基本概念
几何重数:方阵 AA 的属于特征值 λilambda_i 线性无关特征向量的个数 kk ;代数重数:方阵 AA 的特征值 λilambda_i相同的个数,就是相同特征值的个数 nn ;
显然,方阵 AA的每个特征值对应的几何重数小于等于代数重数,即 k≤nk le n
nn 阶矩阵AA 可相似对角化的充要条件: AA 有 nn 个线性无关的特征向量。
设 AA 是 n×nn times n 矩阵, λilambda_i 是其特征值,i=1,2,……,n。称 p(A)=max(|λi|)p(A)=max(|lambda_i|) 为A的谱半径。即矩阵A的谱半径等于矩阵A的特征值的模的最大值;若特征值为复数,则谱半径为实部与虚部的平方和的开方。
Jordan 矩阵,一定要注意是某个特征值的Jordan矩阵,多个特征值连在一起的话,把它看成分块矩阵就行。
由于幂级函数 ∑k=0∞ckλk=f(λ)sum_{k=0}^{infty}c_k lambda^k=f(lambda) ,推广到方阵 ∑k=0∞ckAk=f(A)sum_{k=0}^{infty}c_k A^k=f(A) .
这里的意思也是如果我们求 eAe^A ,那么也可以使用泰勒展开进行计算: eA=∑1k!Ake^A=sum frac{1}{k!}A^k
方阵 AA 的特征多项式 Characteristic polynomial
det(A?λI)=(λ1?λ)n1…(λs?λ)nsdet(A-lambda I)=(lambda_1 – lambda)^{n_1}… (lambda_s – lambda)^{n_s}
只有 AA 的一个特征值的几何重数小于其代数重数, AA 肯定就没有 nn 个线性无关的特征向量,也就说 AA 无法相似对角化。(其实就是看秩 ,线性无关向量的个数(几何重数)=n?rn – r )
Cayley-Hamilton定理:方阵 AA 的特征多项式一定是 AA 的一个零化多项式。
Note:这里可能会有点乱!主要我们平时说的多项式是 g(A)=2A2+3A?Ig(A)=2A^2+3A-I 这样,但是特征多项式是 g(λ)=det(A?λI)g(lambda)=det(A-lambda I) 千万不要搞混淆!!
Cayley-Hamilton定理表明: nn 阶方阵 AA 的高次幂 Ak(k≥n)A^k(kge n) 可由 I,A,…,An?1I,A,…,A^{n-1} 线性表出。
这里证明得非常详尽,我实在没有多少时间,只能记录一下重要结论。
首先,以方阵 AA 的多项式作为变量的多项式 g(A)g(A) 就称为 AA 的多项式,显然知道 g(A)g(A) , g(λ)g(lambda) 也可以轻易算出来。如果有 g(A)=Og(A)=O ,则称 g(λ)g(lambda) 是 AA 的零化多项式。
g(A)=a0Am+…+amIg(A)=a_0A^m+…+a_mI ,那么在 g(λ)g(lambda) 中 II 就是特征值为1的结果。
在 AA 的零化多项式 g(λ)g(lambda) 中,次数最低的首一(即最高次项的系数为1)多项式称为 AA 的最小多项式。一定有如下形式: mA(λ)=(λ1?λ)r1?…?(λs?λ)rsm_A(lambda)=(lambda_1 – lambda)^{r_1} – …- (lambda_s – lambda)^{r_s} 这里有写 r/mr/m
最小多项式非常重要,是后面求解的第一步!为什么一定是最小多项式?这是由于 infty} A^k=O”>limk?>∞Ak=Olim_{k-> infty} A^k=O . 写出 AA 的最小多项式,可得 Am=?(aoI+a1A+?am?1Am?1)A^m=-(a_oI + a_1A+-a_{m-1}A^{m-1}) , 表明 f(A)=∑k=0∞ckAkf(A)=sum_{k=0}^{infty}c_kA^k 可以由 AA 的某个次数不高于 m?1m-1 的多项式进行表示!同样有了这个多形式,就可以相应地写出 g(λ)g(lambda) .那么 g(λ)g(lambda) 就相当于一个“桥梁”,从而求出 f(A)”>f(λ)?>f(A)f(lambda)->f(A)
最小多项式的求法,针对Jordan矩阵,首先写出特征多项式,然后根据每一项算( J+λIJ +lambda I ,显然是幂矩阵),看看变为零矩阵需要多少次,最后 n?n- 次数就是最后的 rr
(一般应付考试,简单的题目直接特征多项式就是最小多项式了)
求方阵函数 g(A)g(A) 的两种办法:利用方阵 AA 的 JordanJordan 标准型与最小多项式
首先我们要了解 JordanJordan 块的性质,这是基于方阵的幂级数推导出来的,具体推导在p94.
这里就是一定要注意是否有重根,有重根就要求导,没重根就不用考虑了。
最小多项式g(λ)g(lambda)解题步骤:
写出最小多项式 g(λ)g(lambda) ,显然知道 g(λ)g(lambda) 就能知道 g(A)g(A) ;解出 g(A)=f(A)g(A)=f(A) 的条件,根据Jordan矩阵的性质,待定系数法把 bb 求出来( g(λ)=b0λm?1+….+bm?1g(lambda)=b_0lambda^{m-1} +….+b_{m-1} );
如何构造 g(λ)g(lambda) ?
上面说了 表f(A)=∑k=0∞ckAkf(A)=sum_{k=0}^{infty}c_kA^k 可以由 AA 的某个次数不高于 m?1m-1 的多项式进行表示!显然因为 Am?1A^{m-1} 对应着特征多项式(最小多项式)的 λm?1lambda^{m-1} ,也就是说举两个例子
mA(λ)=(λ?1)2(λ?2)m_A(lambda)=(lambda – 1)^2(lambda-2) , 即 λlambda 最高次是3,那么 3?1=23-1=2 ,我们构造 g(λ)=b0+b1λ+b2λ2g(lambda)=b_0 + b_1lambda +b_2lambda^2 . 注意有重根就要考虑求导mA(λ)=(λ?1)(λ?2)m_A(lambda)=(lambda – 1)(lambda-2) , 2?1=12-1=1 ,即 g(λ)=b0+b1λg(lambda)=b_0 + b_1lambda
还可以使用方阵 AA Jordan的标准型求解方阵函数
设 JJ 是 AA 的Jordan标准型,则存在可逆矩阵 PP 使得 A=PJP?1A=PJP^{-1} ,那么对应的 f(A)=PJ(f(J(λi)))P?1f(A)=PJ(f(J(lambda_i)))P^{-1} , 同样 PP 也是由 AA 的特征向量组成。(得到的 JJ 一定是Jordan标准型吗?是的,证明我也不记得了,到时补一下)
如果 AA 直接是Jordan标准型那就最好了,如果不是就对 AA 就行正交分解。
函数矩阵
主要应用在微分方程。这根我们之前高等数学算的套路是是一样的。只不过矩阵乘法不能满足交换律,有些地方还是需要注意先后顺序的。关键也是是先把 类似eAe^A 这样的方阵函数求出来。
一阶线性方程组可以表示成这个形式,没什么神秘的,就是方程组:
ddtx(t)=Ax(t)+g(t)frac{d}{dt}x(t)=Ax(t)+g(t) 其中 x(t)=[x1(t)……]Tx(t)=[x_1(t)……]^T 事实上可以理解为 x(t)=[x,x′,x″,x?……]Tx(t)=[x,x,x,x……]^T ,通过矩阵的形式来表示我们的一阶线性方程组。
对于任何方阵 AA , eAte^{A^t} 可逆,且 (eAt)?1=e?At(e^{A^t})^{-1}=e^{-A^t} ,则有 ddteAt=AeAt=eAtAfrac{d}{dt}e^{At}=Ae^{A_t}=e^{A_t}A . sin(At),cos(At)sin(At),cos(At) 同理。
求解初值问题例题:
和高数一样,我们知道 x(t)=eA(t?t0)x(t0)+∫t0teA(t?t0)g(τ)dτx(t)=e^{A(t-t_0)}x(t_0) + int_{t_0}^{t}e^{A(t-t_0)}g(tau)dtau , AA 就是系数, BB 就是另外的[1,-1],再计算的时候一定要保证左右顺序。
首先根据计算方阵函数的方法把 eAte^{At} 求出来,然后积分区间变换,然后是乘以 A?1A^{-1} ,(不要理所当然乘以 1Afrac{1}{A} ,除非是求行列式),接下来乘出来就是了。
如何求 x(t)x(t) ,本质上也是构造的。
如果是对于齐次线性微分方程 组x′?Ax=0x – Ax=0 就简单点啦, 通解为 x(t)=eAtbx(t)=e^{At}b 。
如果是非齐次线性微分方程组就稍微复杂点,求导多了一项,通解为 x(t)=eAtb(t)x(t)=e^{At}b(t).
首先对 x(t)x(t) 求导。积分空间是 [t0,t][t_0,t]
然后就是要把 b(t)b(t) 的表达式算出来,求逆,再积分。
那么直接带进去就行咯。(时间长了也有点忘记了。。。)这里看起来可能不是很直接,就是说上面对 tt 求导的时候,这个 tt 并不是积分区间的 tt ,所以上面对 b(t)b(t) 积分的时候,我们用了 τtau 来替代(积分换元),把 tt 看成常量。然后再下面化简的时候,显然在积分的时候也是把 tt 看成常量,就可以把 eAte^{At} 也带进去算了。
参考资料:
高等工程数学
如若转载,请注明出处:https://www.po4.xyz/41382.html