矩阵的迹(转)

摘要:
矩阵的迹在线性代数中,矩阵的迹(或迹数)是指主对角线上所有元素的和,一般记为或:其中表示矩阵[1]第i行j列元素的值。矩阵的迹是其特征值的和。设置矩阵:其轨迹为:=3+9+4=16。线性函数被赋予一个环,并且轨迹是从系数在环中的矩阵空间投影到环的线性算子。因此,使用这个结果,可以推断出,当计算几个相同大小的方阵的乘积的迹数时,乘积中方阵乘法的顺序可以循环改变,而最终结果保持不变[2]。

矩阵的迹

线性代数中,一个n .times n矩阵.mathbf{A}(或迹数),是指.mathbf{A}主对角线(从左上方至右下方的对角线)上各个元素的总和,一般记作tr(.mathbf{A})Sp(.mathbf{A})

tr(.mathbf{A}) = .mathbf{A}_{1, 1} + .mathbf{A}_{2, 2} + .cdots + .mathbf{A}_{n, n}

其中.mathbf{A}_{i, j}代表矩阵的第ij列上的元素的值[1]。一个矩阵的迹是其特征值的总和(按代数重数计算)。

迹的英文trace,是来自德文中的Spur这个单字(与英文中的Spoor是同源词),在数学中,通常简写为“Sp”或“tr”。

设有矩阵:

.mathbf{A} = .begin{bmatrix} 3 & 5 & 1..0 & 9 & 2..7 & 6 & 4 .end{bmatrix}

它的迹是:

tr(.mathbf{A}) = tr .begin{bmatrix} 3 & 5 & 1..0 & 9 & 2..7 & 6 & 4 .end{bmatrix} = 3 + 9 + 4 = 16

性质 线性函数

给定一个.mathbb{R},迹是一个从系数在环中的n .times n矩阵的空间.mathcal{M}_n(.mathbb{R})射到环.mathbb{R}之上的线性算子。也就是说,对于任两个n .times n的矩阵.mathbf{A}.mathbf{B}标量r,都有:

.mathrm{tr}(.mathbf{A} + .mathbf{B}) = .mathrm{tr}(.mathbf{A}) + .mathrm{tr}(.mathbf{B})  .mathrm{tr}(r .cdot .mathbf{A} ) = r .cdot .mathrm{tr}(.mathbf{A})[2]

更进一步来说,当.mathbb{R}是一个时,迹数函数.mathrm{tr}n .times n矩阵的空间.mathcal{M}_n(.mathbb{R})上的一个线性泛函

由于一个矩阵.mathbf{A}转置矩阵.mathbf{A}^T的主对角线元素和原来矩阵的主对角线元素是一样的,所以任意一个矩阵和其转置矩阵都会有相同的迹[2]

 .mathrm{tr}(.mathbf{A} ) = .mathrm{tr}.left(.mathbf{A}^T .right) 矩阵乘积的迹数

A是一个n .times m矩阵,B是个m .times n矩阵,则:

 .mathrm{tr}(.mathbf{AB} ) = .mathrm{tr}(.mathbf{BA})[2]

其中.mathbf{AB}是一个n .times n矩阵,而.mathbf{BA}是一个m .times m矩阵。

上述的性质可以由矩阵乘法的定义证明:

.mathrm{tr}(.mathbf{AB}) = .sum_{i=1}^n (.mathbf{AB})_{ii} = .sum_{i=1}^n .sum_{j=1}^m .mathbf{A}_{ij} .mathbf{B}_{ji} = .sum_{j=1}^m .sum_{i=1}^n .mathbf{B}_{ji} .mathbf{A}_{ij} = .sum_{j=1}^m (.mathbf{BA})_{jj} = .mathrm{tr}(.mathbf{BA})

如果.mathbf{A}都是n .times n方形矩阵,那么它们的乘积.mathbf{AB}.mathbf{BA}也会是方形矩阵。因此,利用这个结果,可以推导出:计算若干个同样大小的方形矩阵的乘积的迹数时,可以循环改变乘积中方形矩阵相乘的顺序,而最终的结果不变</math>[2]。例如,有三个方形矩阵.mathbf{A}.mathbf{B}.mathbf{C},则:

 .mathrm{tr}(.mathbf{ABC} ) = .mathrm{tr}(.mathbf{BCA}) = .mathrm{tr}(.mathbf{CAB})[3]

但是要注意:

 .mathrm{tr}(.mathbf{ABC} ) .neq .mathrm{tr}(.mathbf{ACB}) [3]

更一般地,乘积中的矩阵不一定要是方形矩阵,只要某一个循环改变后的乘积依然存在,那么得到的迹数依然会和原来的迹数相同[2]

另外,如果.mathbf{A}.mathbf{B}.mathbf{C}是同样大小的方阵而且还是对称矩阵的话,那么其乘积的迹数不只在循环置换下不会改变,而且在所有的置换下都不会改变:

 .mathrm{tr}(.mathbf{ABC} ) = .mathrm{tr}(.mathbf{BCA}) = .mathrm{tr}(.mathbf{CAB}) = .mathrm{tr}(.mathbf{ACB} ) = .mathrm{tr}(.mathbf{CBA}) = .mathrm{tr}(.mathbf{BAC})



http://blog.sciencenet.cn/blog-357889-616860.html 

免责声明:文章转载自《矩阵的迹(转)》仅用于学习参考。如对内容有疑问,请及时联系本站处理。

上篇select下拉框的数据回显Qt 界面做成dll以便调用下篇

宿迁高防,2C2G15M,22元/月;香港BGP,2C5G5M,25元/月 雨云优惠码:MjYwNzM=

相关文章

R数据挖掘 第二篇:基于距离评估数据的相似性和相异性

聚类分析根据对象之间的相异程度,把对象分成多个簇,簇是数据对象的集合,聚类分析使得同一个簇中的对象相似,而与其他簇中的对象相异。相似性和相异性(dissimilarity)是根据数据对象的属性值评估的,通常涉及到距离度量。相似性(similarity)和相异性(dissimilarity)是负相关的,统称为临近性(proximity)。 在聚类分析中,聚类...

图像处理之卷积---任意卷积核的快速实现

卷积其实是图像处理中最基本的操作,我们常见的一些算法比如:均值模糊、高斯模糊、锐化、Sobel、拉普拉斯、prewitt边缘检测等等一些和领域相关的算法,都可以通过卷积算法实现。只不过由于这些算法的卷积矩阵的特殊性,一般不会直接实现它,而是通过一些优化的手段让计算量变小。但是有些情况下卷积矩阵的元素值无甚规律或者有特殊要求,无法通过常规手段优化,这个时候只...

ELM学习(一)

what?: 极限学习机(extreme learning machine)ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数,并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权...

矩阵LU分解

    有如下方程组 ,当矩阵 A 各列向量互不相关时, 方程组有位移解,可以使用消元法求解,具体如下:     使用消元矩阵将 A 变成上三角矩阵 ,     ,     使用消元矩阵作用于向量 b,得到向量 c,,     ,     Ax=b 消元后变为 ,即 , 由于  为上三角矩阵, 使用回带法即可求解方程组。     对矩阵  做如下运算 。在...

Laplace算子和Laplacian矩阵

1 Laplace算子的物理意义 Laplace算子的定义为梯度的散度。 在Cartesian坐标系下也可表示为: 或者,它是Hessian矩阵的迹: 以热传导方程为例,因为热流与温度的梯度成正比,那么温度的梯度的散度就是热量的损失率。 由此可见,Laplace算子可用于表现由于物质分布不均引起的物质输送。  2 Laplace算子的数学意义 现在...

数据分析--降维--LDA和PCA

一、因子分析   因子分析是将具有错综复杂关系的变量(或样本)综合为少数几个因子,以再现原始变量和因子之间的相互关系,探讨多个能够直接测量,并且具有一定相关性的实测指标是如何受少数几个内在的独立因子所支配,并且在条件许可时借此尝试对变量进行分类。   因子分析的基本思想   根据变量间相关性的大小把变量分组,使得同组内的变量之间的相关性(共性)较高,并用一...