그리스어 표기
고유치 eigen value, 고유벡터 eigen vector
- 패턴 인식 + 전기 + 사회 과학 분야 전반에서 사용되는 분석 도구
- 행렬의 중요한 특징을 표현
- 아래의 식을 만족하는 벡터 A가 eigen vector, 스칼라 lambda는 고유치
양의 정부호 행렬
- 0이 아닌 벡터 x와 행렬 A가 다음의 조건을 만족하는 경우
=> 행렬 A는 양의 정부호 행렬 positive definite matrix
=> A > 0 이 A가 정부호 임을 알려줌
양의 준정부호 행렬
- 0이 아닌 벡터 x와 행렬 A가 다음 조건 만족
=> 행렬 A는 양의 준정부호행렬 positive semi-definite matrix
=> A >= 0. 즉, A는 준정부호
유사 변환 similarity transformation과 고유치
- 유사 변환 = 강체 변환(평행 이동 + 회전) + 스케일 변환
- 다음의 조건을 만족하는 역행렬 C가 존재하면 행렬 A와 B는 유사
- 유사 변환 행렬들은 동일한 고유치를 가짐
대각화 가능한 행렬 digonalizable
- 아래의 조건을 만족하는 대각행렬 C가 존재할때, 정방 행렬 A는 대각화 가능한 행렬
* 이후 특이값 분해를 위해 대각화가 가능하여야 함
행렬의 대각화
- 대각 행렬 C가 아래와 같은 열벡터 v들을 모아 만든 행렬이라고 가정할때
- 정방 행렬 A의 고유치, 고유벡터들을 행렬 A와 행렬C의 곱으로 표현 가능
- 행렬 C는 선형 독립 -> 비특이 행렬 => C의 역행렬이 존재한다.
=> 행렬 A는 대각화가 가능함
직교 대각화 orthogonal diagonalization
- 직교 행렬의 성질 : 대각 행렬 C가 직교행렬인 경우 C의 전치행렬 = C의 역행렬
- 직교 행렬의 성질을 이용하면 역행렬을 전치행렬로 변환하여 간단하게 계산 가능
특이값 분해 singular value decomposition
- 복습 => 특이 행렬 : 역행렬이 존재하지 않음. 비특이 행렬 : 역행렬이 존재
- 특이 값 분해
: 특이값 분해(SVD)는 고유값 분해(eigen value decomposition)처럼 행렬을 대각화하는 한 방법
=> 특이 행렬(비정방행렬)에서 특이값(고유값)들에 대한 대각 행렬을 분해한다.
- 특이값 분해의 장점
: 행렬이 정방행렬이든 아니든 관계없이 모든 m x n 행렬에 대해 적용 가능하기 때문이다.
- 비정방 행렬 A가 주어질때 다음의 관계가 이루어짐.
고유값 분해 eigen value decomposition과 특이값 분해 Singular Value Decomposition의 차이
- 고유값 분해는 정방행렬 A의 고유값들을 대각행렬로 추출
- 특이값 분해는 비정방행렬들의 특이값(행렬의 특성을 가장 잘나내는 값)을 대각행렬로 추출
선형 변환 linear transform
- 아래와 같이 서로 다른 차원의 벡터 공간에서 변환(맵핑)을 의미
- 아래의 예시는 2차원 벡터공간 X에서 3차원 벡터공간 Y로의 선형 변환을 보여줌
- 선형 변환을 행렬로 표기하면 아래와 같다.
'수학 > 선형대수, 최적화' 카테고리의 다른 글
GEKKO - 1. 최적화 문제를 풀기 위한 GEKKO 라이브러리 (0) | 2020.08.23 |
---|---|
선형대수(복) - 3. 트레이스, 랭크, 역행렬, 행렬식 (0) | 2020.08.02 |
선형대수(복) - 2. 행렬 종류 (0) | 2020.08.02 |
선형대수(복) - 1. 벡터론 (0) | 2020.08.02 |
최적화 - 18. LM 방법의 비선형 최소 자승방법 적용 (0) | 2020.07.26 |