精华内容
下载资源
问答
  • 在数列、微分方程、矩阵三个不同的领域中都见到了“特征值”这个名字,难道仅仅是因为他们都刻画了问题的特征吗?当时我想,一定不是的。或许这些特征值是同一个特征值。因为本人水平较低,这个...

    aae52afd56b4b75fd0a60b0b09507a6d.png

    一、缘起

    初中临近毕业,准备高中自招,误打误撞买了本高考自招指南。第一次见到了线性递推数列的特征根解法。后来学习物理竞赛,学解微分方程,在线性常系数常微分方程的解法中了解到了特征根解法。学线代的时候又接触到了矩阵的特征值。在数列、微分方程、矩阵三个不同的领域中都见到了“特征值”这个名字,难道仅仅是因为他们都刻画了问题的特征吗?当时我想,一定不是的。或许这些特征值是同一个特征值。

    因为本人水平较低,这个问题断断续续地想了好几年,逐渐从各个角度撺出了一些头绪。本文对这些想法做一个介绍和总结,试图一窥这些特征值之间的关系。下文中很多内容是常见的数学基础知识,在各种教材中都可以见到,在此一并做一个回顾,故本文只需一点点微积分和线代基础即可阅读;另一些想法和关联是我自己凭空捏造出来的,完全有可能是瞎掰,望读者不吝指正。或许还有一些显而易见、呼之欲出的关联,因本人知识水平有限,无法注意到,望读者提点。

    我会先介绍预备知识引入,如果你已经会了的话请放心跳过。然后会探究数列、矩阵和微分方程中的特征值的关系。


    二、预备

    1、数列的特征值解法(来自高考学)

    相信高中学过数列的朋友们都听说过数列的特征根解法,下面我们以二阶齐次线性递推数列的特征根解法为例,做一个简单的介绍。高阶的版本同理。

    数列的特征根解法
    假设我们有一个二阶线性递推数列
    我们将其中的
    替换为
    得到一个方程
    我们将这个方程称为该递推式的
    特征方程
    记该方程有两个根为

    则数列的通项为
    ,其中
    由初项确定。

    ,则数列的通项为

    聪明的你或许已经注意到了我放着简单的x不用,偏要用TeX代码好长的lambda,打得我累死了。以及特征根可以为复数,想一想,复数时会怎样?

    来自高考学的证明

    下面我们来做个简单的证明,这一证明常见于各种高考学教材,大家会注意到这一方法基本完全没有intuition指导,乍看起来莫名其妙,非常具有技巧性,让人好奇是怎么拍脑袋想出来的。

    有韦达定理可知

    ,代入递推式得到

    接下来神来之笔地移项,得到

    可见莫名其妙得到了一个等比数列,解之,得

    然后凑一凑,

    再累加,这时由于要求右侧等比数列的和,需要对公比是否等于1分类,

    ,则

    ,应用等比数列求和公式可得

    希望你还没有因为枯燥的技巧性证明离开。

    2、矩阵的特征值(来自线性代数)

    先推荐3b1b的系列视频,学线代杀人越货必备。

    【官方双语/合集】线性代数的本质 - 系列合集_哔哩哔哩 (゜-゜)つロ 干杯~-bilibiliwww.bilibili.com
    689e01b48e4e948f3fd839a39ddead31.png

    下面来简单介绍一下特征值。下列论述中若有不理解请直接到3b1b的视频里找对应章节。

    首先,矩阵描述了线性变换,一种理解是对基的变换,即将向量在一组基下的分量表示,变换到另一组基下的分量表示;另一种理解是对向量的变换,即将一个向量变换为另一个向量。

    我们先取后一种理解

    矩阵的特征值与特征向量

    那么对一个线性变换

    ,可能存在一些向量
    ,在这个变换下
    方向不变。用数学的语言,即
    。我们把这种向量称为
    特征向量,对应的常数
    称为对应的
    特征值

    为什么特征值值得我们研究?

    依我看,是因为它把矩阵的乘法变成了常数的乘法,在许多场合可以大大简化计算。

    最基本的求矩阵特征值的方法便是从定义

    出发,我们做移项,得

    其中

    代表单位矩阵。为了得到非平凡解(
    ),必须要求前面的矩阵的行列式为零:

    该方程称为矩阵

    特征方程
    举个例子

    我们举一个例子

    (为什么我们要举这个例子?),

    特征方程就是

    展开得到

    上式的两个根即为该矩阵的两个特征值。再代入定义式便可得到对应的特征向量。

    另外多提一件事:线性方程组的叠加原理:线性齐次方程的解的叠加还是解。

    比如方程

    有两个解
    那么他们的线性叠加
    也是解。

    3、微分方程的特征值解法(来自微积分)

    学物理的同学可能经常会遇到线性微分方程,比如单摆的运动方程

    猜解

    解得时候老师经常会用“猜解”这种说辞糊弄人,我们拿二阶的方程做个例子。高阶同理。

    (以后我们在函数上打点即表示对时间

    的导数,两个点就是二阶导,以此类推。同时我们有时将求导这件事写成一个算符
    的形式,比如
    。想一下,为什么要写成这种难看的形式?)

    ,代入方程,由于我们知道
    有没有联想到什么?),约去指数部分,可得

    上式称为该微分方程的特征方程。解出来两个根

    如果

    那么方程的通解为
    。(老师说这叫叠加原理)

    如果

    那么方程的通解为
    。(
    有没有联想到什么?

    以上这种“不证自明”的猜解方法又透露出了我们在数列板块中熟悉的莫名其妙。只是这次我打算把证明留到后面。在那里,我们将要引入傅里叶变换及拉普拉斯变换

    相信到目前为止,你或许已经从不同板块中的相似式子里看出了一些端倪。年轻的我当时就是在这种好奇地驱使下开始思考其间的关系。以下我们将要开始对其中的关联做一些探究。

    如果你想要休息一下,现在是个好时候。


    三、关系

    1、从数列到微分方程

    注意:以下内容是我在某个夜晚灵机一动捏造出来的,有可能是错的。

    让我们先来观察对比一下数列递推方程和微分方程(高阶同理):

    特征方程均为

    你有没有突然觉得,数列每递推一项,就好像多求了一阶导数?

    基于这个重要的观察,我们或许可以构造一个函数出来,

    让这个函数每多求一次导,就可以生产出数列的一项。

    函数有自变量,因此我们还要找一个自变量把数列的项给套出来。

    我想到了我们最熟悉的多项式函数,并且想不妨就用

    把数列套出来,于是我们构造:

    (是不是和泰勒展开很像?)

    这样,

    我们便可以从函数中套出数列了。

    (事后证明,这与组合数学中的母函数思想类似,不过我不会组合数学,母函数这个名字还是从OI同学那听来的,便不多说了。)

    接着我们把这个函数代入数列递推式,得到

    为了让它更接近微分方程,我们不妨给这个函数多做点约束。原先递推方程只要求函数在

    处满足,我们不妨让它在
    处处均要满足,来试一试。于是我们得到

    这时,如果我们把函数

    看作一个整体,记作
    ,则
    ,而且

    至此,我们成功把数列递推方程转化为了微分方程!!

    接下来我们尝试用解微分方程的方法解出这个数列,并在其中体会二者的一致性。

    我们取信息量最大(求导次数最少)的方程,即n=0,

    用二-3中已经推导的结论,我们得到

    于是

    或者

    注意到这里推导的时候有两件事:

    1. 为了保持一致性,额外的系数被吸收进了
      两个常数里;
    2. 第二种情况中,所有求导出含
      的项都会因为
      而消失,故略去不写,而反复应用乘积的求导法则,便会产生

    由此,我们发现了数列特征根与微分方程特征根的一致性。

    我们发现,竟然之前因为等比数列求和公比等于1的奇葩分类也能通过微分方程复现。

    再次重申,上述过程是我拍脑袋想出来的,不保证正确性。

    评论区dalao提示这和Z变换与拉普拉斯变换的关系一致。

    2、从微分方程到矩阵

    这一步的联系是我在学习量子力学的时候学到的,让我们一步一步地来。

    首先,想要用线性代数的工具研究函数,我们就必须证明:

    函数是向量。

    我在初学时对这句话感到非常惊艳。

    我们先来回顾一下向量与线性空间的定义。

    以下抄百度百科:

    设V是一个非空集合,P是一个域,若:
    1. (加法的定义)在V中定义了一种运算,称为加法,即对V中任意两个元素α与β都按某一法则对应于V内惟一确定的一个元素α+β,称为α与β的和。
    2. (数乘的定义)在P与V的元素间定义了一种运算,称为纯量乘法(亦称数量乘法),即对V中任意元素α和P中任意元素k,都按某一法则对应V内惟一确定的一个元素kα,称为k与α的积。
    3.(线性)加法与纯量乘法满足以下条件:
    1) α+β=β+α,对任意α,β∈V.
    2) α+(β+γ)=(α+β)+γ,对任意α,β,γ∈V.
    3) 存在一个元素0∈V,对一切α∈V有α+0=α,元素0称为V的零元.
    4) 对任一α∈V,都存在β∈V使α+β=0,β称为α的负元素,记为-α.
    5) 对P中单位元1,有1α=α(α∈V).
    6) 对任意k,l∈P,α∈V有(kl)α=k(lα).
    7) 对任意k,l∈P,α∈V有(k+l)α=kα+lα.
    8) 对任意k∈P,α,β∈V有k(α+β)=kα+kβ.
    则称V为域P上的一个线性空间,或向量空间。V中元素称为向量

    接下来,如果我们定义函数之间的加法为自变量取值对应函数值直接相加,

    比如

    那么
    ,显然后者也是函数。

    如此可以证明,函数空间也是一个线性空间,而每个函数就是一个向量

    接下来,我们便可以将平时在线代中发展出的工具应用到函数中。

    比如,我们可以定义内积

    函数的内积
    理论上,只要给线性空间配备上任何一个满足一系列性质的映射(由两个向量映到一个数),得到的空间就被称作内积空间,如果再加上完备性的条件,则称作希尔伯特空间,这个映射被称为内积。我们这里采用一种量子力学当中的希尔伯特空间。
    (以下内容半抄Shankar Principles of Quantum Mechanics)

    接下来我们引入一组量子力学中的记号,狄拉克记号:

    我们把一个向量记作
    ,称为ket(braket的右半部分),把两个向量
    的内积记作
    ,其中
    被称为bra(左半部分)。

    既然我们已经发现函数也是向量,我们不妨将函数
    记作

    为了量子力学的需要,我们定义函数间的内积为(接下来会解释为什么这样定义):
    ,其中
    表示
    的复共轭。

    需要注意这样定义的内积与顺序有关,有

    在线性代数中我们知道,一个向量本身,跟我们所选取的、用来描述他的基底无关。但我们描述它的时候,一般需要选取一组基底,用在各个基底上的分量来表述他

    下面我们来考察如何把函数这个向量写成分量形式

    函数的向量化

    回忆我们定义函数加法的时候,是要求每个自变量对应的函数值直接相加的。而向量相加,也是各个基底对应的分量直接相加的。从这一点出发,我们希望每个自变量的取值都对应一个基底,而这个对应的函数值则作为这个基底上的分量

    于是我们把整个定义域分割成

    个小段,每一段上定义一个基底

    ,其中
    位于第
    项。然后很自然地,我们的函数在这些基上的分量形式就可以定义为

    ,而且有

    当分隔数

    时,我们定义的
    向量便与原来的函数完全一致了。

    而这个时候,我们所定义的

    就会变成在
    处为
    ,其余处处为
    ,这样的函数我们称作
    函数:

    至此有两个重要的启示:

    1. 函数是无穷维的向量。
    2. 所谓的
      ,其实是函数向量
      在基底
      上的分量/投影:

    (回忆在线性代数中我们可以通过把向量与基底做内积的方法得到对应的分量)

    上述是直观的解释,我们还需要证明一下

    这组基的正交性、完备性,我就不证了。

    现在,函数的内积被定义为上面那个鬼样子的原因就一目了然了。

    我们知道普通向量的内积是对应分量直接相乘然后相加,而这里函数内积

    确实也是对应分量直接相乘然后相加。

    接下来我们试着把函数的求导运算也放入线性代数的框架下研究。

    导数算符的特征值和特征向量

    我们知道,在线性代数中,任何一个线性算符,都能用矩阵的形式表达

    而求导运算显然也是线性的,那导数算符是否也有矩阵形式呢?是否也有特征值和特征向量呢?

    第一个问题与本文关系不大,大家可以翻Shankar。(其实我这里本来打了一大段,但是敲公式太累了,通通删了。)

    我们来看第二个问题,要求矩阵的特征值和特征向量,就是解方程

    我们把它改写成微分方程

    的话,解就显而易见了。

    没错,导数算符的特征向量就对应指数函数

    在这之后我们把这个函数对应的函数向量记作

    ,那么
    ,而它所对应的特征值就是

    (这里

    似乎可以取遍所有数,即无穷组特征值及特征向量,与线性空间的无穷维性质恰好对应。)

    回忆我们一开始介绍矩阵的特征值时,我们发现,特征值的一大作用,就是把复杂的矩阵运算变成简单的数乘。但是这一性质只有对特征向量满足。

    不过任何一个向量都可以被特征向量线性表出。所以,我们可以先把普通的向量换到特征向量基上表出,然后再进行矩阵运算,此时所有运算都变为简单的数乘了

    用相同的思路,我们也可以把函数向量从原来的

    基下,变换到
    基下。这种变换被称为傅里叶/拉普拉斯变换。
    傅里叶/拉普拉斯变换

    我们来尝试一下把函数变到

    基下:

    特别的如果取纯虚数

    ,我们就会得到

    怎么样,是不是和我们以前学的傅里叶变换一模一样?

    这里我没有考虑归一化的问题,如果做归一化,便会出现

    的系数。

    同理,如果我们想要从

    基下变换到
    基上,便会得到傅里叶逆变换。
    这里有一些细节问题(经评论区dalao指出)
    1、为什么
    只能取纯虚数?

    原因在于导数算符
    并非是一个厄米算符(
    ),但是
    是一个厄米算符(一般量子力学中将其称为动量算符),而厄米算符的特征值是实数,所以除掉一个
    之后,
    就变成了纯虚数了。

    而且复指数函数基(指数部分为纯虚数)是正交完备的,但是指数函数族并不是。
    这一步厄米的证明需要把
    算符的矩阵形式写出来(与
    函数的导数
    有关),again,大家可以翻Shankar。

    2、如何扩展到拉普拉斯变换
    傅里叶变换需要函数满足绝对可积的条件,但是有的时候不能满足这个条件。拉普拉斯变换
    的虚部与傅里叶变换一致,而实部提出来之后相当于对
    附加了一个指数衰减,于是使大部分函数都能满足绝对可积的条件,从而扩展了适用范围。

    至此,我们惊奇地发现,

    所谓傅里叶变换和拉普拉斯变换,其实就是同一个函数向量,在不同基下的分量形式的变换。

    而我们选择指数函数基,就是因为它是导数算符的特征向量。

    有了这个基础,我们终于可以着手解微分方程了。

    微分方程的特征根解法

    还是原来的微分方程(注意我们现在自变量是

    ,函数是

    我们把它改写成与基底无关的向量形式:

    因为导数算符在

    基下会变为数乘,所以我们变换到
    基下

    (此步即大家熟知的傅里叶/拉普拉斯变换解常微分方程):

    此处我们用了

    基的完备性,即

    利用特征向量的性质,即得

    我们要非平凡解

    ,所以有方程

    得到两个根

    我们发现
    这些所谓特征根实际上就是解出来的特征值。

    接着我们用向量

    把函数向量线性表出,即

    而我们要求的便是函数向量在

    下的分量形式

    (如果有重根怎么办?)

    至此,我们成功的用线性代数的方法解出了微分方程。

    我们发现,所谓微分方程的特征根其实就是微分算子的特征值。

    由此,微分方程中的特征根与矩阵特征值也是一致的。

    而傅里叶/拉普拉斯变换,其实就是基的变换。

    3、从矩阵到数列

    本文的重头戏其实已经结束了,最后这部分比较简单。

    我们观察一下数列的递推式

    想一下怎么才能把他变成矩阵形式。

    这时候我想到了在理论力学中的哈密顿方程。

    我们知道,理论力学中的拉格朗日方程是一个二阶方程:

    经过一系列变换,则可以写成两个一阶方程

    由此可以把
    作为一组坐标,作出相图。其中又有

    一般的,微分方程理论证明,一个二阶常微分方程可以写成两个一阶常微分方程。

    受此启发,我开始思考能不能用

    作为整体来改写递推式:

    我们做的事情实际上就是把一个二阶递推式写成了两个一阶递推式。

    (高次同理,全部拆成一阶即可。)

    然后我们希望不断累乘这个矩阵,即

    这里又出现了一个问题,就是如何方便的计算矩阵的幂

    矩阵的幂很难算,而常数的幂很容易,于是我们又想起了矩阵的特征值。

    我们先把矩阵的特征值求出来

    两根记为

    对应的特征向量分别记为

    接下来我们用特征向量将

    线性表出:

    (有重根怎么办?)

    然后再乘矩阵便有:

    吸收系数后得

    至此,我们用矩阵方法推导出了数列通项。

    我们发现,数列的特征值再一次被证明与矩阵的特征值是一致的。

    经评论区dalao提示,本段采用的方法与友矩阵(companion)的思想一致。

    四、结语

    以上,我们分别研究了

    1. 如何从数列到微分方程
    2. 如何从微分方程到矩阵
    3. 如何从矩阵到数列

    到此刻为止,我们成功地将数列、微分方程与矩阵的特征值之间两两关联

    我们惊喜地发现,确实,三者的特征值是一致的,的确是同一个特征值。

    Mathematics, rightly viewed, possesses not only truth, but supreme beauty.——Bertrand Russell

    Update

    大家可能已经注意到,经过评论区dalao提点,

    每个版块下我都注明了与我的想法对应的现存数学工具。

    很不幸,看来我还是想的太多,而书读得太少。

    展开全文
  • 已知一个系数的特征方程,我们规定其特征根为实数,那么求根的过程其实就是将该方程展开,分别列出其实部方程和虚部方程,然后依次求解,我们使用MATLAB进行求解计算。

            已知一个复系数的特征方程,我们规定其特征根为实数,那么求根的过程其实就是将该方程展开,分别列出其实部方程和虚部方程,然后依次求解。这里需要用到的MATLAB函数有:

    expand(扩展表达式并简化函数输入)、 sym2poly(提取多项式系数)、 solve(求解方程)

            代表性问题:针对二元机翼的动气弹问题。

            运用Theodorsen方法求解二元机翼的颤振速度和颤振频率,在求解过程中我们会遇到一个复杂的行列式求解的问题,行列式如下:

            其中M和L是气动力矩和气动力,注意是复数,可以查表得到,而X是我们要求解的根,且前提条件是它是实数,这就需要将这个特征方程展开,并且拆分为实部方程和虚部方程分别求解,手算太过于复杂,我们想到了用MATLAB代替铅笔进行数值计算。

            查表得Lh, La, Mh, Ma的值分别为 0.5407-1.9293i,-3.1749-2.8305i,0.5,0.375-1.6667i,求解代码如下:

    clc;
    clear;
    Lh=0.5407-1.9293i; La=-3.1749-2.8305i; Mh=0.5; Ma=0.375-1.6667i;  %气动力参数值
    syms x xr xi %设置符号变量x及其实部和虚部
    p=(5*(1-0.25*x)+Lh)*(5*0.5*(1-x)+(Ma-0.4*(La+Mh)+0.16*Lh))-(5*0.25+(Mh-0.4*Lh))*(5*0.25+(La-0.4*Lh)); %用f表示复系数行列式
    ep=expand(p); %将行列式展开为标准多项式形式
    xishu=sym2poly(ep); %提取行列式系数
    shi=real(xishu); %提取实部
    xu=imag(xishu); %提取虚部
    eqn1= shi(1)*xr^2+shi(2)*xr+shi(3)==0; %列出实部方程
    eqn2= xu(1)*xi+xu(2)*xi+xu(3)==0; %列出虚部方程
    %我们知道列出的方程最高次数是2
    s1=double(solve(eqn1,xr)); %求解实部方程对应的根
    s2=double(solve(eqn2,xi)); %求解虚部方程对应的根
    %solve求解得到的不是最终的数字,需要再用double简化一下
    s1
    s2

     运行后得到的结果为:

     由于虚部方程二次项系数为0,所以只得到一个根。

    注意在用solve求解后需要再使用double命令化简一下结果,不然得到的结果是这样的:

            对于更一般的复数方程求根问题,若方程的根是一个复数,那么求解过程就更简单了,列出方程后我们直接使用solve命令求解,而不需要再提取实部虚部系数分别列方程求解。

    展开全文
  • 关于矩阵运算的各种数值算法,包括实()矩阵求逆,对称正定矩阵与托伯利兹矩阵的求逆,线性方程组的常用解法,矩阵的各种分解方法,特征向量与特征值的求解等等。
  • §6.5 对称矩阵,实特征值,正交特征向量Symmetric Matrices, Real Eigenvalues, Orthogonal EigenvectorsMIT公开课《微分方程和线性代数》6.5 对称矩阵、实特征值和正交特征向量​v.youku.com在线性微分方程组中会...

    a2b385ced5de0813be9f8056779dd067.png

    §6.5 对称矩阵,实特征值,正交特征向量

    Symmetric Matrices, Real Eigenvalues, Orthogonal Eigenvectors

    MIT公开课《微分方程和线性代数》6.5 对称矩阵、实特征值和正交特征向量v.youku.com
    8d0a74767b7104d6bfb1286816ad4f66.png

    在线性微分方程组中会遇到对称矩阵

    ,对称矩阵的特征值和特征向量具有特别的性质,即特征值为实数,并且特征向量相互正交。

    与之相对,反对称矩阵

    的特征值为纯虚数,特征向量也互相正交,但它们包含复数元素,即使反对称矩阵的元素都是实数,其特征向量也是复数的。

    对于满足

    的正交矩阵
    Q,其所有特征值的模长
    ,特征向量也是复数的,并且相互正交。

    对称矩阵S的特征值为

    。特征向量为
    ,

    反对称矩阵A的特征值为

    。特征向量为
    ,

    矩阵B=A+3I的特征值为

    。特征向量为
    ,

    正交矩阵Q的也是矩阵A的变体,除去归一化的因子

    ,其矩阵等于
    A+I,因此其特征值为为
    ,它的特征值都处在单位圆之上,并且为共轭复数,其特征向量为
    ,
    • 复数、复向量和复矩阵

    若有复数

    ,,则它的模为
    ,其中
    为λ的共轭复数。

    对于复向量x,它的长度

    。例如
    ,其长度
    。而复向量的正交性则通过
    来判定。

    对于实矩阵,我们寻找对称矩阵

    。而对于复数矩阵,则寻找埃尔米特矩阵(Hermitian Matrix)
    ,对矩阵中的元素不仅取转置还要取共轭,例如矩阵
    为埃尔米特矩阵,矩阵的转置并求共轭也记做

    §6.5b 二阶常微分方程组

    Second Order Systems

    优酷视频v.youku.com

    本讲介绍二阶常微分方程组

    。其中
    S为对称矩阵满足
    。方程中没有阻尼项,且等号右侧没有外力项,因此所求解函数为匹配初值的零解。

    例如振荡方程

    ,其中
    M为质量矩阵,而K为刚性矩阵。在实际应用中,第一步就是建立方程,即确定这些参数矩阵。

    所寻找的解函数形如

    ,带入原方程可得
    ,整理可得
    ,这就变成了特征值和特征向量的问题。这是一个包含两个矩阵的问题,在MATLAB中可以用eig(K,M)命令搞定,其实大多数实际的情况中,质量矩阵
    M是常数乘以单位阵cI

    对于二阶常微分方程组

    ,通常给定的初值包含
    y(0)和y'(0),这两个向量包含2n个初值,因此需要2n个解函数与之相匹配。

    56b1854c0705e7336855347f59e88464.png

    二阶微分方程组

    描述了三个重物的运动,因此方程数为n=3。弹簧重物组中三个重物彼此之间以及和上下固定表面之间均以弹簧相连。设定三个重物质量相等,则有
    M=mI。方程组的解就是重物的运动轨迹,即位移随时间的变化。方程等式右侧为零,代表没有外力项在运动过程中给弹簧重物组注入新能量,物体的运动模式为纯简谐振动,但是这些振荡是相互耦合的。

    刚度矩阵

    ,令
    变为
    刚度矩阵中的参数来自于重物上下的弹簧的伸长量,例如重物1受到来自于上下两个弹簧的作用,上方弹簧的作用力为
    ,下方弹簧作用力为
    ,则合力
    。其它两组以此类推。

    解函数为

    ,是六个解的线性组合。

    代入t=0可知解函数中的余弦函数的三个参数A和初值y(0)相匹配,而正弦函数的三个参数B则和y'(0)相匹配。

    8f494d9c3e2ae284b459e5dfcfc01cc5.png

    方程描述了具有两个重量为m的重物构成的弹簧重物组。矩阵

    的特征值为

    如果给定的初值状态是在t=0时刻,将m1和m2两个重物设置在某一特定位置,则初值中给出了初始位移,但是初始的速度为0,即y'(0)=0,因而可知解函数中的两个参数B均为0。则解函数为

    ,其中参数受初始位移
    y(0)控制。从解函数中两个特征向量可以看出,有两种基本的运动模式,其一就是两物体同相振动(m1和m2以相同的相位振动),对应解函数中的第一项,其二就是相向运动,对应解函数中的第二项,而第二项的运动频率较高,重物的运动模式就是低频的同向运动和高频的相向运动的组合。如果是三个重物组成的弹簧重物组,则是三种模式的运动的叠加。
    展开全文
  • 1. 引言 2. 准备知识 3. 常系数齐次线性微分方程和欧拉方程 3.1 常系数齐次线性微分方程的解 ... 本文主要讲常系数线性微分方程特征值法做了总结。在文献[1]的4.2节,详细介绍了常系数线性微分方程的解法,对...

    1. 引言

      本文主要讲常系数线性微分方程的特征值法做了总结。在文献[1]的4.2节,详细介绍了常系数线性微分方程的解法,对特征方程根的各种情况(实根或复根&根的重数)进行分类讲解,但由于分类过于仔细,使得读者对根的情况的记忆比较困难,本文致力于将特征根的各种情形统一处理,便于对微分方程解进行记忆.

    2. 准备知识

      本节所有的研究都是围绕着方程

    dnxdtn+a1(t)dn1xdtn1++an1(t)dxdt+an(t)x=f(x)(1)

    进行的.其中 ai(t)(i=1,2,,n)f(t) 都是区间 [a,b] 上的连续函数.
    如果{} f(t)0,则方程(1)变为
    (5)dnxdtn+a1(t)dn1xdtn1++an1(t)dxdt+an(t)x=0(2)

    K=α+iβ 是任意复数,这里 α,β 是实数,t 为实变量,那么有
    (6)eKt=e(α+iβ)t=eαt(cosβt+isinβt)(3)

    此公式可通过泰勒展开进行验证.
       定理1.1 如果方程(2)中所有系数 ai(t)(i=1,2,,n) 都是实值函数,而 x=z(t)=φ(t)+iψ(t) 是方程的复值解,则z(t) 的实部 φ(t),虚部 ψ(t) 和共轭复数z¯(t) 也都是方程(2)的解.
       定理1.2若方程
    dnxdtn+a1(t)dn1xdtn1++an1(t)dxdt+an(t)x=u(t)+iv(t)

    有复值解x=U(t)+iV(t),这里ai(t)(i=1,2,,n)U(t),V(t) 都是实函数,那么这个解的实部U(t) 和虚部V(t) 分别是方程
    dnxdtn+a1(t)dn1xdtn1++an1(t)dxdt+an(t)x=u(t)


    dnxdtn+a1(t)dn1xdtn1++an1(t)dxdt+an(t)x=v(t)

    的解.
      注:上面两个定理保证了下述内容的正确性.定理1.1和定理1.2均来自文献[1].

    3. 常系数齐次线性微分方程和欧拉方程

    3.1 常系数齐次线性微分方程的解

      设齐次线性微分方程中所有系数都是常数,即方程有如下形状

    (7)L[x]dnxdtn+a1dn1xdtn1++an1dxdt+anx=0(4)

    其中 a1,a2,,an 为常数.
      按照前面的理论,为了求方程(4)的通解,只需求其基本解组.回顾一阶常系数齐次微分方程
    dxdt+ax=0

    已知,它有形如 x=eat 的解,且其通解就是 x=ceat.这就启发我们对方程(3)也去试求指数函数形式的解
    (8)x=eλt(5)

    其中 λ 是待定常数,可以是实数,也可以是复数.
      注意到
    L[eλt]=dneλtdtn+a1dn1eλtdtn1++an1deλtdt+aneλt=(λn+a1λn1++an1+an)eλtF(λ)eλt

    其中F(λ)=λn+a1λn1++an1+an,是 λn 次多项式.式(5)为方程(4)的解的充要条件是 λ 是代数方程
    (9)F(λ)=λn+a1λn1++an1+an=0(6)

    的根.称(6)为方程(4)的特征方程,它的根就称为特征根.
      设方程(4)的某一特征根为λ(k重,k1),则k 重特征根λ 对应于方程(4)的k 个线性无关解为
    eλt,teλt,t2eλt,,tkeλt.

    λ 为复数时,只需用欧拉公式(3)转化,可得到2k 个解,而 λ 的共轭λ¯ 用此办法转化时,也得到相同的2k 个解,这与λλ¯ 对应2k 个解的事实相符.

    3.2 Euler方程

      形如

    (10)xndnydxn+a1xn1dn1ydxn1++an1xdydx+any=0(7)

    的方程称为欧拉方程,这里a1,a2,,an 为常数.以y=xk 代入(7),并约去因子xk,就得到用来确定k 的代数方程
    (11)k(k1)(kn+1)+a1k(k1)(kn+2)++an=0(8)

    因此,方程(8)的m 重根k0 对应于方程(7)的m 个解为
    xk0,xk0ln|x|,xk0ln2|x|,,xk0lnm1|x|.

    当为复数时,只需使用欧拉公式转换即可.

    4. 非齐次线性微分方程(比较系数法)

      下面讨论常系数非齐次线性微分方程

    (12)L[x]dnxdtn+a1dn1xdtn1++an1dxdt+anx=f(t)(9)

    的解.这里a1,a2,,an 是常数,f(t) 是连续函数.

    4.1 形式 I

      设f(t)=(b0tm+b1tm1++bm1t+bm)eλt,其中λbi(i=1,2,,n) 为实常数.则方程(9)有形如

    (13)x~=tk(B0tm+B1tm1++Bm1t+Bm)eλt(10)

    的特解.其中k 为特征方程F(λ)=0 的根λ 的重数(λ 不是特征根时认为是0 重).而B0,B1,,Bm 是待定常数,只需将x~ 代入原方程,比较对应项的系数即可计算出B0,B1,,Bm ,也即求出了方程(9)的特解.

    4.2 形式 II

      设f(t)=[A(t)cosβt+B(t)sinβt]eαt.其中α,β 为常数,而 A(t),B(t) 是关于t 的实系数多项式,A(t)B(t) 的次数为m .则方程(9)有形如

    (14)x~=tk[P(t)cosβt+Q(t)sinβt]eαt(11)

    的特解.这里k 是为特征方程F(λ)=0 的根α+iβ 的重数,而P(t),Q(t) 均为待定的带实系数的次数不超过mt 的多形式,将(11)代回(9),通过比较对应项的系数即可求出P(t),Q(t),也即求出了方程(9)的特解.

    4.3 Euler方程的另一种解法

      可用变换x=et(t=lnx) 将Euler方程(7)转化为前述的非齐次线性微分方程,即可求解.

    参考文献

    [1] 王高雄等. 常微分方程(第三版)[M]. 北京: 高等教育出版社, 2006.

    展开全文
  • 微分方程_00_系数微分方程解法及其相图 ...举例:求解系数二阶齐次常微分方程y''-3iy'-2y=0利用特征方程t^2-3i*t-2=0得两个解为t(1)=i=0+i,t(2)=2i=0+2i所以微分方程解为y(1)=e^0(cosx+i*sinx)=cosx+i*si...
  • 特征值和特征向量(Eigenvalues and eigenvectors) 在线性代数中,一个线性变换的特征向量(eigenvector 或者 characteristic vector)是一个非零向量。将线性变换应用在它上面,它最多以一个标量因子进行伸缩变换...
  • 特征值特征值的几何意义

    千次阅读 2019-04-29 23:05:44
    写的很好,收藏用,转载自:https://blog.csdn.net/qq_36653505/article/details/82025971
  • 四元数矩阵右特征值的计算可转化为它的表示矩阵的特征值的计算问题,本文利用表示矩阵的特殊结构给出了一种减少计算其特征值计算量的方法。 四元数矩阵计算中有一些新的问题是矩阵计算中没有的内容。例如...
  • 特征值的界估计 复数矩阵 厄米特矩阵: 共轭转置矩阵 和 原矩阵的关系 特征值是实数 反厄米特矩阵: 共轭转置矩阵 和 原矩阵的关系 特征值是虚数 正规矩阵: 与自己的共轭转置矩阵对应的 系数方块矩阵 ...
  • 如何理解特征值为复数的情况

    万次阅读 多人点赞 2019-10-03 13:49:58
    如何理解特征值为复数的情况 特征值与特征向量 特征值可定义为,若有Ax=λxAx=\lambda xAx=λx,则称xxx为AAA的特征向量,λ\lambdaλ为相应的特征值。这时我们可以发现,如果λλλ是实数,那么矩阵AAA对向量xxx的...
  • 矩阵的特征值和特征向量

    千次阅读 2017-02-14 11:07:37
    特征值是线性代数中的一个重要概念。在数学、物理学、化学、计算机等领域有着广泛的应用。设 A 是n阶方阵,如果存在数m和非零n维列向量 x,使得 Ax=mx 成立,则称 m 是A的一个特征值(characteristic value)或本征值...
  • 特征值与特征向量 我们知道,矩阵乘法对应了一个变换,是把任意一个向量变成另一个方向或长度都大多不同的新向量。在这个变换的过程中,原向量主要发生旋转、伸缩的变化。如果矩阵对某一个向量或某些向量只发生伸缩...
  • 矩阵特征值

    2019-10-07 22:58:18
    ...如何理解矩阵特征值? 想要理解特征值,首先要理解矩阵相似。什么是矩阵相似呢?从定义角度就是:存在可逆矩阵P...
  • 矩阵对角化一节略有琐碎,对于如何判断矩阵对角化——代数重数和几何重数相等,笔者已经在第五篇线代笔记中给出了相应的定义以及数学...对于对角化一节会粗粗略过,该篇重点回放在第二部分——特征在微分方程中的应用。
  • 上一讲我们主要讲了差分方程 (difference equation) 和矩阵的幂 (powers of matrix) 之间的联系。主要的 insight 是把差分方程的每次递归, i.e., 从{ak, ak−1, ...}\{a_k,~a_{k-1},~...\}{ak​, ak...
  • 特征值和特征向量

    千次阅读 2017-01-28 22:49:29
    特征值和特征向量
  • 当我们遇到的不是书本上的3阶或4阶矩阵,而是高阶矩阵时(如图像中的256×256),我们再使用特征方程det⁡(λI−A)=0\det(\lambda I -A)=0det(λI−A)=0来求特征值就非常困难。我们难以求解也没有必要逐一计算每一个...
  • 本博客主要介绍在SLAM问题中常常出现的一些线性代数相关的知识,重点是如何采用矩阵分解的方法,求解线性方程组AX=B。主要参考了《计算机视觉——算法与应用》附录A以及Eigen库的方法。本博客可能不会对分解讲的特别...
  • 特征值和特征矩阵的意义和应用

    千次阅读 2017-03-06 20:35:25
    矩阵特征值是高等数学的重要内容,在很多领域都有广泛应用,尤其在科学...本文作者将简单介绍矩阵特征值在线性法建模和微分方程中的应用,通过一些实例让大家体会特征值在建模与微分方程求解中所起的作用.矩阵特征值是高
  • 本博客主要介绍在SLAM问题中常常出现的一些线性代数相关的知识,重点是如何采用矩阵分解的方法,...包括:1、三角分解(LU分解)2、QR分解3、特征值分解4、奇异值分解(SVD分解)5、LDLT分解6、LLT分解(Cholesky分解)
  • 这一节我们来介绍特征值和特征向量的应用 矩阵的相似对角化 当矩阵有 nnn 个线性无关的特征向量时,矩阵可以相似对角化,即 A=SΛS−1    (1)\bm{A}=\bm{S}\Lambda \bm{S}^{-1}~~~~(1)A=SΛS−1...
  • 矩阵的特征值分解

    千次阅读 2020-07-06 11:22:43
    特征值分解 物理意义: 矩阵可以表示一种变换; 特征向量表示矩阵变换的方向; 特征值表示矩阵变换在对应特征向量方向上的变换速度; 特征值与特征向量 如下一个二维向量,这个二维空间的基向量是; 将向量左...
  • 特征值 特征值及一些基本概念 ...特征向量:设λi\lambda_iλi​是A的特征值,则齐次线性方程组(λiE−A)x=0(\lambda_i E-A)x=0(λi​E−A)x=0的非零解向量称为A的对应于(或属于)λi\lambda_iλi
  • 特征向量与特征值(Eigenvectors and Eigenvalues) 特征值和特征向量——在矩阵的数值计算中不可或缺的一环,但大多数人仅满足于套用公式 f(λ)=∣λE−A∣f(\lambda)=\mid \lambda E-A\midf(λ)=∣λE−A∣ 止步于...
  • 特征值和特征向量(一)

    千次阅读 2017-05-07 16:41:16
    作者:阿狸 ...想要理解特征值,首先要理解矩阵相似。什么是矩阵相似呢?从定义角度就是:存在可逆矩阵P满足B=则我们说A和B是相似的。让我们来回顾一下之前得出的重要结论:对于同一个线性空间,
  • 特征值(Eigenvalues) 二.特征向量(Eigenvectors) #A为矩阵,x为向量,λ ∈ C (复数域) A * x // x ⇒ A * x = λ * x #当λ = 0,x为N(A)中的向量 三.det(A - λ * I) = 0 四.TRACE = λ1 + λ2 + … + λn
  • 特征值与特征向量

    万次阅读 2018-05-21 13:21:58
    1. 什么是特征值?在数学上,特别是线性代数中,对于一个给定的矩阵,它的特征向量(eigenvector,也译固有向量或本征向量) 经过这个线性变换[1]之后,得到的新向量仍然与原来的 保持在同一条直线上,但其长度或...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,465
精华内容 1,386
关键字:

复特征值方程