半正定矩阵

我来表露下个人浅显的理解。半正定与正定矩阵同意用半正定矩阵来事例:
首先半正定矩阵定义为: 
其中X 是向量,M 是变换矩阵

我们换一个思路看这个问题,矩阵变换中,代表对向量 X进行变换,我们假设变换后的向量为Y,记做。于是半正定矩阵可以写成:

这个是不是很熟悉呢? 他是两个向量的内积。 同时我们也有公式:

||X||, ||Y||代表向量 X,Y的长度,是他们之间的夹角。 于是半正定矩阵意味着, 这下明白了么?

正定、半正定矩阵的直觉代表一个向量经过它的变化后的向量与其本身的夹角小于等于90度。

作者:cwaar
链接:https://www.zhihu.com/question/22098422/answer/35874276
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

原文地址:https://www.cnblogs.com/10zhang/p/8855149.html

时间: 2024-11-21 02:27:54

半正定矩阵的相关文章

如何理解正定矩阵和半正定矩阵

乍看正定和半正定会被吓得虎躯一震,因为名字取得不知所以,所以老是很排斥去理解这个东西是干嘛用的,下面根据自己和结合别人的观点解释一下什么是正定矩阵(positive definite, PD) 和半正定矩阵(positive semi-definite, PSD). 定义 首先从定义开始对PD和PSD有一个初步的概念: 正定矩阵(PD): 给定一个大小为 \(n\times n\) 的实对称矩阵 \(A\) ,若对于任意长度为 \(n\) 的非零向量 \(X\),有 \(X^TAX>0\) 恒成

实对称矩阵的正定性、负定性、半定性和不定性

????设实对称矩阵 ???? 方阵 的行列式用 表示,其各阶顺序主子式为 ,则 ????一阶顺序主子式: ???? 二阶顺序主子式: ???? 三阶顺序主子式: ???? 其余各阶顺序主子式依次类推.下表给出各矩阵的定义以及充分必要条件 名称 定义 充要条件 正定矩阵 特征值都大于零的实对称矩阵 所有各阶顺序主子式都大于零,即 半正定矩阵 特征值都不小于零的实对称矩阵 且 负定矩阵 特征值都小于零的实对称矩阵 ???? 半负定矩阵 特征值都不大于零的实对称矩阵 且 不定矩阵 特征值既有大于零又

正定矩阵(Positive-definite Matrix)

原文链接 正定矩阵是自共轭矩阵的一种.正定矩阵类似复数中的正实数.定义:对于对称矩阵M,当且仅当存在任意向量x,都有 若上式大于等于零,则称M为半正定矩阵.正定矩阵记为M>0.也被称为正定二次型 正定矩阵的判定 1.所有特征值为正数(根据谱定理,若条件成立,必然可以找到对角矩阵的D和正定矩阵P,使M=P^-1DP):2.所有的顺序主子式为正定:3.Cholesky分解得到的矩阵,其主对角线上的元素全为正数:4.矩阵有半双线性映射形式. 首先解释双线性映射.假设三个向量空间X, Y和Z,有Z =

正定矩阵

正定矩阵式自共轭矩阵的一种.正定矩阵类似复数中的正实数.定义:对于对称矩阵M,当且仅当存在任意向量x,都有若上式大于等于零,则称M为半正定矩阵.正定矩阵记为M>0.也被称为正定二次型 正定矩阵的判定 1.所有特征值为正数(根据谱定理,若条件成立,必然可以找到对角矩阵呢D和正定矩阵P,使M=P^-1DP):2.所有的顺序主子式为正定:3.Cholesky分解得到的矩阵,其主对角线上的元素全为正数:4.矩阵有半双线性映射形式. 首先解释双线性映射.假设三个向量空间X, Y和Z,有Z = B(X, Y

凸集,凸函数,凸优化问题,线性规划,二次规划,二次约束二次规划,半正定规划

没有系统学过数学优化,但是机器学习中又常用到这些工具和技巧,机器学习中最常见的优化当属凸优化了,这些可以参考Ng的教学资料:http://cs229.stanford.edu/section/cs229-cvxopt.pdf,从中我们可以大致了解到一些凸优化的概念,比如凸集,凸函数,凸优化问题,线性规划,二次规划,二次约束二次规划,半正定规划等,从而对凸优化问题有个初步的认识.以下是几个重要相关概念的笔记. 凸集的定义为: 其几何意义表示为:如果集合C中任意2个元素连线上的点也在集合C中,则C为

线性代数二、正定矩阵及其最小值

一.说明 本博客讲述内容根据MIT线性代数第二十八课归纳而成. MIT线性代数链接:http://open.163.com/newview/movie/courseintro?newurl=%2Fspecial%2Fopencourse%2Fdaishu.html 二.主要讲述问题 1-如何判断一个矩阵是正定矩阵 2-正定矩阵的最小值 3-正定矩阵的几何解释 三.如何判断一个矩阵是正定矩阵 1-首先我们需要明确一个概念-正定矩阵 一个矩阵是正定矩阵,那么必须要满足以下的关系 (1)它必须是一个n

关于凸优化的一些简单概念

http://www.cnblogs.com/tornadomeet/p/3300132.html 没有系统学过数学优化,但是机器学习中又常用到这些工具和技巧,机器学习中最常见的优化当属凸优化了,这些可以参考Ng的教学资料:http://cs229.stanford.edu/section/cs229-cvxopt.pdf,从中我们可以大致了解到一些凸优化的概念,比如凸集,凸函数,凸优化问题,线性规划,二次规划,二次约束二次规划,半正定规划等,从而对凸优化问题有个初步的认识.以下是几个重要相关概

支持向量机原理

支持向量机概念 线性分类器 首先介绍一下线性分类器的概念,C1和C2是要区分的两个类别,在二维平面中它们的样本如上图所示.中间的直线就是一个分类函数,它可以将两类样本完全分开.一般的,如果一个线性函数能够将样本完全正确的分开,就称这些数据是线性可分的,否则称为非线性可分的. 线性函数是关于自变量的一次函数,在一维空间里就是一个点,在二维空间里就是一条直线,三维空间里就是一个平面,如果不关注空间的维数,线性函数还有一个统一的名称--超平面(Hyper Plane),记作: g(x) = wx +

初译 Support Vector Machines:A Simple Tutorial(二)

(二)Maximum margin hyperplane for linearly separable classes (线性可分的数据的最大间隔分类器) 接上文,假设SVM分类器是由两种线性可分的数据集训练而成,其决定函数(decision function)为:                                     (2.1) 其中为定义该超平面的公式,该超平面对于训练集拥有最大的margin,并且相对于两种训练集的距离相等(见下图) 在本节中,我们会讨论一种一个关于超平面