Hermitian 矩阵的特征值和特征向量
在信号处理领域,经常碰到对称矩阵。复对称矩阵又称为Hermitian矩阵。比如 对于实观测数据x(t),其自相关矩阵R=E[x(t)xT(t)]是实对称矩阵,而复观测信号的自相关 矩阵是Hermitian矩阵。Hermitian在计算过程中有一系列重要特性,可以大大简 化计算过程。本文总结Hermitian矩阵特征值和特征向量的一些性质。
Hermitian 矩阵A的特征值一定是实的。
令λ和u分别是Hermitian矩阵A的特征值和与之对 应的特征向量,即Au=λu 。两边同 时左乘特征向量的共轭转置,得二次型标量值函数 uTAu=λuTu,对其两边取共轭转置,得到uTAu=λTuTu 。注意内积uTu总是 实数,则有λ也一定是实数。
令λ,u是Hermitian矩阵A的特征对。若 A可逆,则1λ,u是逆矩阵 A−1 的特征对。
因为Au=λu,则对两边左乘 A−1,则有u=λA−1u ,所以有λ−1u=A−1u
对于n×n 的Hermitian 矩阵A ,若它所有不同的特征值 λ1,λ2,…,λn都通过求解特征方程获得。 那么求解其特征向量可以通过以下两个步骤完成。
利用高斯消元法求解方程:
(A−λI)x=0得到与每个已知λ对应的非零解x
- 利用Gram-Schmidt 正交化方法将x 正交化,得到相互正交, 并且具有单位范数的特征向量。
若λk 是Hermitian矩阵A的多重特征值,并且其多重度为 mk,那么 rank(A−λkI)=n−mk 。因此任何一个Hermitian矩阵都满足可对角化定理的充要条 件。因此,有U−1AU=Σ 。接下来给出Hermitian矩阵的一个重要属性。
Hermitian矩阵的所有特征向量线性无关,并且相互正交。特征矩阵 U=[u1,…,un]是酉矩阵,满足 U−1=UT
证明过程分两步进行,首先证明不同特征值对应的特征向量是相互正交的。令 λ1≠λ2是Hermitian矩阵A对应的特征值,且其 对应的特征向量分别是u1,u2 。 则有:
uT2Au1=λ1uT2u1uT1Au2=λ2uT1u2对前一个式子取共轭,则有:
uT1Au2=λ1uT1u2则有:λ1uT1u2=λ2uT1u2,进而有(λ1−λ2)uT1u2=0 由于 λ1≠λ2 所以u1和u2正交。 接下来,我们证明多重特征值对应的特征向量也相互正交。若n×n矩 阵AT=A 的特征值λk 具有多重度mk,则有rank(A−λkI)=n−mk ,并 且A−λkI是可逆的。于是,存在与 λk对应的mk个特征向量,他们是方程(A−λkI)u=0的线性无关解。这些线性无关解 是正交的。
综上,由于特征矩阵U=[u1,…,un] 的所有特征向量即线性无关,又相 互正交,故U为酉矩阵,满足UUT=I,即UT=U−1
对于Hermitian矩阵有:
UTAU=diag(λ1,λ2,…,λn)也可以写成:
A=UΣUT称为矩阵A 在正交相似下的范式。另外,式 (6)也经常 写作:
A=n∑i=1λiuiuTi在最优化理论和信号处理中,经常遇到二次型函数xTAx. 利用式 (7) 可以把二次型写作:
xTAx=n∑i=1λi|xTui|2利用式 (7) 我们还可以写出A−1的级数展开形式:
A−1=n∑i=1λ−1iuiuTi因此若已知A的特征值分解,我们可以很容易获得 A−1。