线性代数 · 矩阵 | 最小多项式

注:本文为 “矩阵 | 最小多项式” 相关合辑。
略作重排,如有内容异常,请看原文。

最小多项式

橘子蜂蜜 于 2019-05-22 22:48:25 发布

根据哈密顿 - 凯莱(Hamilton - Cayley)定理,任给数域 PPP 上的一个 nnn 级矩阵 AAA,总可以找到数域 PPP 上一个多项式 f(x)f(x)f(x),使 f(A)=0f(A)=0f(A)=0。如果多项式 f(x)f(x)f(x) 满足 f(A)=0f(A)=0f(A)=0,我们就称 f(x)f(x)f(x)AAA 为根。在所有以 AAA 为根的多项式中,次数最低且首项系数为 111 的多项式称为 AAA 的最小多项式。

接下来讨论如何应用最小多项式来判断一个矩阵能否对角化。

引理 1:矩阵 AAA 的最小多项式是唯一的。

引理 2:设 g(x)g(x)g(x) 是矩阵 AAA 的最小多项式,那么 f(x)f(x)f(x)AAA 为根的充分必要条件是 g(x)g(x)g(x) 整除 f(x)f(x)f(x),即 g(x)∣f(x)g(x) \mid f(x)g(x)f(x)

由此可知,矩阵 AAA 的最小多项式是 AAA 的特征多项式的一个因式。

例 1:数量矩阵 kEkEkE 的最小多项式为 x−kx - kxk。特别地,单位矩阵的最小多项式为 x−1x - 1x1,零矩阵的最小多项式为 xxx

另一方面,如果 AAA 的最小多项式是一次多项式,那么 AAA 一定是数量矩阵。

例 2:设 A=(1111)A=\begin{pmatrix}1&1\\&1\\&&1\end{pmatrix}A=1111,求 AAA 的最小多项式。

解:因为 AAA 的特征多项式为 ∣xE−A∣=(x−1)3|xE - A|=(x - 1)^3xEA=(x1)3,所以 AAA 的最小多项式为 (x−1)3(x - 1)^3(x1)3 的因式。由于 A−E≠0A - E\neq 0AE=0,而 (A−E)2=0(A - E)^2 = 0(AE)2=0,因此 AAA 的最小多项式为 (x−1)2(x - 1)^2(x1)2

如果矩阵 AAABBB 相似,即 B=T−1ATB = T^{-1}ATB=T1AT,那么对任一多项式 f(x)f(x)f(x),有 f(B)=T−1f(A)Tf(B)=T^{-1}f(A)Tf(B)=T1f(A)T。因此,f(B)=0f(B)=0f(B)=0 当且仅当 f(A)=0f(A)=0f(A)=0。这说明相似矩阵具有相同的最小多项式,反之不然,即最小多项式相同的矩阵不一定相似。

例 3:设 A=(11112)A=\begin{pmatrix}1&1\\&1\\&&1\\&&&2\end{pmatrix}A=11112B=(11122)B=\begin{pmatrix}1&1\\&1\\&&2\\&&&2\end{pmatrix}B=11122

AAABBB 的最小多项式都等于 (x−1)2(x−2)(x - 1)^2(x - 2)(x1)2(x2),但是它们的特征多项式不同,因此 AAABBB 不相似。

引理 3:设 AAA 是一个准对角矩阵 A=(A1A2)A=\begin{pmatrix}A_1&\\&A_2\end{pmatrix}A=(A1A2),并设 A1A_1A1 的最小多项式为 g1(x)g_1(x)g1(x)A2A_2A2 的最小多项式为 g2(x)g_2(x)g2(x),那么 AAA 的最小多项式为 g1(x)g_1(x)g1(x)g2(x)g_2(x)g2(x) 的最小公倍式 [g1(x),g2(x)][g_1(x),g_2(x)][g1(x),g2(x)]

这个结论可以推广到 AAA 为若干个矩阵组成的准对角矩阵的情形,即:如果

A=(A1A2⋱As)A=\begin{pmatrix}A_1\\&A_2\\&&\ddots \\&&&A_s\end{pmatrix}A=A1A2As

AiA_iAi 的最小多项式为 gi(x)g_i(x)gi(x)i=1,2,⋯,si = 1,2,\cdots,si=1,2,,s,那么 AAA 的最小多项式为 [g1(x),g2(x),⋯,gs(x)][g_1(x),g_2(x),\cdots,g_s(x)][g1(x),g2(x),,gs(x)]

证明:记 g(x)=[g1(x),g2(x)]g(x)=[g_1(x),g_2(x)]g(x)=[g1(x),g2(x)],首先

g(A)=(g(A1)g(A2))=0g(A)=\begin{pmatrix}g(A_1)\\&g(A_2)\end{pmatrix}=0g(A)=(g(A1)g(A2))=0

因此 g(x)g(x)g(x) 能被 AAA 的最小多项式整除。其次,如果 h(A)=0h(A)=0h(A)=0,那么

h(A)=(h(A1)h(A2))=0h(A)=\begin{pmatrix}h(A_1)\\&h(A_2)\end{pmatrix}=0h(A)=(h(A1)h(A2))=0

所以 h(A1)=0h(A_1)=0h(A1)=0h(A2)=0h(A_2)=0h(A2)=0,因而 g1(x)∣h(x)g_1(x) \mid h(x)g1(x)h(x)g2(x)∣h(x)g_2(x) \mid h(x)g2(x)h(x),并由此得 g(x)∣h(x)g(x) \mid h(x)g(x)h(x)。这样就证明了 g(x)g(x)g(x)AAA 的最小多项式。

引理 4KKK 级若尔当(Jordan)块 J=(a1⋱⋱a1a)J=\begin{pmatrix}a\\1&\ddots \\&\ddots &a\\&&1&a\end{pmatrix}J=a1a1a 的最小多项式为 (x−a)K(x - a)^K(xa)K

证明JJJ 的特征多项式为 (x−a)K(x - a)^K(xa)K,而 J−aE=(01⋱⋱010)J - aE=\begin{pmatrix}0\\1&\ddots \\&\ddots &0\\&&1&0\end{pmatrix}JaE=01010(J−aE)K−1=(0⋮0010⋯0)≠0(J - aE)^{K - 1}=\begin{pmatrix}0\\\vdots &0\\0\\1&0\cdots &0\end{pmatrix}\neq 0(JaE)K1=001000=0,所以 JJJ 的最小多项式为 (x−a)K(x - a)^K(xa)K

定理:数域 PPPnnn 级矩阵 AAA 与对角矩阵相似的充分必要条件为 AAA 的最小多项式是 PPP 上互素的一次因式的乘积。

推论:复数矩阵 AAA 与对角矩阵相似的充分必要条件是 AAA 的最小多项式没有重根。


【矩阵论笔记】最小多项式与Jordan型的关系

番茄发烧了 于 2020-05-07 17:02:01 发布

最小多项式的定义

方阵 AAA 的次数最低、且首一的零化多项式称为 AAA 的最小多项式。

最小多项式的性质(定理4)

设方阵 AAA 的最小多项式为 mA(λ)m_A(\lambda)mA(λ),则有:

  1. AAA 的任何零化多项式都能被 mA(λ)m_A(\lambda)mA(λ) 整除;
  2. AAA 的最小多项式 mA(λ)m_A(\lambda)mA(λ) 是唯一的;
  3. λ0\lambda_0λ0AAA 的特征值 ⟺mA(λ0)=0\iff m_A(\lambda_0) = 0mA(λ0)=0

最小多项式的一般形式

假设 nnn 阶方阵 AAA 的特征多项式为:
fA(λ)=∣λI−A∣=(λ−λ1)n1(λ−λ2)n2⋯(λ−λs)nsf_A(\lambda) = |\lambda I - A| = (\lambda - \lambda_1)^{n_1} (\lambda - \lambda_2)^{n_2} \cdots (\lambda - \lambda_s)^{n_s} fA(λ)=λIA=(λλ1)n1(λλ2)n2(λλs)ns
其中 λ1,λ2,⋯,λs\lambda_1, \lambda_2, \cdots, \lambda_sλ1,λ2,,λsAAA 的所有不同特征值,则 AAA 的最小多项式有如下形式:
mA(λ)=(λ−λ1)m1(λ−λ2)m2⋯(λ−λs)msm_A(\lambda) = (\lambda - \lambda_1)^{m_1} (\lambda - \lambda_2)^{m_2} \cdots (\lambda - \lambda_s)^{m_s} mA(λ)=(λλ1)m1(λλ2)m2(λλs)ms

计算最小多项式的方法通常是从 mi=1m_i = 1mi=1 开始逐步验证,将 AAA 代入多项式中判断是否为零矩阵。

Jordan 块的最小多项式

Jordan 块的最小多项式与其特征多项式相同,阶数无法降低。

对于 r×rr \times rr×r 的 Jordan 块,
J=[λ01λ0⋱⋱1λ0]J = \begin{bmatrix} \lambda_0 & 1 & & \\ & \lambda_0 & \ddots & \\ & & \ddots & 1 \\ & & & \lambda_0 \end{bmatrix} J=λ01λ01λ0
满足:
(J−λ0I)r−1=[0⋯010⋱0⋱⋮0]≠O,(J−λ0I)r=O(J - \lambda_0 I)^{r-1} = \begin{bmatrix} 0 & \cdots & 0 & 1 \\ & 0 & \ddots & 0 \\ & & \ddots & \vdots \\ & & & 0 \end{bmatrix} \neq O, \quad (J - \lambda_0 I)^r = O (Jλ0I)r1=000100=O,(Jλ0I)r=O
因此,其最小多项式为 (λ−λ0)r(\lambda - \lambda_0)^r(λλ0)r

例题:求矩阵的最小多项式

例 9 求矩阵 A=[2100002000002−1−100053000−4−2]A = \begin{bmatrix} 2 & 1 & 0 & 0 & 0 \\ 0 & 2 & 0 & 0 & 0 \\ 0 & 0 & 2 & -1 & -1 \\ 0 & 0 & 0 & 5 & 3 \\ 0 & 0 & 0 & -4 & -2 \end{bmatrix}A=2000012000002000015400132 的最小多项式。

解:因为 AAA 是对角块矩阵,即 A=[A1A2]A = \begin{bmatrix} A_1 & \\ & A_2 \end{bmatrix}A=[A1A2],其中:

  • A1=[2102]A_1 = \begin{bmatrix} 2 & 1\\0 & 2 \end{bmatrix}A1=[2012] 是一个 Jordan 块,其最小多项式为 m1(λ)=(λ−2)2m_1(\lambda) = (\lambda - 2)^2m1(λ)=(λ2)2(阶数不可降低);

  • A2=[2−1−10530−4−2]A_2 = \begin{bmatrix} 2 & -1 & -1 \\ 0 & 5 & 3 \\ 0 & -4 & -2 \end{bmatrix}A2=200154132,其特征多项式为 fA2(λ)=(λ−2)2(λ−1)f_{A_2}(\lambda) = (\lambda - 2)^2 (\lambda - 1)fA2(λ)=(λ2)2(λ1)

    通过验证可知,A2A_2A2 的最小多项式为 m2(λ)=(λ−2)(λ−1)m_2(\lambda) = (\lambda - 2)(\lambda - 1)m2(λ)=(λ2)(λ1)

因此,AAA 的最小多项式为 A1A_1A1A2A_2A2 最小多项式的最小公倍式,即:
mA(λ)=(λ−2)2(λ−1)m_A(\lambda) = (\lambda - 2)^2 (\lambda - 1) mA(λ)=(λ2)2(λ1)

最小多项式的应用

最小多项式可用于简化方阵多项式的计算,主要途径包括:

  1. 相似化简为对角阵;
  2. 通过零化多项式对多项式降阶。

相关定理

  • 相似矩阵具有相同的最小多项式;
  • nnn 阶方阵可对角化的充要条件是其最小多项式无重根。

最小多项式与 Jordan 型的关系

假设 nnn 阶方阵 AAA 的特征多项式为:
fA(λ)=∣λI−A∣=(λ−λ1)n1(λ−λ2)n2⋯(λ−λs)nsf_A(\lambda) = |\lambda I - A| = (\lambda - \lambda_1)^{n_1} (\lambda - \lambda_2)^{n_2} \cdots (\lambda - \lambda_s)^{n_s} fA(λ)=λIA=(λλ1)n1(λλ2)n2(λλs)ns
其中 λ1,λ2,⋯,λs\lambda_1, \lambda_2, \cdots, \lambda_sλ1,λ2,,λsAAA 的所有不同特征值,nin_ini 为特征值 λi\lambda_iλi 的代数重数,ki=dim⁡Eλik_i = \dim E_{\lambda_i}ki=dimEλi 为几何重数,i=1,2,⋯,s.i=1,2,\cdots,s.i=1,2,,s.AAA 的最小多项式为:
mA(λ)=(λ−λ1)m1(λ−λ2)m2⋯(λ−λs)msm_A(\lambda) = (\lambda - \lambda_1)^{m_1} (\lambda - \lambda_2)^{m_2} \cdots (\lambda - \lambda_s)^{m_s} mA(λ)=(λλ1)m1(λλ2)m2(λλs)ms

方阵 AAA 的性质

  1. AAA 的 Jordan 标准形由 sss 个子 Jordan 矩阵构成:
    J=[J1J2⋱Js]J = \begin{bmatrix} J_1 & & & \\ & J_2 & & \\ & & \ddots & \\ & & & J_s \end{bmatrix} J=J1J2Js
    其中 JiJ_iJi 是对角元为 λi\lambda_iλinin_ini 阶子 Jordan 矩阵(阶数等于代数重数 nin_ini)。

  2. AAA 的子 Jordan 矩阵 JiJ_iJikik_iki 个 Jordan 块构成(数量等于几何重数 kik_iki):
    Ji=[Ji1Ji2⋱Jiki]J_i = \begin{bmatrix} J_{i1} & & & \\ & J_{i2} & & \\ & & \ddots & \\ & & & J_{ik_i} \end{bmatrix} Ji=Ji1Ji2Jiki
    其中 JijJ_{ij}Jij 是对角元为 λi\lambda_iλi 的 Jordan 块。

  3. AAA 的最小多项式中 (λ−λi)mi(\lambda - \lambda_i)^{m_i}(λλi)mi 的幂次 mim_imi 等于子 Jordan 矩阵 JiJ_iJi 中 Jordan 块的最高阶数。

例题:确定Jordan标准形

例10AAA 的特征多项式和最小多项式分别为:
fA(λ)=(λ−3)4(λ−2)2,mA(λ)=(λ−3)2(λ−2)2f_A(\lambda) = (\lambda - 3)^4 (\lambda - 2)^2, \quad m_A(\lambda) = (\lambda - 3)^2 (\lambda - 2)^2 fA(λ)=(λ3)4(λ2)2,mA(λ)=(λ3)2(λ2)2
试确定 AAA 的所有可能 Jordan 标准形。

解:

  • AAA 有两个不同的特征值 333222,代数重数分别为 444222,因此其 Jordan 标准形由两个子 Jordan 矩阵 J1J_1J1(4 阶)和 J2J_2J2(2 阶)构成,即:

    J=[J1J2]J = \begin{bmatrix} J_1 & \\ & J_2 \end{bmatrix}J=[J1J2]J1=[3333]J_1=\left[ \begin{matrix} 3 & {} & {} & {} \\ {} & 3 & {} & {} \\ {} & {} & 3 & {} \\ {} & {} & {} & 3 \\ \end{matrix} \right]J1=3333J2=[22]J_2 = \begin{bmatrix} 2 & \\ & 2 \end{bmatrix}J2=[22]

  • 由最小多项式 mA(λ)=(λ−3)2(λ−2)2m_A(\lambda) = (\lambda - 3)^2 (\lambda - 2)^2mA(λ)=(λ3)2(λ2)2 可知,J1J_1J1 中 Jordan 块的最高阶数为 222J2J_2J2 中 Jordan 块的最高阶数为 222

因此,AAA 的可能 Jordan 标准形为:
J=[313313212]或[313133212]J = \begin{bmatrix} 3 & 1 & & & & \\ & 3 & & & & \\ & & 3 & 1 & & \\ & & & 3 & & \\ & & & & 2 & 1 \\ & & & & & 2 \end{bmatrix} \quad \text{或} \quad \begin{bmatrix} 3 & 1 & & & & \\ & 3 & 1 & & & \\ & & 3 & & & \\ & & & 3 & & \\ & & & & 2 & 1 \\ & & & & & 2 \end{bmatrix} J=313313212313133212


via:

  • 最小多项式-CSDN博客
    https://blog.csdn.net/qq_45011547/article/details/90413462

  • 【矩阵论笔记】最小多项式与Jordan型的关系-CSDN博客
    https://blog.csdn.net/bless2015/article/details/105974793

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/95309.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/95309.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

docter的使用、vscode(cursor)和docker的连接,详细分析说明

目录 一、基本命令 二、用案例来学习使用方法 🚀 Pull Python 3.11 镜像并创建命名容器 📋 其他有用命令 在容器中安装依赖 三、直接在镜像中安装依赖(创建自己定制的镜像) 四、在 cursor 中选用容器作为编译器 五、对于整…

如何使用AI大语言模型解决生活中的实际小事情?

我们总以为AI是遥不可及的未来科技,却忽视了它早已成为生活中最实用的“隐形助手”。在信息爆炸的今天,我们每天被无数生活琐事包围:一封专业邮件反复修改措辞、孩子突如其来的数学难题、冰箱里仅剩的食材如何搭配、旅行行程的繁琐规划……这…

关于微信小程序的笔记

1.需要获取demo素材图片方法(2,3)2.使用逆向工具进行解包没有安装node的需要安装一下安装npm i -g wedecode0.8.0-beta.3获取小程序文件存放路径/Users/lin/Library/Containers/com.tencent.xinWeChat/Data/.wxapplet/packages/wx060ecb4f74eac0da根据具…

课堂笔记:吴恩达的AI课(AI FOR EVERYONE)-W2 AI项目工作流程

课堂笔记:吴恩达的AI课(AI FOR EVERYONE)-W2 AI项目工作流程 一、如何开始一个AI项目? 1、建设项目工作流程 2、选择合适的AI项目 3、为这个项目收集数据和组织团队二、AI项目的工作流程 (1)机器学习项目的…

逐际动力开源运控 tron1-rl-isaacgym 解读与改进

文章目录概览基础框架解读线速度估计观测结构仿真实验点足式步态设计步态相位与接触状态建模步态接触奖励动作延迟我的改进Point-goal Locomotion观测修改奖励修改预训练地形编码器Sliced Wasserstein AutoEncoder模型训练与结果参考材料概览 这篇博客记录了我参加逐际动力创学…

人工智能-python-机器学习-线性回归与梯度下降:理论与实践

文章目录线性回归与梯度下降:理论与实践1. 引言2. 回归分析2.1 什么是回归?2.2 线性回归2.3 损失函数2.4 多参数回归3. 参数求解:最小二乘法3.1 最小二乘法 MSE3.2 最小二乘法的优缺点优点:缺点:4. 梯度下降4.1 梯度下…

前端,elment-plus组件:表格,分页,对话框,表单

Element Plus 核心特性组件体系:表单、表格、弹窗、导航等高频组件设计理念主题定制:Sass 变量覆盖与暗黑模式无缝切换国际化支持:多语言动态切换的实现机制TypeScript 支持:完整的类型定义与开发友好性快速上手指南安装与基础配置…

【LeetCode】6. Z 字形变换

文章目录6. Z 字形变换题目描述示例 1:示例 2:示例 3:提示:解题思路算法分析问题本质分析Z字形排列过程详解Z字形排列可视化方向控制策略数学规律法详解各种解法对比算法流程图边界情况处理时间复杂度分析空间复杂度分析关键优化点…

spring文件下载的方式

spring文件下载的方式方式一:通过ResponseEntity<Resource> 方式来下载方式二:通过ResponseEntity<StreamingResponseBody> 方式来下载方式三:通过Servlet原生下载方式四:通过ResponseEntity<byte[]> 方式来下载四种下载方式的对比1、核心特性对比2、典型场景…

写一个redis客户端软件,参考 Another Redis Desktop Manager 的设计风格。

一个基于 Electron 开发的现代化 Redis 桌面客户端&#xff0c;参考 Another Redis Desktop Manager 的设计风格。 github仓库地址 https://github.com/henkuoai/redis-man-pc

Web3: DeFi借贷的安全基石, 了解喂价与清算机制的原理与重要性

今天我们要聊一个DeFi世界里至关重要&#xff0c;但又时常被误解的话题&#xff1a;为什么DeFi协议需要定期更新喂价和执行清算&#xff1f; 如果大家参与过DeFi借贷&#xff0c;大家可能看到过“清算”这个词&#xff0c;甚至会有点谈虎色变。但实际上&#xff0c;清算和为其提…

「iOS」————响应者链与事件传递链

iOS学习响应者链和事件传递链传递链&#xff1a;hitTest:withEvent**pointInside:withEvent**响应链第一响应者和最佳响应者触摸事件&#xff08;UITouch&#xff09;UIGestureRecognizer&#xff08;手势识别器&#xff09;响应者链和事件传递链 iOS事件的主要由&#xff1a;…

修复图像、视频和3D场景的AI工具–Inpaint Anything

TL; DR&#xff1a;用户可以通过单击来选择图像中的任何对象。借助强大的视觉模型&#xff0c;例如SAM、LaMa和稳定扩散 (SD)&#xff0c;Inpaint Anything能够顺利地移除对象&#xff08;即Remove Anything&#xff09;。此外&#xff0c;在用户输入文本的提示下&#xff0c;I…

java -jar xxx.jar 提示xxx.jar中没有主清单属性报错解决方案

xxx.jar 中没有主清单属性 &#xff08;no main manifest attribute&#xff09;解决方案 java -jar xxx.jar 提示xxx.jar中没有主清单属性报错解决方案 这个错通常出现在你用 java -jar xxx.jar 启动&#xff0c;但 JAR 的 META-INF/MANIFEST.MF 里没有 Main-Class 条目&#…

Myqsl建立库表练习

目录 一、windows中选择一种方式安装Mysql8.0 二、新建产品库mydb6_product 1. 新建3张表如下&#xff1a; 1&#xff09;employees表 2&#xff09;orders表 3&#xff09;invoices表 三、新建员工库mydb8_worker&#xff0c;添加自定义表内容并插入数据 1. 新建库表 2. 插…

STM32 输入捕获,串口打印,定时器,中断综合运用

实验目的 使用定时器 2 通道 2 来捕获按键 2 按下时间&#xff0c;并通过串口打印。 计一个数的时间&#xff1a;1us&#xff0c;PSC71&#xff0c;ARR65535 下降沿捕获、输入通道 2 映射在 TI2 上、不分频、不滤波输入捕获原理定时器输入捕获实验配置步骤测量按键按下时长思路…

Nacos-2--Nacos1.x版本的通信原理

在Nacos 1.x版本中&#xff0c;客户端长轮询&#xff08;Long Polling&#xff09;和服务端UDP主动推送是两种不同的机制&#xff0c;分别用于配置管理和服务发现场景。它们的核心目标都是实现动态更新的实时感知&#xff0c;但实现方式、数据内容和适用场景完全不同。 1、长轮…

机器学习——09 聚类算法

1 聚类算法聚类算法&#xff1a; 是一种无监督学习算法&#xff0c;它不需要预先知道数据的类别信息&#xff0c;而是根据样本之间的相似性&#xff0c;将样本划分到不同的类别中&#xff1b;不同的相似度计算方法&#xff0c;会得到不同的聚类结果&#xff0c;常用的相似度计算…

生成式AI应用生态的爆发与专业化演进:从零和博弈到正和共赢

2025年,生成式AI产业规模已突破7000亿元,全球生成式AI市场规模预计在2028年达到2842亿美元(IDC数据)。在这场技术革命中,AI基础模型的分化已证明:差异化竞争而非同质化替代,才是推动产业发展的核心逻辑。如今,这一规律正从基础模型层向应用生成平台层蔓延——Lovable、…

Mysql——Sql的执行过程

目录 一、Sql的执行过程流程图解 二、Sql的执行过程流程 1.2.1、建立连接 1.2.2、服务层(缓存、解析器、预处理器、优化器、执行器) 1.2.2.1、缓存 1.2.2.2、解析器 1.2.2.3、预处理器 1.2.2.4、优化器 1.2.2.5、执行器 1.2.3、引擎层 一、Sql的执行过程流程图解 Sql的执行过…