是唯一的这个分解也称为矩阵的QR 分解。
证明:设12(,,,)n A ααα=,其中12,,,n ααα为A 的列向量A 为实满秩矩阵,12,,,n ααα∴线性无关,则可用施密特正交化方法,令11212211111(,)(,)(,)(,)n n i n ni i i i βααββαβββαββαβββ-==⎧⎪⎪=-⎪⎨⎪⎪=-⎪⎩∑ (1) 其中(,)αβαβ'=再将i β单位化,令1i i ir ββ= , 1,2,,i n = (2)则12,,,n r r r 为标准正交基,而12(,,,)n U r r r =为正交阵由(1)(2)解出i α,得1111212(,,,)(,,,)0n n n nn t t A r r r UT t ααα⎡⎤⎢⎥===⎢⎥⎢⎥⎣⎦其中1110n nn t t T t ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦为上三角阵 且0ii i t β=>为正实数再证唯一性:设还有正交阵1U 及对角线元素为正实数的上三角阵1T ,使11A U T =,下证: 11,U U T T ==令11B U U -=,则1111B U U TT --==,则B 既是正交阵又是上三角矩阵 即B 为对角矩阵,但T 与11T -的主对角线元素为正实数,从而1(,,),n B diag b b = 0,i b > 1,,i n =而由B 是正交阵,B E ∴= 即 1111E U U TT --== 1,U U ∴= 1T T = 证明完毕。
例1、 将102110123A ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦分解为正交矩阵与上三角矩阵之积。
解:令123(,,)A ααα=,其中i α为A 的列向量,对123,,ααα用施密特正交化方法得到正交向量123,,βββ 即 12312371161(,,)(,,)012001βββααα⎛⎫-- ⎪ ⎪⎪=- ⎪ ⎪ ⎪ ⎪⎝⎭在单位化得 12,,,n r r r 即1212300(,,,)(,,)000n r r r βββ⎤⎥⎥⎢⎥=⎢⎥⎢⎢⎢⎣令0Q ⎤⎥⎢=⎥⎢⎥⎥⎦ ,000R ⎢⎢=⎢⎢⎢⎢⎣则Q 为正交矩阵,R 为上三角矩阵,并且A QR =。
注:可见,在掌握QR 分解定理时,对起证明的思路及步骤也必须熟练掌握。
这样,在求矩阵A 的QR 分解时才能用到。
例2、(华中师大1994,1996)设A 是n 阶实可逆阵,证明:存在n 阶正交阵P 和 Q ,使100n a PAQ a ⎛⎫ ⎪=⎪ ⎪⎝⎭, 其中0(1,2,,)i a i n >= 且 22212,,,na a a 为A A '的全部特征值。
证明:由定理1知,存在正交阵C 和B ,使A=BC (1)其中B 的特征值 12,,,n a a a 均为正,且22212,,,na a a 为A A '的全部特征值, 由B 为正定阵,从而存在正交阵T ,使得100n a B T T a ⎛⎫⎪'=⎪ ⎪⎝⎭(2) 将(2)代入(1)得 1()00n a A CT T a ⎛⎫⎪'=⎪ ⎪⎝⎭11()00n a CT AT a -⎛⎫⎪''∴=⎪ ⎪⎝⎭, 即 100n a PAQ a ⎛⎫⎪= ⎪ ⎪⎝⎭(3) 其中1()P CT -'=, Q T '=均为正交阵。
注:我们可以将(3)改写为 100n a A P Q a ⎛⎫⎪''=⎪ ⎪⎝⎭, 这就是A 的一个分解即实可逆阵表示为(正交阵)(正定阵)(正交阵)之积。
例3、(浙江大学,天津师范大学)设A 为m n ⨯实矩阵,秩A=r ,则矩阵000D A P Q ⎡⎤'=⎢⎥⎣⎦,其中P ,Q 分别为m 阶和n 阶的正交矩阵,而12(,,,)r D diag a a a =,0i a > 1,2,,i r =。
证明:由题意知: AA '不是正定阵 (())r A r =从而存在正交阵P, 使 21200n AA P P λλ⎛⎫⎪''=⎪ ⎪⎝⎭(1) 又 ()()r r A r AA '== 不失一般性,不妨设222120r λλλ≥≥≥>,10r m λλ+===令 i i d λ= (1,2,,)i r =, 由(1)得 2000D AA P P ⎡⎤''=⎢⎥⎣⎦(2) 将P 分快,令[]12P P P =[]21212112000P D AA P P PD P P '⎡⎤⎡⎤''∴==⎢⎥⎢⎥'⎣⎦⎣⎦ (3)由于P 为正交阵, 1r P P E '∴=,用1P '左乘,1P 右乘(3)式两端得 211()P AA PD ''= (4) 令 111V D P A -''=,则 1V 为 r m ⨯ 实矩阵,且111111()()r V V D P A D P A E --''''== (5)[]1121122P E PP P P PP PP P '⎡⎤'''===+⎢⎥'⎣⎦122111111()E P P A PP A PDD P A PDV -''''-=== (6)由(6)得 1122A P D V P PA ''=+(7) 由于 ()r P A r '= 0P A X '∴= 有m r -个线性无关的解,将它们正交单位化后构造()m m r ⨯- 矩阵2V ,这样由 20P AV '= ,可得 122200P AV P AV ⎧'⎪=⎨'=⎪⎩ (8)(9)但 22V V E '= ,令 12(,)Q V V = 由于 112120V V D P AV -''==从而 Q 为正交阵,并(3)(8)式11212121212111()0P AV P A D P A P AA PP P PP P PD ---''''''''==== 1(0)P P '=由(9)式得 111221220()(,)00P D P AQ PDV P P A V V P ⎡⎤⎡⎤'''=+=⎢⎥⎢⎥⎣⎦⎣⎦(10)其中 12(,,,)n D diag d d d = 0i d > (1,2,,)i r =由(10)知 000D A P Q ⎡⎤'=⎢⎥⎣⎦。
(证法二)由假设,存在m 阶与n 阶可逆矩阵T,S ,使 000rE A T S ⎡⎤=⎢⎥⎣⎦对T ,S '作QR 分解,1T PR =,1S Q L ''= 其中1P ,1Q 分别为m 阶与n 阶正交矩阵,R ,L 分别为非奇异的正三角矩阵与下三角矩阵,则1211111132300000000rR R L E R L A P Q P Q R L L ⎡⎤⎡⎤⎡⎤⎡⎤''==⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦ (1) 其中1R 为R 的r 阶顺序主子阵,1L 为L 的r 阶下三角顺序主子阵,所以 11R L 是r 阶可逆矩阵,因而存在正交矩阵2P ,2Q '使 211212()(,,,)r P R L Q diag a a a '= (2)其中0i a > 1,2,,i r =。