线性代数系列：特征值和特征向量相关

作者: xiaogp | 来源:发表于2025-08-07 14:34 被阅读0次

2020-01-08培训
SVD（奇异值分解) ——多少人曾羡慕你年轻时的容颜。。
特征值、特征向量和奇异值
Tensorflow快餐教程(6) - 矩阵分解
NLTK之相关库
对特征值与特征向量的浅见
[补充]特征值特征向量
线性代数启示录(一)
Chapter4——矩阵特征值与特征向量和相似对角化
特征值特征向量（题型）

关键词：线性代数，特征值，特征向量

内容摘要

矩阵的变换和矩阵自身，特征值和特征向量的关系
用特征值和特征向量的定义求矩阵中未知数
已知相似矩阵的特征值和特征向量，求矩阵的特征值和特征向量
相似对角化等式的变换计算
实对称矩阵的相似对角化性质和施密对角化

矩阵的变换和矩阵自身，特征值和特征向量的关系

例题[1]

已知 $A$ 是 $n$ 阶可逆矩阵，那么与 $A$ 有相同特征值的矩阵是：

A. $A^T$
B. $A^2$
C. $A^{-1}$
D. $A - E$

A.矩阵的转置，矩阵的行列式，秩，特征值不变
B.矩阵的幂运算后，矩阵的特征值也对应做幂
证明
设 $A\mathbf{v} = \lambda \mathbf{v}$ ，
两边左乘 $A$ ：
$A^2\mathbf{v} = A(\lambda \mathbf{v}) = \lambda A\mathbf{v}$
将 $A\mathbf{v} = \lambda \mathbf{v}$ 代入：
$A^2\mathbf{v} = \lambda \cdot (\lambda \mathbf{v}) = \lambda^2 \mathbf{v}$
符合特征值与特征向量的定义。

因此， $A^2$ 的特征值是 $\lambda^2$ 。
C.矩阵的逆运算后，矩阵的特征值也同样取倒数
证明
设 $A\mathbf{v} = \lambda \mathbf{v}$ ，
两边左乘 $A^{-1}$ ：
$A^{-1}A\mathbf{v} = A^{-1}(\lambda \mathbf{v}) \Rightarrow \mathbf{v} = \lambda A^{-1}\mathbf{v}$
将 $\lambda$ 移到左边：
$\frac{1}{\lambda} \mathbf{v} = A^{-1}\mathbf{v}$
即：
$A^{-1}\mathbf{v} = \frac{1}{\lambda} \mathbf{v}$
符合特征值与特征向量的定义。

因此， $A^{-1}$ 的特征值是 $\frac{1}{\lambda}$ 。

D.矩阵做单位阵的加减运算之后，对应的λ也做加减操作
证明
举例：设某矩阵的特征值为 $a, b, \ldots$ ，则其特征矩阵（即 $\lambda I - A$ ）可表示为：

$\begin{bmatrix} \lambda - a & 0 \\ 0 & \lambda - b \end{bmatrix}$

此时，若原矩阵减去单位矩阵 $E$ ，即考虑矩阵 $A - E$ ，
则其对应的特征矩阵为：

$\lambda I - (A - E) = (\lambda I - A) + I = \begin{bmatrix} \lambda - a + 1 & 0 \\ 0 & \lambda - b + 1 \end{bmatrix} = \begin{bmatrix} \lambda - (a - 1) & 0 \\ 0 & \lambda - (b - 1) \end{bmatrix}$

这说明 $A - E$ 的特征值为 $a - 1, b - 1, \ldots$

若想让 $A - E$ 的特征矩阵与原矩阵的特征矩阵形式一致（即保持 $\lambda$ 的位置对应原特征值），
需将新的特征矩阵中的 $\lambda$ 替换为 $\lambda - 1$ ，
即：令

所以选A

[例题2]

设 $A$ 为 3 阶矩阵，非零向量 $\alpha_i$ 是方程 $A\alpha_i = (i-1)\alpha_i$ 的解，其中 $i = 1, 2, 3$ ，则矩阵 $A^2 + E$ 的迹为：

A. 1
B. 2
C. 5
D. 8

解:
由题意得：

$A\alpha_1 = 0 \cdot \alpha_1 \Rightarrow \lambda_1 = 0$
$A\alpha_2 = 1 \cdot \alpha_2 \Rightarrow \lambda_2 = 1$
$A\alpha_3 = 2 \cdot \alpha_3 \Rightarrow \lambda_3 = 2$

因此，矩阵 $A$ 的三个特征值为 $0, 1, 2$ 。

则 $A^2$ 的特征值为：
$0^2 = 0,\quad 1^2 = 1,\quad 2^2 = 4$

$A^2 + E$ 的特征值为：
$0 + 1 = 1,\quad 1 + 1 = 2,\quad 4 + 1 = 5$

矩阵的迹等于其特征值之和，故：
$\text{tr}(A^2 + E) = 1 + 2 + 5 = 8$

✅ 答案选 D. 8

用特征值和特征向量的定义求矩阵中未知数

特征值和特征向量的定义公式为 $A\mathbf{v} = \lambda\mathbf{v}$ ，即一个矩阵乘以一个列向量，等于一个常数乘以这个列向量。

例题1

已知 $\boldsymbol{\alpha} = (a, 1, 1)^T$ 是矩阵
$A = \begin{bmatrix} -1 & 2 & 2 \\ 2 & a & -2 \\ 2 & -2 & -1 \\ \end{bmatrix}$
的逆矩阵 $A^{-1}$ 的特征向量，那么 $\boldsymbol{\alpha}$ 在矩阵 $A$ 中对应的特征值是 __。

解:
尝试解出特征向量α，和对应的特征值λ，根据定义
$\begin{bmatrix} -1 & 2 & 2 \\ 2 & a & -2 \\ 2 & -2 & -1 \\ \end{bmatrix}^{-1} \begin{bmatrix} a \\ 1 \\ 1 \\ \end{bmatrix} = \lambda \begin{bmatrix} a \\ 1 \\ 1 \\ \end{bmatrix}$

左乘A
$\begin{bmatrix} a \\ 1 \\ 1 \\ \end{bmatrix} = \lambda \begin{bmatrix} -1 & 2 & 2 \\ 2 & a & -2 \\ 2 & -2 & -1 \\ \end{bmatrix} \begin{bmatrix} a \\ 1 \\ 1 \\ \end{bmatrix}$

展开
从方程组：

$\begin{aligned} \lambda(-a + 4) &= a \\ \lambda(3a - 2) &= 1 \\ \lambda(2a - 3) &= 1 \\ \end{aligned}$

可以推导出：

从第二和第三个方程得到：
$\lambda(3a - 2) = \lambda(2a - 3)$
即：
$3a - 2 = 2a - 3$
解得：
$a = -1$
将 $a = -1$ 代入任一方程（例如第二个方程）求解 $\lambda$ ：
$\lambda(3(-1) - 2) = 1 \Rightarrow \lambda(-5) = 1 \Rightarrow \lambda = -\frac{1}{5}$

因此，在矩阵 $A^{-1}$ 下，特征值为 $-\frac{1}{5}$ 对应的特征向量是 $\begin{bmatrix} -1 \\ 1 \\ 1 \end{bmatrix}$ 。

由于 $A^{-1}$ 的特征值与 $A$ 的特征值互为倒数关系，所以在矩阵 $A$ 下该特征向量对应的特征值为 $-5$ 。

总结：

在 $A^{-1}$ 下，特征值为 $-\frac{1}{5}$ ，对应的特征向量为 $\begin{bmatrix} -1 \\ 1 \\ 1 \end{bmatrix}$ 。
在 $A$ 下，该特征向量对应的特征值为 $-5$ 。

已知相似矩阵的特征值和特征向量，求矩阵的特征值和特征向量

若矩阵 $A$ 和矩阵 $B$ 是相似矩阵，即存在可逆矩阵 $P$ ，使得：

$P^{-1} A P = B$

则有以下结论：

特征值相同：
矩阵 $A$ 和 $B$ 具有相同的特征值。
这是因为相似变换不改变矩阵的特征多项式，从而特征值保持不变。
特征向量的关系：
若 $\mathbf{v}$ 是矩阵 $A$ 的一个特征向量，对应特征值 $\lambda$ ，即：
$A \mathbf{v} = \lambda \mathbf{v}$
则 $B$ 对应于同一特征值 $\lambda$ 的特征向量为 $\mathbf{w} = P^{-1} \mathbf{v}$ 。
换句话说， $B$ 的特征向量是 $A$ 的特征向量经过 $P^{-1}$ 变换得到的。

反之，若 $\mathbf{w}$ 是 $B$ 的特征向量，即 $B \mathbf{w} = \lambda \mathbf{w}$ ，
则 $A$ 的对应特征向量为 $\mathbf{v} = P \mathbf{w}$ 。

总结：

特征值： $A$ 与 $B$ 相同。
特征向量：通过变换矩阵 $P$ 或 $P^{-1}$ 相互转换。

例题2

已知 $P^{-1} A P = B$ ，其中
$B = \begin{bmatrix} 1 & -1 & 2 \\ 2 & -2 & 4 \\ 1 & -1 & 2 \end{bmatrix}, \quad P = (a_1, a_2, a_3)$

则矩阵A关于特征值0的特征向量是__

解:
因为 $A \sim B$ ，即 $A$ 与 $B$ 相似（已知 $P^{-1}AP = B$ ），所以 $A$ 与 $B$ 具有相同的特征值，且在相同特征值下，它们的特征向量通过变换矩阵 $P$ 或 $P^{-1}$ 相互关联。

题目中给出了矩阵 $B$ 的具体形式：
$B = \begin{bmatrix} 1 & -1 & 2 \\ 2 & -2 & 4 \\ 1 & -1 & 2 \end{bmatrix}$
以及 $P = (a_1, a_2, a_3)$ ，即由列向量 $a_1, a_2, a_3$ 构成的可逆矩阵。

求矩阵 $B$ 的特征值

计算特征多项式：
$|\lambda E - B| = \begin{vmatrix} \lambda - 1 & 1 & -2 \\ -2 & \lambda + 2 & -4 \\ -1 & 1 & \lambda - 2 \end{vmatrix}$

进行行变换化简：

第二行加上第一行的2倍：
$R_2 \leftarrow R_2 + 2R_1: \begin{vmatrix} \lambda - 1 & 1 & -2 \\ 2(\lambda - 1) - 2 & 2 + (\lambda + 2) & -4 - 4 \\ -1 & 1 & \lambda - 2 \end{vmatrix} \Rightarrow \begin{vmatrix} \lambda - 1 & 1 & -2 \\ 0 & \lambda & -2\lambda \\ -1 & 1 & \lambda - 2 \end{vmatrix}$
第三行加上第一行：
$R_3 \leftarrow R_3 + R_1: \Rightarrow \begin{vmatrix} \lambda - 1 & 1 & -2 \\ 0 & \lambda & -2\lambda \\ \lambda - 2 & 2 & \lambda - 4 \end{vmatrix}$

更简洁方式（直接展开或观察）可得：

通过进一步化简或计算，最终得到：
$|\lambda E - B| = \lambda^3 - \lambda^2 = \lambda^2(\lambda - 1)$

所以特征值为：
$\lambda_1 = \lambda_2 = 0, \quad \lambda_3 = 1$

解方程 $(0E - B)\mathbf{x} = -B\mathbf{x} = 0$ ，即 $B\mathbf{x} = 0$

$B = \begin{bmatrix} 1 & -1 & 2 \\ 2 & -2 & 4 \\ 1 & -1 & 2 \end{bmatrix} \Rightarrow \text{行化简为} \begin{bmatrix} 1 & -1 & 2 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{bmatrix}$

对应方程： $x_1 - x_2 + 2x_3 = 0$

令 $x_2 = s$ , $x_3 = t$ ，则 $x_1 = s - 2t$

通解为：
$\mathbf{x} = s \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix} + t \begin{bmatrix} -2 \\ 0 \\ 1 \end{bmatrix}$

所以 $B$ 属于特征值 0 的特征向量为：
$\mathbf{v}_1 = \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix}, \quad \mathbf{v}_2 = \begin{bmatrix} -2 \\ 0 \\ 1 \end{bmatrix}$

由于 $P^{-1}AP = B$ ，则 $A = PBP^{-1}$ ，且有如下关系：

若 $B\mathbf{v} = \lambda \mathbf{v}$ ，则
$AP\mathbf{v} = PBP^{-1}(P\mathbf{v}) = PB\mathbf{v} = P(\lambda \mathbf{v}) = \lambda (P\mathbf{v})$

因此， $P\mathbf{v}$ 是 $A$ 的属于特征值 $\lambda$ 的特征向量。

将 $B$ 的特征向量左乘 $P$ 得到 $A$ 的特征向量：

$P \begin{bmatrix} 1 \\ 1 \\ 0 \end{bmatrix} = 1 \cdot a_1 + 1 \cdot a_2 + 0 \cdot a_3 = a_1 + a_2$
$P \begin{bmatrix} -2 \\ 0 \\ 1 \end{bmatrix} = -2 \cdot a_1 + 0 \cdot a_2 + 1 \cdot a_3 = -2a_1 + a_3$

矩阵 $A$ 关于特征值 0 的特征向量是上述两个向量的任意非零线性组合：

$\boxed{k_1(a_1 + a_2) + k_2(-2a_1 + a_3), \quad k_1, k_2 \text{ 不全为 } 0}$

即：特征向量构成一个二维子空间，由 $a_1 + a_2$ 和 $-2a_1 + a_3$ 张成。

例题3

设 $A$ 是三阶矩阵， $a_1, a_2, a_3$ 是三维线性无关的列向量，且满足：

$\begin{cases} A a_1 = a_2 + a_3 \\ A a_2 = a_1 + a_3 \\ A a_3 = a_1 + a_2 \end{cases}$

求矩阵 $A$ 的特征值。

解:
此题将 $(a_1, a_2, a_3)$ 视为矩阵，记作 $P = (a_1, a_2, a_3)$ 。
根据题中给出的三个等式：

$\begin{cases} A a_1 = a_2 + a_3 \\ A a_2 = a_1 + a_3 \\ A a_3 = a_1 + a_2 \end{cases}$

可将其整体看作矩阵的线性变换：

$A(a_1, a_2, a_3) = (A a_1, A a_2, A a_3) = (a_2 + a_3,\ a_1 + a_3,\ a_1 + a_2)$

将右边用 $a_1, a_2, a_3$ 线性表示，可得：

$(a_2 + a_3,\ a_1 + a_3,\ a_1 + a_2) = (a_1, a_2, a_3) \begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{bmatrix}$

即：

$A P = P B, \quad \text{其中 } B = \begin{bmatrix} 0 & 1 & 1 \\ 1 & 0 & 1 \\ 1 & 1 & 0 \end{bmatrix}$

由于 $a_1, a_2, a_3$ 线性无关，故 $P$ 可逆。
因此：

$P^{-1} A P = B \quad \Rightarrow \quad A \sim B$

即矩阵 $A$ 与矩阵 $B$ 相似。

相似矩阵具有相同的特征值，因此 $A$ 的特征值等于 $B$ 的特征值。

计算 $B$ 的特征值：

$\det(\lambda I - B) = \begin{vmatrix} \lambda & -1 & -1 \\ -1 & \lambda & -1 \\ -1 & -1 & \lambda \end{vmatrix} = (\lambda - 2)(\lambda + 1)^2$

解得特征值为：
$\lambda_1 = \lambda_2 = -1, \quad \lambda_3 = 2$

矩阵 $A$ 的特征值为：

$\boxed{-1,\ -1,\ 2}$

相似对角化等式的变换计算

例题

设 $A$ 是三阶矩阵，其特征值为 $1, 3, -2$ ，相应的特征向量依次是 $\alpha_1, \alpha_2, \alpha_3$ 。
若 $P = [\alpha_1,\ 2\alpha_3,\ -\alpha_2]$ ，则 $P^{-1}AP =$ ?

A.
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & -2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$

B.
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & -4 & 0 \\ 0 & 0 & -3 \end{bmatrix}$

C.
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & -2 & 0 \\ 0 & 0 & -3 \end{bmatrix}$

D.
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & -2 \end{bmatrix}$

解:
因为A的三个特征值不同，所以A必定可以做相似对角化，有
$[\alpha_1, \alpha_2, \alpha_3]^{-1} A [\alpha_1, \alpha_2, \alpha_3] = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & -2 \end{bmatrix}$

题中
$P = [\alpha_1,\ 2\alpha_3,\ -\alpha_2] = [\alpha_1,\ \alpha_2,\ \alpha_3] \begin{bmatrix} 1 & 0 & 0 \\ 0 & 0 & -1 \\ 0 & 2 & 0 \end{bmatrix}$

因此
$P^{-1}AP = \left( [\alpha_1, \alpha_2, \alpha_3] \begin{bmatrix} 1 & 0 & 0 \\ 0 & 0 & -1 \\ 0 & 2 & 0 \end{bmatrix} \right)^{-1} A \left( [\alpha_1, \alpha_2, \alpha_3] \begin{bmatrix} 1 & 0 & 0 \\ 0 & 0 & -1 \\ 0 & 2 & 0 \end{bmatrix} \right)$

结果已经显而易见，把逆展开后中间直接凑出对角阵，最终化为求三个矩阵的乘积，结果为
$\begin{bmatrix} 1 & 0 & 0 \\ 0 & -2 & 0 \\ 0 & 0 & 3 \end{bmatrix}$

选A。

实对称矩阵的相似对角化性质和施密对角化

实对称矩阵的相似对角化有以下性质

实对称矩阵一定可以做相似对角化，且不同特征值对应的特征向量正交
实对称矩阵也一定可以正交对角化，只需要对相同特征值对应的非正交特征向量做施密特正交化即可

例题4

已知 $A$ 是三阶实对称矩阵，若存在正交矩阵 $Q$ ，使得
$Q^{-1} A Q = \begin{bmatrix} 3 & 0 & 0 \\ 0 & 3 & 0 \\ 0 & 0 & 6 \end{bmatrix}$

且已知：
$\mathbf{a}_1 = \begin{bmatrix} 1 \\ 0 \\ -1 \end{bmatrix}, \quad \mathbf{a}_2 = \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix}$
是矩阵 $A$ 属于特征值 $\lambda = 3$ 的特征向量。

求正交矩阵 $Q = ?$

解:
要求正交矩阵 $Q$ ，已知 $a_1 = \begin{bmatrix} 1 \\ 0 \\ -1 \end{bmatrix}$ 、 $a_2 = \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix}$ 是矩阵 $A$ 属于特征值 $\lambda = 3$ 的特征向量。

由于 $A$ 是实对称矩阵，不同特征值对应的特征向量相互正交。设属于特征值 $\lambda = 6$ 的特征向量为：
$a_3 = \begin{bmatrix} x_1 \\ x_2 \\ x_3 \end{bmatrix}$
则 $a_3$ 应与 $a_1$ 、 $a_2$ 正交：

$a_3 \cdot a_1 = 0 \Rightarrow x_1 - x_3 = 0 \Rightarrow x_1 = x_3 \\ a_3 \cdot a_2 = 0 \Rightarrow x_2 + x_3 = 0 \Rightarrow x_2 = -x_3$

令 $x_3 = 1$ ，则 $x_1 = 1$ ， $x_2 = -1$ ，得基础解系：
$a_3 = \begin{bmatrix} 1 \\ -1 \\ 1 \end{bmatrix}$

现在有三个线性无关的特征向量： $a_1, a_2, a_3$ 。但由于 $a_1$ 与 $a_2$ 不正交（ $a_1 \cdot a_2 = -1 \ne 0$ ），不能直接单位化构造 $Q$ ，需对 $(a_1, a_2, a_3)$ 使用 施密特正交化 构造一组正交基。

施密特正交化：

令：

$s_1 = a_1 = \begin{bmatrix} 1 \\ 0 \\ -1 \end{bmatrix}$
$s_2 = a_2 - \frac{\langle a_2, s_1 \rangle}{\|s_1\|^2} s_1$

计算：

$\langle a_2, s_1 \rangle = 0\cdot1 + 1\cdot0 + 1\cdot(-1) = -1$
$\|s_1\|^2 = 1^2 + 0^2 + (-1)^2 = 2$

所以：
$s_2 = \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix} - \frac{-1}{2} \begin{bmatrix} 1 \\ 0 \\ -1 \end{bmatrix} = \begin{bmatrix} 0 \\ 1 \\ 1 \end{bmatrix} + \begin{bmatrix} \frac{1}{2} \\ 0 \\ -\frac{1}{2} \end{bmatrix} = \begin{bmatrix} \frac{1}{2} \\ 1 \\ \frac{1}{2} \end{bmatrix}$

$s_3 = a_3$ （已与 $s_1, s_2$ 正交，无需调整）

于是得到正交向量组：
$(s_1, s_2, s_3) = \begin{bmatrix} 1 & \frac{1}{2} & 1 \\ 0 & 1 & -1 \\ -1 & \frac{1}{2} & 1 \end{bmatrix}$

单位化：

$\|s_1\| = \sqrt{2} \Rightarrow \mathbf{q}_1 = \frac{1}{\sqrt{2}} \begin{bmatrix} 1 \\ 0 \\ -1 \end{bmatrix}$
$\|s_2\| = \sqrt{ \left(\frac{1}{2}\right)^2 + 1^2 + \left(\frac{1}{2}\right)^2 } = \sqrt{ \frac{1}{4} + 1 + \frac{1}{4} } = \sqrt{ \frac{3}{2} } = \frac{\sqrt{6}}{2} \Rightarrow \mathbf{q}_2 = \frac{2}{\sqrt{6}} \begin{bmatrix} \frac{1}{2} \\ 1 \\ \frac{1}{2} \end{bmatrix} = \begin{bmatrix} \frac{1}{\sqrt{6}} \\ \frac{2}{\sqrt{6}} \\ \frac{1}{\sqrt{6}} \end{bmatrix}$
$\|s_3\| = \sqrt{1^2 + (-1)^2 + 1^2} = \sqrt{3} \Rightarrow \mathbf{q}_3 = \frac{1}{\sqrt{3}} \begin{bmatrix} 1 \\ -1 \\ 1 \end{bmatrix}$

构造正交矩阵 $Q$ ：

将单位正交向量作为列向量：

$Q = \begin{bmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{3}} \\ 0 & \frac{2}{\sqrt{6}} & -\frac{1}{\sqrt{3}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{3}} \end{bmatrix}$

✅ 最终答案：

$\boxed{ Q = \begin{bmatrix} \dfrac{1}{\sqrt{2}} & \dfrac{1}{\sqrt{6}} & \dfrac{1}{\sqrt{3}} \\ 0 & \dfrac{2}{\sqrt{6}} & -\dfrac{1}{\sqrt{3}} \\ -\dfrac{1}{\sqrt{2}} & \dfrac{1}{\sqrt{6}} & \dfrac{1}{\sqrt{3}} \end{bmatrix} }$

2020-01-08培训
numpy and pandas分别用来传数据和分析数据线性代数：特征值和特征向量特征值,即一个常数*某特征向量...
SVD（奇异值分解) ——多少人曾羡慕你年轻时的容颜。。
一、特征值分解 who is 特征值和特征向量？说道特征值和特征向量就不得不翻开大学学的线性代数来看一遍定义了。...
特征值、特征向量和奇异值
特征值和特征向量 1 特征值分解与特征向量特征值分解可以得到特征值(eigenvalues)与特征向量(eige...
Tensorflow快餐教程(6) - 矩阵分解
摘要：特征分解，奇异值分解，Moore-Penrose广义逆矩阵分解特征向量和特征值我们在《线性代数》课学过...
NLTK之相关库
NLTK之 NUmpy库 NLTK之SciPy库线性代数特征值与特征向量稀疏矩阵（DOK,LOL,COL,CRS...
对特征值与特征向量的浅见
2013年注：下面这篇写关于“特征值和特征向量”的理解，是在本人（紫松同学）考研期间复习线性代数时思考好些天写的（...
[补充]特征值特征向量
配图不同的特征值的特征向量一定线性无关，普通矩阵特征值相同的特征向量可能线性相关，也可能线性无关，实对称矩阵特征...
线性代数启示录(一)
线性代数的内容包含向量空间，子空间，内积空间，线性变换，矩阵理论，特征值和特征向量，二次型等等，矩阵论因其广泛应用...
Chapter4——矩阵特征值与特征向量和相似对角化
1. 特征值与特征向量定义：注意：只有方阵具有特征值与特征向量，不同特征值所对应的特征向量之间线性无关如何理...
特征值特征向量（题型）
求特征值和特征向量注：写可逆矩阵，把对角矩阵也写在一旁，和特征值一一对应特征向量的表示法特征向量你会表示吗？...

线性代数系列：特征值和特征向量相关

内容摘要

矩阵的变换和矩阵自身，特征值和特征向量的关系

例题[1]

[例题2]

用特征值和特征向量的定义求矩阵中未知数

例题1

总结：

已知相似矩阵的特征值和特征向量，求矩阵的特征值和特征向量

例题2

例题3

相似对角化等式的变换计算

例题

实对称矩阵的相似对角化性质和施密对角化

例题4

施密特正交化：

单位化：

构造正交矩阵 $Q$ ：

✅ 最终答案：

相关文章

2020-01-08培训

SVD（奇异值分解) ——多少人曾羡慕你年轻时的容颜。。

特征值、特征向量和奇异值

Tensorflow快餐教程(6) - 矩阵分解

NLTK之相关库

对特征值与特征向量的浅见

[补充]特征值特征向量

线性代数启示录(一)

Chapter4——矩阵特征值与特征向量和相似对角化

特征值特征向量（题型）

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

线性代数系列：特征值和特征向量相关

内容摘要

矩阵的变换和矩阵自身，特征值和特征向量的关系

例题[1]

[例题2]

用特征值和特征向量的定义求矩阵中未知数

例题1

总结：

已知相似矩阵的特征值和特征向量，求矩阵的特征值和特征向量

例题2

例题3

相似对角化等式的变换计算

例题

实对称矩阵的相似对角化性质和施密对角化

例题4

施密特正交化：

单位化：

构造正交矩阵 ：

✅ 最终答案：

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

构造正交矩阵 $Q$ ：