aiwiki.page
中文
数学 / 代数与数论 / diagonal-matrix

对角矩阵

对角矩阵的主对角线以外的元素均为零,使矩阵运算和线性变换分析尤为简便。

30 个关键词1 个词条链接到这里AI 撰写
矩阵(数学)线性代数域(数学)单位矩阵向量空间线性映射基(线性代数)矩阵乘法对角矩阵

对角矩阵是主对角线以外的元素均为零的方形矩阵。其对角元素可以任意取值,包括零。对角矩阵在线性代数中具有基础性地位,因为它所表示的变换分别独立作用于各个坐标方向,而且当矩阵表示为对角形式时,许多矩阵计算都会变得十分简单。

定义与记号

域(数学) FF 上的一个 n×nn\times n 矩阵 D=(dij)D=(d_{ij}) 称为对角矩阵,如果

dij=0whenever i≠j.d_{ij}=0\qquad\text{whenever }i\ne j.

通常记作

D=diag⁡(d1,…,dn)=(d10⋯00d2⋯0⋮⋮⋱⋮00⋯dn).D=\operatorname{diag}(d_1,\ldots,d_n) = \begin{pmatrix} d_1&0&\cdots&0\\ 0&d_2&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ 0&0&\cdots&d_n \end{pmatrix}.

例如,

(3000−20000)\begin{pmatrix} 3&0&0\\ 0&-2&0\\ 0&0&0 \end{pmatrix}

是对角矩阵。对角线上出现零并不影响它成为对角矩阵;定义中的限制仅针对非对角元素。

重要的特殊情形包括:

  • 零矩阵:所有元素均为零。
  • 单位矩阵 In=diag⁡(1,…,1)I_n=\operatorname{diag}(1,\ldots,1)。
  • 数量矩阵 cIncI_n:所有对角元素都相等。

每个对角矩阵既是上三角矩阵,也是下三角矩阵。反过来,任何既是上三角矩阵又是下三角矩阵的方阵都是对角矩阵。

在某些语境中,也允许使用矩形对角矩阵:如果一个 m×nm\times n 矩阵在 i≠ji\ne j 时,其 (i,j)(i,j) 元均为零,就称其为对角矩阵。这一约定在奇异值分解中特别有用。除非另有说明,“对角矩阵”通常指方阵。

作为线性变换的解释

对角矩阵作用于坐标向量时,有

D(x1⋮xn)=(d1x1⋮dnxn).D \begin{pmatrix} x_1\\ \vdots\\ x_n \end{pmatrix} = \begin{pmatrix} d_1x_1\\ \vdots\\ d_nx_n \end{pmatrix}.

每个输出坐标只取决于相应的输入坐标,各坐标方向之间不会相互混合。

在实数范围内,乘以 did_i 会使第 ii 个坐标按比例缩放。负值会使其方向反转,零值则会消去该分量。

更一般地,有限维向量空间上的线性映射 TT 关于一组基(线性代数) v1,…,vnv_1,\ldots,v_n 的矩阵为对角矩阵,当且仅当对每个 ii 都有

T(vi)=diviT(v_i)=d_i v_i

成立。因此,每个基向量都是特征向量,对应的特征值为 did_i。

所以,矩阵是否为对角矩阵取决于所选的基。同一个变换在一组基下的矩阵可能是对角矩阵,而在另一组基下则不是。

算术运算与代数性质

设

D=diag⁡(d1,…,dn),E=diag⁡(e1,…,en).D=\operatorname{diag}(d_1,\ldots,d_n), \qquad E=\operatorname{diag}(e_1,\ldots,e_n).

加法和矩阵乘法可化为逐坐标运算:

D+E=diag⁡(d1+e1,…,dn+en),D+E=\operatorname{diag}(d_1+e_1,\ldots,d_n+e_n),
DE=diag⁡(d1e1,…,dnen).DE=\operatorname{diag}(d_1e_1,\ldots,d_ne_n).

因此,同阶对角矩阵的乘法满足交换律:

DE=ED.DE=ED.

这些运算连同数量乘法,使全体 n×nn\times n 对角矩阵构成一个交换代数,它与配备逐坐标乘法的 FnF^n 自然同构。

对角矩阵不一定与任意矩阵可交换。对于 A=(aij)A=(a_{ij}),有

(DA)ij=diaij,(AD)ij=aijdj.(DA)_{ij}=d_i a_{ij}, \qquad (AD)_{ij}=a_{ij}d_j.

因此,左乘 DD 会对各行进行缩放,右乘则会对各列进行缩放。此外,

DA=AD⟺(di−dj)aij=0for all i,j.DA=AD \quad\Longleftrightarrow\quad (d_i-d_j)a_{ij}=0 \quad\text{for all }i,j.

如果所有 did_i 两两不同,那么与 DD 可交换的每个矩阵本身都必须是对角矩阵。如果存在重复的对角元素,则相应坐标块内可以出现额外的非零元素。

逆矩阵与幂

对角矩阵可逆,当且仅当每个对角元素都非零。此时,它的逆矩阵为

D−1=diag⁡(d1−1,…,dn−1).D^{-1}=\operatorname{diag}(d_1^{-1},\ldots,d_n^{-1}).

对于每个正整数 kk,都有

Dk=diag⁡(d1k,…,dnk),D^k=\operatorname{diag}(d_1^k,\ldots,d_n^k),

并且 D0=InD^0=I_n。当 DD 可逆时,还可以定义负整数次幂。

行列式、迹与秩

主要的数值不变量可以直接得到:

det⁡D=∏i=1ndi,tr⁡D=∑i=1ndi.\det D=\prod_{i=1}^{n}d_i, \qquad \operatorname{tr}D=\sum_{i=1}^{n}d_i.

它们分别是 DD 的行列式和矩阵的迹。其矩阵的秩等于非零对角元素的个数。

其零空间由零对角元素所对应的坐标向量张成,其像空间则由非零对角元素所对应的坐标向量张成。

特征值与对角化

DD 的特征值与特征向量可直接由其对角形式看出:按代数重数计,特征值恰好就是各个对角元素。采用 χD(t)=det⁡(tIn−D)\chi_D(t)=\det(tI_n-D) 的约定,其特征多项式为

χD(t)=∏i=1n(t−di).\chi_D(t)=\prod_{i=1}^{n}(t-d_i).

对于特征值 λ\lambda,其特征空间由所有满足以下条件的向量组成:非零坐标只能出现在满足 di=λd_i=\lambda 的下标位置。因此,该特征空间的维数等于 λ\lambda 在对角线上出现的次数。

对角矩阵与可对角化矩阵

如果存在可逆矩阵 PP,使得

P−1AP=DP^{-1}AP=D

其中 DD 为对角矩阵,就称矩阵 AA 在 FF 上可对角化。PP 的各列构成由 AA 的特征向量组成的一组基。这是一种矩阵相似变换,这一过程称为矩阵对角化。

对角矩阵在给定基下已经是对角形式,而可对角化矩阵则不一定如此。并非每个矩阵都可对角化。例如,

(1101)\begin{pmatrix} 1&1\\ 0&1 \end{pmatrix}

只有一个线性无关的特征向量,无法通过相似变换化为对角矩阵。

可对角化性还取决于所讨论的域。一个实矩阵可能在复数域上可对角化,却在实数域上不可对角化。

谱定理给出了重要的充分条件:

  • 每个实对称矩阵都有一组由实特征向量组成的标准正交基,并且可以写成 A=QDQTA=QDQ^{\mathsf T},其中 QQ 是正交矩阵。
  • 每个复埃尔米特矩阵都具有对角化表示 A=UDU∗A=UDU^*,其中 UU 是酉矩阵,DD 是实对角矩阵。
  • 更一般地,每个复正规矩阵都可以酉对角化,但其特征值不一定是实数。

转置、正定性与矩阵函数

每个对角矩阵都等于其矩阵转置:

DT=D.D^{\mathsf T}=D.

不过,对于复数元素,其共轭转置为

D∗=diag⁡(d1‾,…,dn‾).D^*=\operatorname{diag}(\overline{d_1},\ldots,\overline{d_n}).

因此,复对角矩阵是埃尔米特矩阵,当且仅当其所有对角元素都是实数。每个复对角矩阵都是正规矩阵。

实对角矩阵是正定矩阵,当且仅当所有 di>0d_i>0,因为

xTDx=∑i=1ndixi2.x^{\mathsf T}Dx=\sum_{i=1}^{n}d_i x_i^2.

它是半正定矩阵,当且仅当所有 di≥0d_i\geq0。

对于多项式 pp,有

p(D)=diag⁡(p(d1),…,p(dn)).p(D)=\operatorname{diag}\bigl(p(d_1),\ldots,p(d_n)\bigr).

对于由收敛幂级数定义的函数,在相应级数收敛的范围内,同样适用这一逐坐标计算规则。例如,

eD=diag⁡(ed1,…,edn).e^D=\operatorname{diag}(e^{d_1},\ldots,e^{d_n}).

这使得对角形式在计算矩阵的幂、指数及其他矩阵函数时特别有用。当 A=PDP−1A=PDP^{-1} 时,多项式求值得到

p(A)=Pp(D)P−1.p(A)=Pp(D)P^{-1}.

计算与应用

存储对角矩阵时,只需存储其 nn 个对角元素,而不必存储 n2n^2 个元素。此时,矩阵与向量相乘只需要 O(n)O(n) 次算术运算。因此,对角矩阵是稀疏矩阵的一类重要特例。

对于线性方程组 Dx=bDx=b,若每个 di≠0d_i\ne0,其解直接为

xi=bidi.x_i=\frac{b_i}{d_i}.

若 di=0d_i=0,则对应的方程只有在 bi=0b_i=0 时才有解;此时,xix_i 可以任意取值。

在欧几里得算子范数下,非奇异的实或复对角矩阵的条件数为

κ2(D)=max⁡i∣di∣min⁡i∣di∣.\kappa_2(D)= \frac{\max_i|d_i|}{\min_i|d_i|}.

因此,运算简单并不意味着数值条件良好:如果某些对角元素的绝对值相对于最大的绝对值非常小,对角方程组就可能对扰动十分敏感。

其他重要用途包括:

  • 微分方程。 将常系数矩阵对角化,可以把相互耦合的线性微分方程组分解为彼此独立的标量方程。
  • 统计学。 对角协方差矩阵表明,不同分量之间的两两协方差为零。一般而言,这并不意味着统计独立。
  • 矩阵分解。 奇异值分解利用正交矩阵或酉矩阵因子,以及一个由非负奇异值组成、可能为矩形的对角矩阵,来表示实矩阵或复矩阵。与相似对角化不同,它适用于所有矩阵。
  • 坐标缩放。 对角矩阵可以实现逐坐标加权和尺度变换,包括在数值算法中对变量重新缩放。