【線性代數公開課MIT Linear Algebra】 第二十四課 特徵值與特徵向量的應用——馬爾科夫矩陣、傅立葉級數
阿新 • • 發佈:2019-01-06
本系列筆記為方便日後自己查閱而寫,更多的是個人見解,也算一種學習的複習與總結,望善始善終吧~
馬爾科夫矩陣Markov Matrix
馬爾科夫矩陣Markov Matrix有兩個性質:所有元素大於等於0,所有矩陣的列相加等於1。
這裡性質導致一些有趣的特性:
- 馬爾科夫矩陣Markov Matrix 的冪依然是馬爾科夫矩陣Markov Matrix
- 馬爾科夫矩陣Markov Matrix的其中一個特徵值為1,其他所有的特徵值的絕對值小於1
這二個特性導致了什麼呢?看看我們之前關於矩陣的冪的公式:
不難發現隨著k的增大,特徵值的絕對值小於1的項最終都趨近於0,steady state取決於特徵值為1的那一項。那麼特徵向量呢?
一個例子:
既然我們說其必定存在特徵值為1,那麼觀察:
首先,很容易觀察出,對於馬爾科夫矩陣
這裡老師引入一個性質:
求解
很容易求解特徵向量,第一行取.6,第三行取.7,第二行求解即可。
馬爾科夫矩陣的應用
舉例子:
初始狀態為[0, 1000]
U是兩個城市的人口,矩陣A代表的兩個城市之間人口的轉化(即從城市cal到mass或反之的人數比例),明顯最終的穩態取決於矩陣A,由於這裡假設總人口不變,所以矩陣A是馬爾科夫矩陣,於是利用上一課的內容求解通式:
得到結果後,我們可以輕鬆獲得任意時刻的狀態和穩態。
傅立葉級數
由標準正交基組成的投影矩陣
對於任意向量
我們想要得到
+x2qT1q2+...+xnqT1qn
寫為如下形式:
那麼
傅立葉級數
我們知道某個方程:
這個方程和上面的很像,這裡每一項也是正交,區別在於這裡的
首先是何為函式的正交?正交意味著內積為0,向量的內積我們知道如何額計算:
那麼兩個函式之間呢?函式是一堆連續的點,很自然的想到了積分:
對於傅立葉級數,由於存在週期,所以積分從0到
於是可以驗證傅立葉級數中每一項正交,現在,要怎麼求