精华内容
下载资源
问答
  • 转置矩阵: 将矩阵的行列互换得到的新矩阵称为转置矩阵,转置矩阵的行列式不变。 例如, , 。...如果阶方阵和它的转置相等 ,即,...)或ATA=E,则n阶实矩阵A称为正交矩阵,若A为正交阵,则满足以下条件[2][3]: 1...

    目录

     

    转置矩阵:

    正交矩阵:

    阶梯形矩阵

    行简化阶梯形矩阵

    行最简形矩阵

    伴随矩阵的列排问题:

    求二阶伴随矩阵简单例子

     


    转置矩阵:

    将矩阵的行列互换得到的新矩阵称为转置矩阵,转置矩阵的行列式不变。

    例如,

      ,  

    如果  阶方阵和它的转置相等 ,即  ,则称矩阵  为对称矩阵

    如果  ,则称矩阵  为反对称矩阵。 

    正交矩阵:

    如果:AAT=E(E为单位矩阵,AT表示“矩阵A的转置矩阵”。)或ATA=E,则n阶实矩阵A称为正交矩阵,若A为正交阵,则:

     

    1)逆也是正交阵 对于一个正交矩阵来说,它的逆矩阵同样也是正交矩阵。

    2)积也是正交阵 如果两个矩阵均为正交矩阵,那么它们的乘积也是正交矩阵。

    3)A的各行是单位向量且两两正交

    4)A的各列是单位向量且两两正交

    5)(Ax,Ay)=(x,y)x,y∈R

    6)|A|=1或-1

    7) 

    8)正交矩阵通常用字母Q表示。

     

     

    阶梯形矩阵

    若矩阵A满足两条件:(1)若有零行(元素全为0的行),则零行应在最下方;(2)非零首元(即非零行的第一个不为零的元素)的列标号随行标号的增加而严格递增,则称此矩阵A为阶梯形矩阵。

    例子:

    2 0 2 1                  2

    0 5 2 -2                 5

    0 0 3 2                  3

    0 0 0 0

    行简化阶梯形矩阵

    例子:

    若矩阵A满足两条件:(1)它是阶梯形矩阵;(2)非零首元所在的列除了非零首元外,其余元素全为0,则称此矩阵A为行简化阶梯形矩阵。

    2 0 00

    0 5 00

    0 0 30

    0 0 0 0

    行最简形矩阵

    若矩阵满足两条件:(1)它是行简化阶梯形矩阵;(2)非零首元都为1,则称此矩阵A为

    行最简形矩阵。

    1 0 0 1

    0 1 0 -2

    0 0 1 2

    0 0 0 0

    逆矩阵:

    A是数域上的一个n阶矩阵,若在相同数域上存在另一个n阶矩阵B,使得: AB=BA=,则我们称BA的逆矩阵,而A则被称为可逆矩阵。注:E为单位矩阵

    伴随矩阵的列排问题:

    为什么列排:这是定义规定的 不然矩阵和她的伴随矩阵的乘积就不等于它的行列式乘以单位矩阵了

    如果二维矩阵可逆,那么它的逆矩阵和它的伴随矩阵之间只差一个系数,对多维矩阵不存在这个规律。然而,伴随矩阵对不可逆的矩阵也有定义,并且不需要用到除法

    伴随矩阵A*在位置(i,j)上的元素是矩阵A在位置(j,i)上的代数余子式。

    例如,

      的伴随矩阵是     二阶口诀:主对角线对调,附对角线加负号。

    设矩阵

    将矩阵 的元素所在的第i行第j列元素划去后,剩余的各元素按原来的排列顺序组成的n-1阶矩阵所确定的行列式称为元素余子式,记为

     为元素 的代数余子式

    划去a的当前行,当前列,进行矩阵运算,最后加上 a 元素的正负号(行列式1,1则是1,行列式:1,2则是-1)

    伴随矩阵是列排

    求二阶伴随矩阵简单例子

     

     

     

    展开全文
  • 二阶正交矩阵的一般形式与SU(2)群

    千次阅读 2020-02-11 23:22:03
    正交矩阵的行列式只能为1或-1,为1的是旋转矩阵,为-1的是翻折变换,可以通过镜像变换和旋转变换实现。 这个矩阵总共有四组 实际上,这道题目其中一组最简单的解,就是theta为pi/2,或者t...

    2020年考研数一 

     

     考研数学中很少出现2*2的矩阵题目,这道题目比较特殊。另外这道题目的对称性也比较特殊,这两个变换后的形式完全是一样的,只是把y1,y2和x1,x2对换。

     

    实正交矩阵的行列式只能为1或-1,为1的是旋转矩阵,为-1的是翻折变换,可以通过镜像变换和旋转变换实现。

    这个矩阵总共有四组

    实际上,这道题目其中一组最简单的解,就是theta为pi/2,或者theta为3pi/2的情况,另外一组解就是翻折这一组。

     

    前面由行列式为1的二阶实正交群构成SO(2) 群。

     

     

     进一步如果允许元素为复数,并且行列式的值为1,就构成SU(2)群

     

     

     SO3 群需要给定一个轴 n,给定一个旋转角度,总共需要三个参数才能描述,也可以用欧拉角,三个角度参数描述。

     

     

     

     

    展开全文
  • 对于解释3阶矩阵为什么只有三个自由度即三个自由向量,首先要从二阶正交矩阵只有一个自由度讲起 1、二阶正交矩阵自由度数量证明 根据正交性有,即: 矩阵R中共有ABCD四个元素,而有 、、三个等式约束,故在二阶...

    对于解释3阶矩阵为什么只有三个自由度即三个自由向量,首先要从二阶正交矩阵只有一个自由度讲起

    1、二阶正交矩阵自由度数量证明

    根据正交性有R^{T}R=I,即:

    \begin{bmatrix} A & B\\ C & D\end{bmatrix}\begin{bmatrix} A & B\\ C & D\end{bmatrix}^{T}=I=\begin{bmatrix} A^{2} +B^{2}=1&AC+BD=0 \\ AC+BD=0 & C^{2}+D^{2}=1 \end{bmatrix}

    矩阵R中共有ABCD四个元素,而有

    A^{2}+B^{2}=1AC+BD=0C^{2}+D^{2}=1三个等式约束,故在二阶下只有一个自由变量

    2、三阶正交矩阵自由度证明

    相信看到上面的二阶证明后,三阶大家已经知道为什么只有三个自由度了,同理由R^{T}R=I,可得

    RR^{T}=\begin{bmatrix} 1 & 0& 0\\ & 1 &0 \\ & & 1 \end{bmatrix}

    相乘的结果为一个单位矩阵,与二阶相同,三阶中只有上三角部分具有约束,对角线以下与对角线以上等式相同。

    故三阶中共有9个变量,六个约束等式,可得有三个自由变量。

    3、应用到m阶矩阵中

    m阶矩阵共有m(m-1)/2个自由变量

    展开全文
  • 我们同样采用类比的思考学习方法,将实数域中的转置操作延伸至复数域中的共轭转置,重新定义了复数域中向量的内积和正交概念,同时将实数域中的重要矩阵,如对称矩阵、正交矩阵拓展到复数域中,并找到其对应的厄米特...

    041c76b37b539ec43edf54f2e466eb42.gif

    337df2e2bfa4a3f340e9aef46fa9c471.png

    在这一小节中,我们尝试另一个维度的概念与应用拓展,即将向量和矩阵的概念从实数域拓展到复数域。我们同样采用类比的思考学习方法,将实数域中的转置操作延伸至复数域中的共轭转置,重新定义了复数域中向量的内积和正交概念,同时将实数域中的重要矩阵,如对称矩阵、正交矩阵拓展到复数域中,并找到其对应的厄米特矩阵和酉矩阵,在实数域和复数域的整体框架下,统一了他们的概念和方法。

    基于复数域中的这些重要矩阵,我们举例讨论了如何在这些概念的指引下,使用计算机进行离散傅里叶变换,可以说通过这部分的内容介绍,相信大家能够从整体的角度很好的理解和把握实数与复数、连续与离散、时域与频域、函数与向量这些概念之间的区别与联系。

    7.2.1  回顾:复数和复平面b8937bc49ec2112f0c9e7649565f5db7.png

    首先我们快速的回顾一下复数和复平面的基本知识,便于后续知识的介绍。我记得当我们接触到45b07c845dd90b319b30ecb044ecdb7d.png这个方程的时候,虚数97dbe68063a9c7a97ccce8f576691d8e.png第一次进入到了我们的世界中,对于虚数而言,他的加法和乘法运算都并无新意:

    58938cc3fdda314629dda09065b13413.png

    唯一的新奇之处就在于虚数的平方运算,也就是在解方程1bd99586d5469e9ac2499ac35f1cfc80.png的时候,其平方运算结果是47b2e64e7c6f7aec61aa8da3ed010028.png

    那么对虚数有了认识之后,复数的概念就很自然的出来了。复数是一个形如da4c60acccbe13a765426a3751262a5d.png的数,他由实数956b3bca462d6a16057dcc36abed28e3.png和虚数d25c5582571a454501a36c0377618a26.png组成,其中复数的实部是2db5b637d3df68c617b560aefc5802fe.png,而他的虚部则是5f1fdfb7851fe0452020dc88a5481273.png

    复数的加法运算很简单,他被描述成实部和虚部分别对应相加:

    fb066fee2b1b42ae337ad15723cdd681.png

    例如:有两个复数daf0eb5594e8af768d9de9b684d382c1.png,则620bb4b167668233b421e923b59aebc8.png19ca0f0a692293810a0f8c1c75f3eb1c.png的加法运算结果为:ee6b2dc7140e3023b6ffbf6d377f4fa5.png

    实际上,我们不难通过对比发现,复数的加法有点类似于向量空间8d0d25ea671e04ad8bca3fa01bce8ba4.png中的向量加法运算:a7981dbffa3ef5d2929e5df4da0ed44c.png

    而复数的乘法运算则是需要应用分配律:

    8ed2d84e8931beaa0cfdeda5eac356db.png

    我们还是用上面的两个复数进行举例,则6985772e087d6e844ebdaac36dacfcc2.png73a98c7acea3c0b8d92403ff431f0cda.png的乘法运算结果为:05216c413c6504ebf0eb44f44349fc13.png

    将复数和二维向量进行对比后可以发现:我们可以在一个平面上来表示任意一个复数,这个平面就是复平面,我们将平面上的fa6f77e331dce741bf035d073a24e9a1.png轴称之为实轴,8ff7962f8a05fd153583ce28d52c096e.png轴称之为虚轴,通过分别将实部和虚部作为fa6f77e331dce741bf035d073a24e9a1.png轴和8ff7962f8a05fd153583ce28d52c096e.png轴上的坐标,我们就能够将每一个复数表示成为复平面上的对应点,实际上这就类似于在向量空间5a218dfa0abdd15af21c3e981c8d79f8.png上对二维向量进行表示。

    对于复数的模这个概念,大家应该不会陌生。复数a33bb886dcb28f9dedf5183209db22b2.png,我们将041991ca6f126ac1767235f2e1ecee95.png称作是复数26db7ac683e4d363bb908dd1af846e96.png的模或绝对值,记作df31e553cb732377a31d89dcb5484e71.png,也可以记作是35d816b49f94c861f85f18589aaa70f5.png

    引入了复数的模长dcde7679364711fc8cf17142a4c4ed00.png这个概念,我们可以基于此谈谈复数的极坐标表示法。对于复数的极坐标,另一个重要的量是角度0c35a2b62e2de26c3d95b98e59f879c8.png,此时复数的实部记作是04095ef07839f1da24ddaf8a442e9db5.png,虚部记作是00dd3b941f0d2efe60ffaa5b3910524e.png,因此整个复数又被写作是44dc80599acf95aa34dbc57ab12965dd.png,最终我们把式子合并,记作:baf20cdc5f4f3b04899938ed442d1245.png

    我们在这里列举了三种复数的表示方法,尤其是极坐标的表示法为后面的重要内容埋下了伏笔,利用极坐标形式表示的复数,在进行幂运算的时候是非常方便的。复数d7dc794cf8635599a32124c30c3f5e98.png1fc639b40fbcc8cb1c44e81cb44b65c8.png次幂为d95b1d6f1d8356a4668ddb2822688bdf.png,从式子中我们可以观察到:对于复数的9ee0bb08d2f1030a36497ea4ea323f36.png次幂,在复平面上表示为:复数的模长(半径1b6014be26ffde9c1ba924e233cbf300.png)变成了原始模长的c699d129a6482ef79a49394ca68aec31.png次方,夹角c17db1522f25f06e369d899e198e8abc.png变为了原来的2d464821fb589f12be1780282eb0d847.png倍。

    共轭的概念也是复数中的一个重要基础概念,复数28e1043f691a48eb7db230bbe70099b9.png的共轭复数记作是caa474e79ae7a6de51353cdfc33f443b.png,即实部相同,虚部符号恰好相反。从几何意义的角度来说,复数eddd831747b351d95a301098c4bd3643.png和共轭复数cbc8b9c9cc72def004f7843c510631fd.png在复平面上关于实轴对称。

    如下图7.2所示,我们来实际的在一个复平面上展示上述基本概念:

    43592920094fadff0f2656540e30ec94.png

    图7.2  复平面上的复数表示

    从图中我们看到了一个半径为1的单位圆,即对于复数3846df3dbc42cb0e04b294d14caac357.png而言,他表示所有e37a92b74992a168c30f44bf70faebd1.png的复数,我们可以把他们记作是c4410b7e596ce4f2034fe50f09a7e269.png,极坐标表示形式为:e967358ed9249edfe8747014a5553ea2.png。我们把这两个等式结合起来,就有:

    8f258316e3c56bb812aa4a7ec63c6a6f.png

    这就是大名鼎鼎的欧拉公式,大家可以稍作留意。对于这种模长(半径)为1的复数,他具备一个非常好的性质。大家可以思考一下他的58fb09450004b0314f6c4571409e7315.png次幂运算的最终结果,即结果所得的复数半径始终为1,保持不变,只有0ee5de6d0fbb62ab8980fe5d44293bb9.png角变为了原来的d819bed45a78aeb51785ea43b60f0466.png倍,也就是说幂运算的结果,始终都在复平面的单位圆上滑动。

    由此引出一个非常重要的复数:628e41150d895332b20e3d64529e5be7.png,如图7.3所示,我们可以看出复数6413bec738f9f96d078f0384a2d7c478.png的几何意义在于:他是复平面单位圆上的第一个189555ec49bd025f31b2193634a459db.png等分点。

     b870eb474be4b284b4a821b431eb0a28.png

    图7.3  复平面单位圆上的8等分点

    复数8f40e785a1e6cfe40f1547d00456b1fb.png有一个非常重要的性质,请大家务必要牢牢记住,那就是9d9f62d14af365a8f1875e21019c7809.png4b0abd739766e88fba381871352ea021.png个复数的4a059f1c250107e754889c1fc4a842a0.png次幂的运算结果都是1。换句话说,这7747af202da8e9eb2d57dd26991d3e12.png个复数就是方程58878d591c2d0721da88f5410ca946ee.png的解。

    讲到这里,知识点并不算太复杂,但是或许你暗暗在心中质疑这里讲的复数与我们本书的主题有什么关联?请你耐心的继续往下读,这里我们可以事先剧透一下,复数b9eaecb364091c0492f3ed220305278e.png将是离散傅里叶变换中傅里叶矩阵的核心元素。

    在知识回顾的最后,我们列举一下如何用python实现复数的常用基本运算:

    代码如下:

    z1 = 2 + 1j
    z2 = 3 + 5j
    print(z1.real)  #实部
    print(z2.imag)  #虚部
    print(z1+z2)    #加法
    print(z1*z2)    #乘法
    print(z1.conjugate())  #共轭
    print(abs(z1))  #模长

    运行结果:

    2.0
    5.0
    (5+6j)
    (1+13j)
    (2-1j)
    2.23606797749979
    7.2.2  实数域的拓展:共轭转置b8937bc49ec2112f0c9e7649565f5db7.png

    我们在前面的内容中已经学习过,列向量fd0d27c2f6f6613a8a8ea0eddbc5aa10.png的转置是行向量,即:c187b6149cdb1f8055609c0ae76940f2.png,而实数域中向量长度的平方就是向量与自身的内积,也可以写作是dbd02719d01ef6442f6e124ad9c0caaf.png的形式。

    那么对于包含有复数成分的复向量ff9275d7f7707916f6be4090eb2240f2.png呢?转置的概念能否直接迁移过来?我们先不忙着回答是还是否,先看一个实例:

    比如我们也想求一个复向量35ec8fad269e1a7937b9121c4a84aec0.png长度的平方,如果我们依旧沿用实数域中的操作方法,就会有:

    6e50f88d8edfd3794e9e98cbcc82602b.png

    对于这个答案,我们的内心之中肯定是难以接受的,因为向量z并非一个零向量,但是我们却计算出了他的长度为0。因此,复向量和实数向量对于转置的操作是有区别的,对于一个复向量z和复矩阵A而言,我们在对他进行与实数域中相同的转置操作时,还需要将其中的复数元素转换成他的共轭复数,因此整个过程合并称作是共轭转置。

    即,对于复向量44e8c4e9557aa190c9a5ed377c343147.png,我们将他的共轭转置记作是:

    8574db45341b4751ddd17b3a2cd3813f.png

    那么,在共轭转置的基础上,我们再来看看复数向量长度平方的计算结果:

    b9a6ec9930c6148483d82d1851728d90.png

    从结果中我们发现,复数向量长度的平方就等于向量中各个成分的模长平方和:c18541f8b17451cf3fc3a22d57e52fff.png

    此时我们已经知道了复数向量长度的计算法则,那么我们再把这个概念引申一下,在复数域的范围内,求解复数向量0c47de171ac74b08a0c32b23db688f0e.pngc3b38bb4e34f676963b42a7fc3df3907.png之间的内积:

    47ead26db72133dc80d321a929cdbff2.png

    其实复数域中的内积定义是可以把实数域的情况包含进去的,实数本质上就是虚部为0的复数,对这样的复数取其共轭复数,其结果仍然等于自身。那么对于一个实数向量而言,其共轭转置实质上就只有转置操作了。

    我们来看一个小例子,体会一下这里面的运算过程。我们有复向量fe9d3d06f3b46fa9441dc23c063c6295.png和复向量d9a911d78cec35960d92176b642393d6.png,求这两个向量的内积:

    很简单,一切都按照定义来进行操作:

    3d1d585e77fd81813792b04020d8e451.png

    从计算结果来看,复向量uv的内积为0,两个向量彼此正交。

    7.2.3  厄米特矩阵b8937bc49ec2112f0c9e7649565f5db7.png

    建立起了复向量的共轭转置概念之后,很自然的我们就能联想到矩阵的共轭转置操作,即同样在完成矩阵转置操作的同时,对矩阵的各元素取共轭复数。

    即,有原始矩阵55081e6fbc27b21e71389857ede18161.png,则他的共轭转置矩阵为:c0d6f15d82fcb9ede7a1b7b71ed0213f.png,这和向量的共轭转置操作并无二致。

    到这里,其实我们可以同样提炼出这样一个事实,那就是:实数域内的转置操作就是复数域中共轭转置的一种特殊情况。

    由此,我们引出复数域中的一个极其重要的矩阵:厄米特矩阵,又称为自共轭矩阵。最好的方法还是在实数域中去找到对应的概念,那就是对称矩阵。在实数域中,如果矩阵S的转置矩阵等于自身,即满足30e7878fe0e6860e2b5e637e096825ca.png,则矩阵S称之为是对称矩阵。引申到复数域中,如果一个复数矩阵S,他的共轭转置矩阵等于自身,即满足23626b8ca4aff836a941447322518b2f.png,则矩阵S就是厄米特矩阵。

    我们举一个复数域内的厄米特矩阵来实际的看一看:

    4fc43a85c72008a2cb288dcdc4194188.png,很显然,矩阵S满足32ffe3d0f6992f94f3a6e3b49bdb4aeb.png,他的共轭转置矩阵等于他自身,矩阵S就是一个厄米特矩阵,他的对角线上的元素必须是实数。

    很显然,实对称矩阵也是复数域中厄米特矩阵的一种特殊情况,那么我们还是按照之前类比思考的思路,在前面的章节中,我们重点学习过,实对称矩阵S拥有非常好的性质,他拥有实数特征值和正交的特征向量。

    那么作为复数域中的延伸概念,厄米特矩阵是否拥有类似的性质?答案一定是肯定的,我们简要的来说明一下:

    第一个性质:厄米特矩阵S的特征值一定是实数。

    这个证明过程很简单:

    622e4aaf32e794ad42a51b15df6079d1.png

    我们抓住4732c9d26ee35c983ee338c9e48c5708.png这个关键等式进行观察,很显然等式的左侧有:

    7b687db26dbabf27617fe52565d021e4.png,我们可以观察出两个事实,一方面376d768ad1902822cc25818bf07c52ed.png是自共轭的,同时可以观察出6b20118117e9004d113e6ea7cb0c333b.png计算结果的维度是c4960d8377ea60b6704503497bf2fd7c.png,即结果是一个数,因此26298dc14fa90dbd19cc92ba5636fb8b.png显然只能是一个实数了。

    同时在等式右侧1ca2de0b22c0419343a7523909d2150f.png当中,a2abe05ad670696326aa5f8f85514060.png是复数向量z长度的平方,显然也是实数,那么作为系数的特征值92576fe2fc572be5696f28d9d269e229.png也必须是一个实数了。

    第二个性质:厄米特矩阵S中,不同特征值对应的特征向量满足彼此正交。

    我们来看看任意两个特征值0a0856e53a2c40bad378a18cc53e44ca.png6a0867e40c41fc116f3b4308eb8a9f5a.png以及他们所分别对应的特征向量:c5858bbf2ba133a7e965fa6b9d241574.png9b22fa452375406e95ba4ddc5aa49e1b.png。依照定义显然有48ad642798d9697195455a4ddf89c013.pngf61670c0533fce4c16a1d2b427d3fabb.png

    我们处理第一个特征值定义式子:3633be2e6488c231b16acf4629095c27.png

    而对于第二个特征值定义式,我们有:bd1bb553fa6959efb629361393fcc77e.png,等式两侧同时乘以向量ca3090a56fdcb3f63364eae9fb2b1daa.png,我们可以得到cb44ad7e903eb7af8b2fc6090c7636ee.png

    由于S是厄米特矩阵,满足自共轭特性,因此有,550a002403576fc310acc7459a961ec4.png,由于44eda4e5952d4626c054c671ac0e4d52.png89df5c83b4d6a7c2ecdeef7c5f74f6ec.png是不等的两个特征值,那么为了满足等式左右两边相等,则必须要求:7c356b62b5a2054df6309510093a219f.png,这不正是复数向量内积的定义式吗?两个复数向量内积为0,则二者必然正交。

    7.2.4  酉矩阵b8937bc49ec2112f0c9e7649565f5db7.png

    还是采用同样的思路,在讨论新概念酉矩阵之前,我们首先还是在实数矩阵中寻找对应的概念,还记得那个神奇的矩阵Q吗?

    矩阵Q是一个方阵,他的各列由一组标准正交向量0a414298fec7c966fdf9c64ce9cd8626.png所构成,方阵Q满足1defea5e06e2ba0315f6022a4b91d3a0.png的等式关系,我们称之为正交矩阵,这是我们前面学习过的概念,大家应该非常熟悉。

    那么将这个概念拓展到复数域当中,在复数域中各列满足标准正交的方阵Q我们也给他起了一个新名字,叫酉矩阵。很显然,基于复数向量内积的定义,这里实矩阵的转置操作就应该变成复数矩阵的共轭转置操作,即416ac4939eb98994cc47a9b442f0fa13.png。最终我们得出:酉矩阵Q是一个方阵,满足c5979feced5b7535529105f2fb3041cb.png的关系。

    7.2.5  傅里叶矩阵与离散傅里叶变换b8937bc49ec2112f0c9e7649565f5db7.png

    讲清楚酉矩阵的定义之后,我们不再过多的陷于细节性质的讨论。这里,我们直接抛出傅里叶矩阵的介绍,傅里叶矩阵号称是最重要的酉矩阵,用于进行离散傅里叶变换的处理工作。

    一个ac530985e7a96e0672491709b32a64a9.png的傅里叶矩阵的形式如下:

    dddc29cd6b7b09a7263c16a8390ac728.png,其中b41c9015af689fc14d08c8f40fc9345b.png,傅里叶矩阵中第i行,第j列的元素表达式为6e4efa055af4ccfc0aec345c1b03f347.png

    这里又一次的出现了6cfd99c681187e157b8a97e714548860.png,在前面一部分中我们已经讲过,这个量表示复平面单位圆上的第一个n等分点,因此n阶傅里叶矩阵中的所有元素都位于单位圆的n等分点上。

    我们来看几个实际的例子,为了便于我们计算,我们将b9110f6f795b83bf7ce6a856423b1b70.png按照欧拉公式0f841b565cce1fcc569ac6452dccf43c.png进行展开,得到:c9023d9b03303ada48f5746cc84feea1.png

    那么我们来看一看二阶、三阶和四阶的傅里叶矩阵分别是什么样的,大家一起实际找找感觉:

    0ae1f1736fb56ebd4dad58d73b9ce7ba.png

    了解了傅里叶矩阵的概念和形态之后,读者也许会问,这种矩阵有什么用处?前面不是已经对周期函数和非周期函数的傅里叶变换方法都做过介绍了吗?

    首先,顾名思义,傅里叶矩阵是用来辅助计算机进行傅里叶变换的,而前面介绍过的方法是提供给我们人来计算使用的。因为在信号处理的过程中,机器能够处理的都必须是离散的信号,因此我们前面介绍的连续时间周期函数和连续时间非周期函数都无法直接借助机器进行处理。

    机器能够处理什么样的信号?一方面是有限长度的信号,另一方面是离散的信号,这里的离散包含两个方面,一个是傅里叶变换前时域的信号必须离散,另一个是变换后频域里的频谱也必须离散。

    要想使用机器来进行傅里叶变换,就必须满足这三个条件,这称之为离散傅里叶变换(DFT)。有限长度很好满足,我们对一段连续时间信号进行截断即可,截断区间我们可以取cab04e43b8e6daadd888eed5a988fe46.png,通过对连续时间信号进行采样,获取时域内的离散输入。

    采样的个数一般定为,96cc774f18daa15e8845bfd0c92c593a.png如32,64,...,1024等等。我们在前面学习过,只有时域内的周期信号经过傅里叶变换才能得到离散的频谱,不过这个很好处理,我们将这段有限长度的时域信号进行周期延拓即可实现。

    我们通常借助计算机来实现离散傅里叶变换,那么理解好这个变换过程的输入和输出则非常重要。例如:我们对一个连续时间信号c82cab5131db2f2bff15db1357d36c90.png47458ff0bf69fb8298757a6fbea30141.png的采样区间内采样32次,那么时间信号的输入就变成了离散的形式:

    80b15cfab93f7c3192461c592fd49006.png

    即输入向量的元素为32个,即采样次数。

    然后,我们同样是把这个离散化后的函数4f254ee4b85a1e89cbb7a8b88e6e934f.png用一组谐波基来进行表示,那么首先我们就要确定这一组谐波的基频率706cb09aaabeed3dc57afcc41f05ce11.png:具备该基频率的谐波是在整个f5eae832c4847177a020c28e4b5a8391.png采样周期内只震动一个周期的谐波函数6c2f3ee432985229d12899540b3264ed.pngfab99df8bb29d1c560ca7006a84c45d2.png,所有基函数的频率都是这个基频率的整数倍,因此经过离散傅里叶变换后的基函数依次为:1,0b4ec6fce5adcea920ed26a07d295d36.png3b672596138dc6f84db5e735a888e514.pngc4effd16a1e1dde5d27c734fbc248895.pngc548234a313310aad3b3b275a8ae76f5.png0924ed700a1d767d9fb8d5af74c9d1f3.png8e47d366a070a62191585b3448aa11a4.png1ca74a5c00a10b5d311ad3d15baaa035.png41af1ec2a13a9890bea6a6c58e66088f.png,......,c7798fcb0bf65e27b8c65a2bff695ee8.png9490c46aeddcf1ecb9b23a09be6bdfa7.png,同频的正余弦函数算作一组,即含32组基函数。

    因此,经过离散傅里叶变换后的输出向量里的元素也是32个,但是这32个量是复数形式的7a6374184a923b57706ef8efd0c7e4bd.png,分别对应了每个频率的余弦和正弦基函数的系数,通过fcdfec6e5a32a06acd63232707909fef.pngc067f26a2a61c3ffd897c1e2e41cc067.png就可以计算出每个频率谐波基的幅度和相位。

    傅里叶矩阵是离散傅里叶变换中的核心数据结构,而通过针对矩阵结构进行优化设计而形成的高速、优化的算法,我们称之为快速傅里叶变换,也就是我们常听说的FFT。他大幅提升了信号处理的效率。

    最后我们利用python语言来实际进行离散傅里叶变换的处理,首先我们来看看我们要处理的时域信号:

    5bead0e5df5eb953c97ee820c4e7e337.png

    绘制函数图像的代码如下:

    import numpy as np
    import matplotlib.pyplot as plt

    def f(x):
        return np.sin(x)+2*np.sin(3*x)+2*np.cos(3*x)+4*np.sin(15*x)

    x = np.linspace(02*np.pi, 2048)
    plt.scatter(x, f(x))
    plt.grid()
    plt.show()

    如图7.4所示,我们来实际看看时域中信号在一个c1a957584114848039678cbcb1012085.png周期内的形态:

    1b8ef7b8f233a6158153ae1416ff77e8.png

    图7.4  时域信号263e7e8a0d3c60b8aee8784ce369f49a.png的形态

    下面我们就用python中的fft工具来对这段时域信号进行频域分析,代码如下:

    import numpy as np
    from scipy.fftpack import fft
    import matplotlib.pyplot as plt

    x = np.linspace(0, 2*np.pi, 128)
    y = np.sin(x)+2*np.sin(3*x)+2*np.cos(3*x)+4*np.sin(15*x)

    xf = np.arange(len(y))               #离散频率
    xf_half = xf[range(int(len(x)/2))]   #由于对称性,只取一半区域
    yf = abs(fft(y))/len(x)              #执行完fft后,对各频率的能量归一化处理
    yf_half = yf[range(int(len(x)/2))]   #由于对称性,只取一半区间

    plt.plot(xf_half, yf_half)
    plt.show()

    经过快速傅里叶变换之后,我们最终得到的结果如图7.5所示:

    1f4b4ebfbc1945b173e4095fbc7598f0.png

    图7.5  快速傅里叶变换后得到的频谱图

    我们仔细观察图中的数据,图中三个能量最高的峰值点,正对应我们时域函数c320b3a3eb35eb8c59216d066ce9bc87.png中合成的三个谐波频率,且能量也和各谐波系数取模后的比例保持一致。

    7.2.6  思维拓展分析b8937bc49ec2112f0c9e7649565f5db7.png

    对于快速傅里叶变换FFT的算法细节,限于本书的讨论主线,我们就不再对其展开介绍了。通过这一节内容的讨论,我们将思维和视野做了另一个维度的拓展,即从实数域拓展到了复数域,并将实数域中的一些重要矩阵和定理法则相应的做了类比分析,最终将实数域和复数域的向量与矩阵概念进行了统一和整合,从而探索出线性代数更为广阔的应用舞台。

    b8937bc49ec2112f0c9e7649565f5db7.png▼往期精彩回顾▼前言1.1 描述空间的工具:向量1.2 基底构建一切,基底决定坐标1.3 矩阵,让向量动起来1.4 矩阵乘向量的新视角:变换基底2.1 矩阵:描述空间中的映射2.2 追因溯源:逆矩阵和逆映射3.1 投影,寻找距离最近的向量3.2 深入剖析最小二乘法的本质3.3 施密特正交化:寻找最佳投影基地4.1相似变换:不同的视角,同一个变换4.2 对角化:寻找最简明的相似矩阵4.3  关键要素:特征向量与特征值

    5.1  最重要的矩阵:对称矩阵

    5.2 数据分布的度量

    5.3利用特征值分解进行主成分分析(PCA)

    5.4  更通用的利器:奇异值分解(SVD)

    5.5  利用奇异值分解进行数据降维

    d2be0b2aa7b7a83d11f6f24dba7a3154.png本书所涉及的源代码已上传到百度网盘,供读者下载。请读者关注封底“博雅读书社”微信公众号,找到“资源下载”栏目,根据提示获取。29c895aaf3b8a34ea1ab03686a8462a7.gif

    如果您对本书感兴趣,请进入当当网选购!

    e66d4ce1350c6e160d4bf5c7f4393d70.png

    5cb53741164c7b638cb51b8476a02388.gif

    7508425c3842e28f5f28d3231bdd0f32.png

    展开全文
  • 一、向量的内积与长度二、向量的正交性三、正交规范化的施密特方法课后作业线性代数目录线性代数001|前言线性代数002|劝学篇.什么是学习?线性代数003|劝学篇.为什么要学习?线性代数004|劝学篇.如何学习?线性代数...
  • 思想:对于实对称矩阵 ,存在正交矩阵 使得 是对角矩阵,对角线元素就是 的特征值, 的第 列就是对应 的特征向量.如何找正交矩阵?以二阶矩阵为例 考虑二次型 希望通过坐标旋转将 变为标准型 .取 那么 .一般地,对于...
  • 1加减乘法 2矩阵与向量的乘法 2.1例 2.2用矩阵把三维向量转换成2维的向量 3单位矩阵 4线性变换 4.1伸缩 ...7正交矩阵 8行列式 8.1 二阶行列式 8...
  • 群的直积

    2020-09-11 18:42:18
    O(n)/SO(n)≃z2,正交矩阵行列式±1,特殊正交矩阵行列式+1O(n)/SO(n) \simeq z_{2} , 正交矩阵行列式\pm 1,特殊正交矩阵行列式+1O(n)/SO(n)≃z2​,正交矩阵行列式±1,特殊正交矩阵行列式+1 .
  • 在有趣的情况下考虑使用L个算子,这些算子遵循与正交或辛基R矩阵的RLL关系,在这种情况下,它们的频谱参数反幂扩展被截断。 与特殊线性代数对称的情况不同,截断会在Lie代数生成器上产生其他条件,这些条件生成了L...
  • 在此基础上,我们研究了在正交和辛对称情况下较早考虑的Yang-Baxter算子的类比:矢量(基本)R矩阵,L算子定义了Yangian代数及其一阶和二阶求值。 我们研究了在u的逆幂的截断展开的情况下L(u)的条件,并给出了...
  • Hessian矩阵的2个特征值分别为图像灰度函数的二阶导数的极大值和极小值,所对应的2个特征向量则表示2个极值所取的方向,且相互正交。图像线条边缘法线方向(nx,ny)对应于Hessian矩阵最大绝对特征值的特征向量。 ...
  • @TOC 一、Tensor-train分解 1. 定义 给定N阶张量,将其分解成N个二阶或三阶张量的缩并形式: 2. TT低秩近似 二、矩阵乘积态 1. 定义 2. 矩阵乘积态与量子纠缠 3. 矩阵乘积态的规范自由度与正交形式
  • 有期望信号d(n),纯净信号x(n),以及噪声信号g(n);...根据最小均方差准则设计滤波器,滤波器设计问题转为函数求驻点的问题,在驻点处能够取得极值,如果能证明该式有连续二阶偏导,且得到的hesse矩阵正定...
  • hessian矩阵图像中表示当前点的二阶矩阵;一阶导表示灰度的变化,二阶导是变化的变化,即灰度的曲率。 求解出hessian矩阵的特征向量,可以将该点的曲率进行分解。特征值最大对应的特征向量方向表示该点的主曲率...
  • PCA变换与KL变换

    千次阅读 2017-11-15 16:28:30
    PCA 方法是由 Turk 和 Pentlad 提出来的,它的基础就是 ...PCA的变换矩阵是协方差矩阵,K-L变换的变换矩阵可以有很多种(二阶矩阵、协方差矩阵、总类内离散度矩阵等等)。当K-L变换矩阵为协方差矩阵时,等同于PCA。
  • 在OpenCv中提供了两种实现目标跟踪的关键算法,LK算法和HS算法,也就是通常所说的稀疏光流和稠密光流。寻找角点角点,其实也就是一幅...关于角点的定义,是由Harris提出的,其基础是图像灰度强度的二阶导数矩阵 。该
  • 1.1 二阶与三阶行列式 1.2 全排列与对换 1.3 n阶行列式 1.4 行列式的形式 1.5 行列式按某行展开 1.6 克拉默法则 二、矩阵及其运算 2.1 线性方程组和矩阵 2.2 矩阵的运算 2.3 特殊矩阵(方矩阵) 2.4 逆矩阵 2.5 分块...
  • 线性映射的体积膨胀系数 例子 例题:秩 例子:相似标准型 小结 方阵的相合变换 相合不变量 方阵的正交相似变换 方阵的正交相似标准阵 主成分分析 PCA的步骤 长方矩阵的奇异值分解 多元函数的二阶逼近 极大似然估计的...
  • 首先从理论上分析有限采样影响下秩减估计器的波达方向估计性能,然后基于信号(或噪声)子空间的正交投影矩阵扰动定理,分别推导秩减估计器方位估计偏差的一阶和二阶闭式表达式,在此基础上给出其方位估计均方误差、...
  • (4) 在任何标准正交基下的矩阵都是反对称的.满足上述等价条件的变换称为反对称变换. 与对称变换可对角化不同, 反对称变换的标准形离不开二阶块.问题 8.66 设 为反对称变换, 则存在一组标准正交基使得 的矩阵为其中,,...
  • 特征值分解 最大似然估计法 欠拟合 二阶导数 奇异值分解 最大后验概率法 过拟合 牛顿法 矩阵分解 离散型随机变量 噪声 泰勒展开 连续型随机变量 偏差 线性搜索方法 概率质量函数 置信域方法 概率密度函数 ...
  • 利用旋转矩阵构建各传感器理想正交轴间非对准误差的线性方程组并求出最小二乘解,将各传感器输出校正到参考平台框架正交坐标系上。两步校正过程均无数学简化。仿真与实验表明,相比忽略二阶及以上高阶小量的常规线性...
  • 首先根据四阶累积量函数,得到使全局混合矩阵与加性噪声正交的线性变换。对经线性变换预处理后的多轨音乐数据利用二、四阶组合时延统计量,估计出混合矩阵和源乐器信号。仿真实验证明,这种组合时延统计量乐器分离法...
  • §1 二阶与三阶行列式 §2 全排列及其逆序数 §3 n阶行列式的定义 §4 对换 §5 行列式的性质 §6 行列式按行(列)展开 §7 克拉默法则 习题一 第二章 矩阵及其运算 §1 矩阵 §2 矩阵的运算 §3 逆矩阵 §4 矩阵...
  • 多尺度血管增强滤波

    千次阅读 2017-06-02 18:43:32
    page3:Hessian矩阵特征值分解的意义是提取主要方向,图像的局部二阶结构可以在这些主要方向中被分解。因为这些主要方向直接给出了最小曲率方向(沿着血管),就避免了多方向上的多次滤波。后者不但计算量大并且需要...
  • 针对正交频分复用(OFDM), 宽带信号波达方向(DOA)估计问题, 提出一种基于宽带信号协方差矩阵稀疏表示的DOA估计方法。该方法是在协方差矩阵主对角线下对左下角三角形元素按各条对角线取平均值后形成一个新的向量, ...
  • zhang标定方法

    2013-03-24 15:14:58
    张正友提出了一种可以利用 旋转矩阵正交条件及非线性最优化进行摄像机标定 的方法 [ 33 ] 。 该方法需要摄像机从不同的角度拍摄 一个网格状 平面模板 来获得若干 幅图像 ( 至少三幅 ) , 由于平面模板上每个特征点...
  • 由于均方根偏差只涉及光场密度矩阵二阶统计矩,在许多情况下,这种物理量不能精确量度光场的量子涨落。海森伯测不准关系是熵测不准关系的一个特例,可用熵量度光场正交分量的量子涨落。依据熵测不准关系,建立了光场熵...
  • Sitter vacua中的快球

    2020-03-24 15:55:56
    我们明确表明,在所考虑的示例中,速度子总是接近但从未完全与sgoldstino方向对齐,并辩称这种行为是由Covi等人的“不行定理”的广义版本解释的 sgoldstino与正交模量之间的质量矩阵中的大量混合。 该观察结果还...
  • 2.维数、基与坐标,向量的正交化 3.基变换和坐标变换 4.向量的应用举例 习题三 4.线性方程组 1.线性方程组解的结构 2.线性方程组的求解 1.解存在性的判断 2.齐次方程组和非齐次方程组的求解 3.矩阵、向量、...

空空如也

空空如也

1 2
收藏数 40
精华内容 16
关键字:

二阶正交矩阵