Лучшие вопросы
Таймлайн
Чат
Перспективы
Отношение Рэлея
Из Википедии, свободной энциклопедии
Remove ads
В математике для данной комплексной эрмитовой матрицы и ненулевого вектора отношение Рэлея[1] определяется следующим образом[2][3]:
Для действительных матриц условие эрмитовости матрицы сводится к её симметричности, а эрмитово сопряжение векторов превращается в обычное транспонирование . Заметьте, что для любой вещественной константы . Напомним, что эрмитова (как и симметричная вещественная) матрица имеет вещественные собственные значения. Можно показать, что для матрицы отношение Рэлея достигает минимального значения (наименьшее собственное число матрицы ) когда равен (соответствующий собственный вектор). Подобным образом можно показать, что и . Отношение Рэлея используется в теореме Куранта-Фишера о минимаксе для получения всех значений собственных чисел[4]. Используется оно и в алгоритмах нахождения собственных значений матрицы для получения приближения собственного значения из приближения собственного вектора. А именно, отношение является базой для итераций с отношением Рэлея[англ.][5][6].
Множество значений отношения Рэлея называется числовым образом матрицы[англ.][7][8] или областью значений матрицы.
Remove ads
Специальный случай ковариационных матриц
Суммиров вкратце
Перспектива
Ковариационная матрица M для многомерной статистической выборки A (матрицы наблюдений) может быть представлена в виде произведения A' A[9][10]. Будучи симметричной вещественной матрицей, M имеет неотрицательные собственные значения и ортогональные (или приводимые к ортогональным) собственные вектора.
Во-первых, то, что собственные значения не отрицательны:
И, во-вторых, что собственные вектора ортогональны друг другу:
- (если собственные значения различны — в случае одинаковых значений можно найти ортогональный базис).
Теперь покажем, что отношение Рэлея принимает максимальное значение на векторе, соответствующем наибольшее собственное значение. Разложим произвольный вектор по базису собственных нормированных векторов vi:
- , где является проекцией x на
Таким образом, равенство
можно переписать в следующем виде:
Поскольку собственные вектора ортогональны, последнее равенство превращается в
Последнее равенство показывает, что отношение Рэлея является суммой квадратов косинусов углов между вектором и каждым из собственных векторов , умноженных на соответствующее собственное значение.
Если вектор максимизирует , то все вектора, полученные из умножением на скаляр ( для ) также максимизируют R. Таким образом, задачу можно свести к нахождению максимума при условии .
Поскольку все собственные числа не отрицательны, задача сводится к нахождению максимума выпуклой функции и можно показать, что он достигается при и (собственные значения упорядочены по убыванию).
Таким образом, отношение Рэлея достигает максимума на собственном векторе, соответствующему максимальному собственному значению.
Тот же результат с использованием множителей Лагранжа
Тот же результат может быть получен с помощью множителей Лагранжа. Задача состоит в нахождении критических точек функции
- ,
при постоянной величине То есть, нужно найти критические точки функции
где — множитель Лагранжа. Для стационарных точек функции выполняется равенство
и
Таким образом, собственные вектора матрицы M являются критическими точками отношения Рэлея и их собственные значения — соответствующими стационарными значениями.
Это свойство является базисом метода главных компонент и канонической корреляции.
Remove ads
Использование в теории Штурма — Лиувилля
Суммиров вкратце
Перспектива
Теория Штурма — Лиувилля заключается в исследовании линейного оператора
- ,
где функции удовлетворяют некоторым специфичным граничным условиям в точках a и b. Отношение Рэлея здесь принимает вид
Иногда это отношение представляют в эквивалентном виде используя интегрирование по частям[11]:
Remove ads
Обобщение
Для любой пары вещественных симметричных положительно определённых матриц и ненулевого вектора , обобщенное отношение Рэлея определяется как
Обобщённое отношение Рэлея можно свести к отношению Рэлея путём преобразования , где — разложение Холецкого матрицы .
См. также
- Числовой образ матрицы[англ.]
Примечания
Литература
Wikiwand - on
Seamless Wikipedia browsing. On steroids.
Remove ads