矩阵分析系统学习笔记

本系列所有文章来自东北大学韩志涛老师的矩阵分析课程学习笔记，系列如下：
矩阵分析 (一) 线性空间和线性变换
矩阵分析 (二) 内积空间
矩阵分析 (三) 矩阵的标准形
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (五) 矩阵的分解
矩阵分析 (六) 矩阵的函数
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (八) 矩阵的直积

文章目录

矩阵分析系统学习笔记
- 哈密顿-凯莱定理以及矩阵的最小多项式
- - 哈密顿-凯莱定理
  - 最小多项式
- 矩阵的相似对角
- 约当标准形
- - 求解约当标准形
- 史密斯标准形

相似变换是矩阵的一种重要的变换，本章研究矩阵在相似变换下的简化问题，这是矩阵理论的基本问题之一。这种分解简介形式在许多领域中都有重要的作用。

在开始之前说一下矩阵的一些基本概念，设矩阵A=(aij)n×nA=(a_{ij})_{n \times n}A=(aij)n×n，将矩阵AAA的元素aija_{ij}aij所在的第iii行第jjj列划去后，剩余的各元素按原来的排列顺序组成的n−1n-1n−1阶矩阵所确定的行列式称为元素aija_{ij}aij的余子式，记为MijM_{ij}Mij，称Aij=(−1)i+jMijA_{ij}=(-1)^{i+j}M_{ij}Aij=(−1)i+jMij为元素aija_{ij}aij的代数余子式。

方阵A=(aij)n×nA=(a_{ij})_{n \times n}A=(aij)n×n的各元素的代数余子式AijA_{ij}Aij所构成的如下矩阵A∗A^{*}A∗：

A11A21⋯An1A12A22⋯x⋮⋮⋮A1nA2n⋯Ann\begin{array}{cccc}{A_{11}} & {A_{21}} & {\cdots} & {A_{n 1}} \\ {A_{12}} & {A_{22}} & {\cdots} & {x} \\ {\vdots} & {\vdots} & {} & {\vdots} \\ {A_{1 n}} & {A_{2 n}} & {\cdots} & {A_{n n}}\end{array} A11A12⋮A1nA21A22⋮A2n⋯⋯⋯An1x⋮Ann

该矩阵A∗A^{*}A∗称为AAA的伴随矩阵。具有以下性质：A∗A=∣A∣EA^{*}A=|A|EA∗A=∣A∣E。

哈密顿-凯莱定理以及矩阵的最小多项式

本节讨论特征多项式的性质，并讨论另一种重要的多项式-最小多项式。

哈密顿-凯莱定理

定理3.1：(哈密顿-凯莱定理)每个nnn阶矩阵都是它的特征多项式的根，设AAA为nnn阶矩阵，

f(λ)=∣λE−A∣f(\lambda)=|\lambda E - A| f(λ)=∣λE−A∣

=λn+an−1λn−1+⋯+a1λ+a0= \lambda^{n} + a_{n-1} \lambda^{n-1} + \cdots +a_{1} \lambda +a_{0} =λn+an−1λn−1+⋯+a1λ+a0

则

f(A)=An+an−1An−1+⋯+a1A+a0E=Of(A)=A^{n} + a_{n-1}A^{n-1} + \cdots + a_{1}A + a_{0} E =O f(A)=An+an−1An−1+⋯+a1A+a0E=O

例1 ：设矩阵：

A=(1020−11010)A=\left(\begin{array}{ccc} {1} & {0} & {2} \\ {0} & {-1} & {1} \\ {0} & {1} & {0} \end{array}\right) A=⎝⎛1000−11210⎠⎞

试计算：

φ(A)=2A8−3A5+A4+A2+2E\varphi(A)=2A^{8}-3A^{5}+A^{4}+A^{2}+2E φ(A)=2A8−3A5+A4+A2+2E

解因为多项式为：

f(λ)=∣λE−A∣=λ3−2λ+1f(\lambda)=|\lambda E- A| =\lambda^{3}-2\lambda+1 f(λ)=∣λE−A∣=λ3−2λ+1

再取多项式：

φ(λ)=2λ8−3λ5+λ4+λ2−4\varphi(\lambda)=2\lambda^{8} -3 \lambda^{5}+\lambda^{4}+\lambda^{2}-4 φ(λ)=2λ8−3λ5+λ4+λ2−4

以f(λ)f(\lambda)f(λ)去除φ(λ)\varphi(\lambda)φ(λ)可得余式：

r(λ)=24λ2−37λ+10r(\lambda)=24\lambda^{2}-37\lambda+10 r(λ)=24λ2−37λ+10

由哈密顿-凯莱定理，f(A)=Of(A)=Of(A)=O，所以：

φ(A)=r(A)=24A2−37A+10E\varphi(A)=r(A)=24A^{2}-37A+10E φ(A)=r(A)=24A2−37A+10E

=(−348−26095−60−6134)= \left(\begin{array}{ccc} {-3} & {48} & {-26} \\ {0} & {95} & {-6} \\ {0} & {-61} & {34} \end{array}\right) =⎝⎛−3004895−61−26−634⎠⎞

最小多项式

一般地说，若AAA是一个方阵，φ(A)\varphi(A)φ(A)是一个多项式，φ(A)=O\varphi(A)=Oφ(A)=O，这种多项式叫作矩阵AAA的零化多项式，可见每一个矩阵都有零化多项式，并且零化多项式一定有无穷多个，因为特征多项式乘以任何一个多项式还是零化多项式。

那有没有一个次数最低的零化多项式呢？

定义3.1：设A∈Cn×nA \in C^{n \times n}A∈Cn×n，在AAA的零化多项式中，次数最低的首项系数为1的多项式，称为矩阵AAA的最小多项式，记作m(λ)m(\lambda)m(λ)
定理3.2：矩阵AAA的任何零化多项式都能被它的最小多项式整除。
定理3.3：矩阵AAA的最小多项式唯一。
定理3.4 ：矩阵AAA的特征多项式的根一定是最小多项式的根，反过来，最小多项式的根也一定是特征多项式的根。

设矩阵A∈Cn×nA\in C^{n\times n}A∈Cn×n的所有特征值为λ1,⋯,λs\lambda_{1},\cdots,\lambda_{s}λ1,⋯,λs，又AAA的特征多项式为：

f(λ)=∣λE−A∣f(\lambda)=|\lambda E-A| f(λ)=∣λE−A∣

=(λ−λ1)k1(λ−λ2)k2⋯(λ−λs)ks=(\lambda-\lambda_{1})^{k_{1}}(\lambda-\lambda_{2})^{k_{2}} \cdots (\lambda-\lambda_{s})^{k_{s}} =(λ−λ1)k1(λ−λ2)k2⋯(λ−λs)ks

则AAA的最小多项式一定具有如下形式：

m(λ)=(λ−λ1)n1(λ−λ2)n2⋯(λ−λs)nsm(\lambda)=(\lambda-\lambda_{1})^{n_{1}}(\lambda-\lambda_{2})^{n_{2}}\cdots(\lambda-\lambda_{s})^{n_{s}} m(λ)=(λ−λ1)n1(λ−λ2)n2⋯(λ−λs)ns

这里ni≤kin_{i} \leq k_{i}ni≤ki。

矩阵的相似对角

把矩阵化为对角形对于解决很多问题都有帮助，如解微分方程组：

dx1dt=λ1x1dx2dt=λ2x2}\left.\begin{array}{l} {\frac{\mathrm{d} x_{1}}{\mathrm{d} t}=\lambda_{1} x_{1}} \\ {\frac{\mathrm{d} x_{2}}{\mathrm{d} t}=\lambda_{2} x_{2}} \end{array}\right\} dtdx1=λ1x1dtdx2=λ2x2}

容易解出：

x1=C1eλ1t,x2=C2eλ2tx_{1}=C_{1}e^{\lambda_{1}t},x_{2}=C_{2}e^{\lambda_{2}t} x1=C1eλ1t,x2=C2eλ2t

而

{dx1dt=a11x1+a12x2dx2dt=a21x1+a22x2\left\{\begin{array}{l} {\frac{\mathrm{d} x_{1}}{\mathrm{d} t}=a_{11} x_{1}+a_{12} x_{2}} \\ {\frac{\mathrm{d} x_{2}}{\mathrm{d} t}=a_{21} x_{1}+a_{22} x_{2}} \end{array}\right. {dtdx1=a11x1+a12x2dtdx2=a21x1+a22x2

如果能化为上一个计算的形式，就很方便求解。

定理3.5：设A∈Cn×nA\in C^{n \times n}A∈Cn×n,则AAA可以对角化的充要条件是AAA有nnn个线性无关的特征向量。
例6：矩阵

A=(010001−6−11−6)A=\left(\begin{array}{ccc} {0} & {1} & {0} \\ {0} & {0} & {1} \\ {-6} & {-11} & {-6} \end{array}\right) A=⎝⎛00−610−1101−6⎠⎞

是否可以对角化？

解因为：

f(λ)=∣λE−A∣=(λ+1)(λ+2)(λ+3)f(\lambda)=|\lambda E-A|=(\lambda+1)(\lambda+2)(\lambda+3) f(λ)=∣λE−A∣=(λ+1)(λ+2)(λ+3)

矩阵AAA的特征值为-1，-2，-3。

由于AAA的三个特征值互不相同，固AAA有三个线性无关的特征向量，AAA可以对角化，进一步可以得到特征向量：

P1=(1−11),P2=(1−24),P3=(1−39)P_{1}=\left(\begin{array}{ccc} {1} \\{-1} \\{1} \end{array}\right), P_{2}=\left(\begin{array}{ccc} {1} \\{-2} \\{4} \end{array}\right), P_{3}=\left(\begin{array}{ccc} {1} \\{-3} \\{9} \end{array}\right) P1=⎝⎛1−11⎠⎞,P2=⎝⎛1−24⎠⎞,P3=⎝⎛1−39⎠⎞

P=(111−1−2−3149),P=\left(\begin{array}{ccc} {1} & {1} & {1} \\ {-1} & {-2} & {-3} \\ {1} & {4} & {9} \end{array}\right), P=⎝⎛1−111−241−39⎠⎞,

P−1AP=(−1−2−3)P^{-1}AP=\left(\begin{array}{ccc} {-1} \\ & {-2} \\ & & {-3} \end{array}\right) P−1AP=⎝⎛−1−2−3⎠⎞

约当标准形

并不是每个方阵都能够相似于对角矩阵，如果矩阵不能对角化，矩阵总可以通过相似变换化为约当标准形。

定义3.2：形如：

Ji=(λi1λi⋱1λi)ri×riJ_{i}=\left(\begin{array}{cccc} {\lambda_{i}} & {} & {} & {} \\ {1} & {\lambda_{i}} & {} & {} \\ {} & {} & {\ddots} & {} \\ {} & {} & {} & {1} & {\lambda_{i}} \end{array}\right)_{r_{i} \times r_{i}} Ji=⎝⎜⎜⎛λi1λi⋱1λi⎠⎟⎟⎞ri×ri

的矩阵称为rir_{i}ri阶约当块，由若干个约当块构成的分块对角矩阵：

J=(J1J2⋱Js)J=\left(\begin{array}{cccc} {J_{1}} & {} & {} & {} \\ {} & {J_{2}} & {} & {} \\ {} & {} & {\ddots} & {} \\ {} & {} & {} & {J_{s}} \end{array}\right) J=⎝⎜⎜⎛J1J2⋱Js⎠⎟⎟⎞

称为约当标准形。

定理3.6 :设A∈Cn×nA \in C^{n \times n}A∈Cn×n，则AAA与一个约当矩阵JJJ相似，即存在P∈Cn×nP \in C^{n \times n}P∈Cn×n使得P−1AP=JP^{-1}AP=JP−1AP=J这个约当矩阵JJJ除了约当块的排列次序外由矩阵AAA唯一确定，称JJJ为AAA的约当标准形。

求解约当标准形

下面我们介绍用行列式因子法确定约当标准形的方法：

设矩阵AAA的元素都是λ\lambdaλ的多项式，则AAA称为λ\lambdaλ矩阵，记作A(λ)A(\lambda)A(λ)，特殊地，A∈Cn×nA \in C^{n \times n}A∈Cn×n，λE−A\lambda E - AλE−A是AAA的特征矩阵，这也是λ\lambdaλ矩阵。

公因式：一个多项式中每一项都含有的相同的因式，叫做这个多项式各项的公因式。

定义3.3：A(λ)A(\lambda)A(λ)中所有非零的kkk阶子式的首项系数为1的最大公因式Dk(λ)D_{k}(\lambda)Dk(λ)称为AAA的一个kkk级行列式因子。

由定义Dn(λ)=∣λE−A∣D_{n}(\lambda)=|\lambda E-A|Dn(λ)=∣λE−A∣，又因为Dk−1(λ)D_{k-1}(\lambda)Dk−1(λ)能够整除每一个k−1k-1k−1级子式，而每一个kkk级子式可以展开为k−1k-1k−1级子式的线性组合，所以Dk−1D_{k-1}Dk−1能够整除DkD_{k}Dk，即Dk−1∣DkD_{k-1}|D_{k}Dk−1∣Dk。

定义3.4：下列nnn个多项式

d1=D1，d2=D2D1，⋯,dn=DnDn−1d_{1}=D_{1}，d_{2}=\frac{D_{2}}{D_{1}}，\cdots , d_{n}=\frac{D_{n}}{D_{n-1}} d1=D1，d2=D1D2，⋯,dn=Dn−1Dn

称为A(λ)A(\lambda)A(λ)的不变因子。把每个次数大于零的不变因子分解为互不相同的一次因子的方幂的乘积，所有这些一次因子的方幂(相同的必须按出现次数计算)称为AAA的初级因子。

例9：求下列矩阵的不变因子及初级因子。

A=(−1−212)A=\left(\begin{array}{ccc} {-1} & & &\\ & {-2} & &\\ & & {1}&\\ &&&{2}& \end{array}\right) A=⎝⎜⎜⎛−1−212⎠⎟⎟⎞

f(λ)f(\lambda)f(λ)=∣λE−A∣|\lambda E - A|∣λE−A∣ = (λ+1)(λ+2)(λ−1)(λ−2)(\lambda+1)(\lambda+2)(\lambda-1)(\lambda-2)(λ+1)(λ+2)(λ−1)(λ−2)。

行列式因子：

D3=D2=D1=1,D4=f(λ)D_{3}=D_{2}=D_{1}=1, D_{4}=f(\lambda) D3=D2=D1=1,D4=f(λ)

不变因子：

d1=d2=d3=1,d4=f(λ)d_{1}=d_{2}=d_{3}=1,d_{4}=f(\lambda) d1=d2=d3=1,d4=f(λ)

初级因子：

λ+1,λ+2,λ−1,λ−2\lambda+1,\lambda+2,\lambda-1,\lambda-2 λ+1,λ+2,λ−1,λ−2

有了上述概念，就可以求得矩阵AAA的约当标准形。设AAA的全部初级因子是：

(λ−λ1)k1，(λ−λ2)k2,⋯,(λ−λs)ks(\lambda-\lambda_{1})^{k_{1}}，(\lambda-\lambda_{2})^{k_{2}},\cdots , (\lambda-\lambda_{s})^{k_{s}} (λ−λ1)k1，(λ−λ2)k2,⋯,(λ−λs)ks

这里λ1\lambda_{1}λ1，λ2\lambda_{2}λ2,⋯\cdots⋯,λs\lambda_{s}λs可能有相同的，指数k1k_{1}k1,k2k_{2}k2,⋯\cdots⋯,ksk_{s}ks也可能有相同的，对每个初级因子(λ−λi)ki(\lambda-\lambda_{i})^{k_{i}}(λ−λi)ki构成一个kik_{i}ki阶约当块：

Ji=(λi1λi⋱⋱1λi)(i=1,2,⋯,3)J_{i}=\left(\begin{array}{cccc} {\lambda_{i}} & {} & {} & {} \\ {1} & {\lambda_{i}} & {} & {} \\ {} & {\ddots} & {\ddots} & {} \\ {} & {} & {1} & {\lambda_{i}} \end{array}\right) \quad(i=1,2, \cdots, 3) Ji=⎝⎜⎜⎛λi1λi⋱⋱1λi⎠⎟⎟⎞(i=1,2,⋯,3)

由所有这些约当块构成的分块对角矩阵：

J=(J1J2⋱J1)J=\left(\begin{array}{cccc} {J_{1}} & {} & {} & {} \\ {} & {J_{2}} & {} & {} \\ {} & {} & {\ddots} & {} \\ {} & {} & {} & {J_{1}} \end{array}\right) J=⎝⎜⎜⎛J1J2⋱J1⎠⎟⎟⎞

称为矩阵AAA的约当标准形。

定理3.7：每个nnn阶复数矩阵AAA都与一个约当标准形JJJ相似，即存在矩阵PPP使得：

P−1AP=JP^{-1}AP=J P−1AP=J

除去约当块的排列次序外，约当形矩阵由矩阵AAA唯一确定。

史密斯标准形

从上一节可以看到，求出矩阵的行列式因子、不变因子以及初级因子，就可以求出矩阵的约当标准形。而当矩阵阶数比较高时，求它的行列式因子比较麻烦。如果矩阵比较特殊，比方说是对角矩阵，就可以比较方便地求出行列式因子。所以考虑先把矩阵对角化，就可以比较方便地求出行列式因子。所以考虑先把矩阵化为对角形，问题是在把矩阵化为对角形时，矩阵的行列式因子是否改变。

定义3.5：下列变换称为矩阵AAA的初等变换：

互换矩阵AAA的任意两行(两列)；
以非零的数kkk乘AAA的某一行(列)；
以多项式φ(λ)\varphi(\lambda)φ(λ)乘以AAA的某一行(列)加到另一行(列)上。

可以看出，这三种变换不会改变行列式因子。

定义3.6：下面形式的矩阵：

A(λ)=(d1(λ)d2(λ)⋱dr(λ)0⋱0)A(\lambda)=\left(\begin{array}{ccccc} {d_{1}(\lambda)} & {} & {} & {} & {} \\ {} & {} & {d_{2}(\lambda)} & {} & {} \\ {} & {} & {} & {\ddots} & {} \\ {} & {} & {} & {} & {d_{r}(\lambda)} \\ {} & {} & {} & {} & {} & {0} \\ {} & {} & {} & {} & {} & {} & {\ddots} \\ {} & {} & {} & {} & {} & {} & {} & {0} \end{array}\right) A(λ)=⎝⎜⎜⎜⎜⎜⎜⎜⎜⎛d1(λ)d2(λ)⋱dr(λ)0⋱0⎠⎟⎟⎟⎟⎟⎟⎟⎟⎞

称为矩阵AAA的史密斯标准形，其中：

di∣di+1(i=1,2,⋯,r−1)d_{i}|d_{i+1} (i=1,2,\cdots,r-1) di∣di+1(i=1,2,⋯,r−1)

我们有下面的结论。

定理3.8：任何一个非零多项式矩阵AAA都可以经过初等变化为史密斯标准形。

下面讨论怎么把一个矩阵AAA化为史密斯标准形。假设一个矩阵经过初等变换化为如下形式的标准形：

(d1d2⋱drdr+1⋱dn)\left(\begin{array}{cccccc} {d_{1}} \\ {} & {d_{2}} \\ {} & {} & {\ddots} \\ {} & {} & {} & {d_{r}} \\ {} & {} & {} & {} & {d_{r+1}} \\ {} & {} & {} & {} & {} & {\ddots} \\ {} & {} & {} & {} & {} & {}& {d_{n}} \end{array}\right) ⎝⎜⎜⎜⎜⎜⎜⎜⎜⎛d1d2⋱drdr+1⋱dn⎠⎟⎟⎟⎟⎟⎟⎟⎟⎞

其中di∣di+1d_{i}|d_{i+1}di∣di+1。

由上面所述，在这个过程中，行列式因子不变，所以变换后的矩阵与原来的矩阵有相同的行列式因子。而这个矩阵的行列式因子很容易得出：

D1=d1,D2=d1d2,⋯,Dn=d1d2⋯dnD_{1}=d_{1},D_{2}=d_{1}d_{2},\cdots ,D_{n}=d_{1}d_{2}\cdots d_{n} D1=d1,D2=d1d2,⋯,Dn=d1d2⋯dn

由此可以得出，对角线上的元素正好是矩阵的不变因子。

特殊地，左上角的元素为一阶行列式因子，即矩阵的所有元素的公因子。这个公因子可以很容易求出。我们之后就可以利用这个结论求出史密斯标准形。

现在设矩阵A(λ)A(\lambda)A(λ)是一个λ\lambdaλ矩阵

首先通过观察确定左上角第一个元素，如果矩阵中有这一项，就把它挪到左上角上去，如果没有这一项，可以通过初等变换得出这一项。因为它是所有元素的公因子，能够整除所有元素，也一定能够整除它们的组合，所以可以通过初等变换得到。

左上角的元素得到以后，可以利用初等变换把它所在的行和列的其他元素都消成零，矩阵变成如下形式：

(d100B1(λ))\left(\begin{array}{cccccc} {d_{1}} & {0} \\ {0} & {B_{1}(\lambda)} \\ \end{array}\right) (d100B1(λ))

这时对于矩阵B1B_{1}B1来说，相当于一个新的矩阵，如果把它化成史密斯标准形，则左上角第一个元素仍然是B1B_{1}B1的一阶行列式因子，可以用同样的方法求出，在这个过程中，使用的是初等变换，而d1d_{1}d1能够整除所有元素，当然能够整除它们的组合，所以d1∣d2d_{1}|d_{2}d1∣d2，这时矩阵可以通过初等变换化为下面的形式：

(d1d1B2(λ))\left(\begin{array}{cccccc} {d_{1}} \\ {} &{d_{1}} & {} \\ {} & {} & {B_{2}(\lambda)} \\ \end{array}\right) ⎝⎛d1d1B2(λ)⎠⎞

重复这个过程，即可得到史密斯标准形：

(d1d2⋱dr0⋱0)\left(\begin{array}{cccccc} {d_{1}} \\ {} & {d_{2}} \\ {} & {} & {\ddots} \\ {} & {} & {} & {d_{r}} \\ {} & {} & {} & {} & {0} \\ {} & {} & {} & {} & {} & {\ddots} \\ {} & {} & {} & {} & {} & {}& {0} \end{array}\right) ⎝⎜⎜⎜⎜⎜⎜⎜⎜⎛d1d2⋱dr0⋱0⎠⎟⎟⎟⎟⎟⎟⎟⎟⎞

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！

矩阵分析 (三) 矩阵的标准形相关推荐

行阶梯型矩阵，行最简形矩阵，标准形矩阵
行阶梯形矩阵: 行最简形矩阵: 标准形矩阵:
有理数域上lamada矩阵(方阵)化标准形的实现
前言:首先介绍一下lamada矩阵,其为高等代数或线性代数的内容.其中将λ-矩阵化成标准形在这门课中占据着举足轻重的地位.lamada矩阵即λ-矩阵,亦称多项式矩阵,是以多项式为元素的矩阵.而今天要研 ...
矩阵分析L4矩阵的相似标准形
一.矩阵相似 1.定义 2.特征值与特征向量二.矩阵的约当标准形 1.行列式因子为啥D2 = 1? 因为这三个2阶非零子式的最大公因子是1啊.... 宋老师真的是太好了,矩阵分析不多考几分简直对不 ...
矩阵分析与多元统计II 二次型与二次曲面3 二次型及其标准形的定义
矩阵分析与多元统计II 二次型与二次曲面3 二次型及其标准形的定义上一讲我们讨论了二次齐次函数.对称双线性函数之间的一一对应关系,这一讲我们从多项式的角度讨论二次齐次函数,给出二次型的概念及其标准形 ...
《矩阵理论与方法》lambda矩阵及Jordan标准形
最近在学习<矩阵理论与方法>这一本书,以此笔记作为学习过程的记录. 一.λ\lambdaλ-矩阵定义1:设λ\lambdaλ是数域FFF上的一个未定元,f(λ)f(\lambda)f(λ ...
高等代数二次型与矩阵的合同(第6章)1 二次型,标准形,规范形
一.二次型(6.1) 1.概念: 2.非退化线性替换: 准确地说,应该是将 x x x用 C x Cx Cx带入(这样能保证代换前后二次型中的元不变),但习惯上都记为将 x x x用 C y Cy C ...
二次型化标准形的三种方法
二次型化标准形的三种方法将二次型化为标准形有利于我们了解二次型的简单形式.二次型的各种参数如正负惯性指数.得到二次型的规范形.对称矩阵合同的简单形等等.另外,化标准形也是解析几何化简二次曲线和二次曲 ...
【数理知识】《矩阵论》方保镕老师-第2章-\lambda 矩阵与 Jordan 标准形
上一章回到目录下一章第2章-\lambda 矩阵与 Jordan 标准形 2.1 λ\lambdaλ 矩阵 2.1.1 λ\lambdaλ 矩阵的概念 2.1.2 λ\lambdaλ 矩阵在相抵 ...
λ-矩阵（若尔当标准形的理论推论）
在复数域上讨论. 1.计算若尔当标准形的初等因子若尔当块的初等因子是事实上,考虑它的特征矩阵显然这就是的n级行列式因子,由于有一个n-1级子式是所以它的n-1级行列式因子是1,从而它一下各级的行列 ...
λ-矩阵（λ-矩阵在初等变换下的标准形）
设P是一个数域,λ是一个文字,做多项式环一个矩阵,如果它的元素是λ的多项式,即的元素,就称为λ-矩阵.把以数域P中的数为元素的矩阵称为数字矩阵. 定义1:如果λ-矩阵中有一个级子式不为零,而所有r+ ...

矩阵分析 (三) 矩阵的标准形