WikiDer > Фактор Рэлея

В математика, то Фактор Рэлея^[1] (/ˈрeɪ.ля/) для данного комплекса Эрмитова матрица M и ненулевой вектор Икс определяется как:^[2][3]

${ Displaystyle R (M, x) = {x ^ {*} Mx over x ^ {*} x}.}$

Для вещественных матриц и векторов условие эрмитовости сводится к тому, чтобы быть симметричный, а сопряженный транспонировать ${ displaystyle x ^ {*}}$ к обычному транспонировать ${ displaystyle x '}$. Обратите внимание, что ${ Displaystyle Р (М, сх) = Р (М, х)}$ для любого ненулевого скаляра c. Напомним, что эрмитова (или вещественная симметричная) матрица - это диагонализуемый только с действительными собственными значениями. Можно показать, что для данной матрицы коэффициент Рэлея достигает минимального значения ${ displaystyle lambda _ { min}}$ (наименьший собственное значение из M) когда Икс является ${ displaystyle v _ { min}}$ (соответствующий собственный вектор).^[4] По аналогии, ${ Displaystyle Р (М, х) leq лямбда _ { макс}}$ и ${ Displaystyle R (M, v _ { max}) = lambda _ { max}}$.

Фактор Рэлея используется в теорема мин-макс чтобы получить точные значения всех собственных значений. Он также используется в алгоритмы собственных значений (Такие как Итерация фактора Рэлея), чтобы получить приближение собственных значений из приближения собственных векторов.

Диапазон частного Рэлея (для любой матрицы, не обязательно эрмитовой) называется числовой диапазон и содержит спектр. Когда матрица эрмитова, числовой диапазон равен спектральной норме. Еще в функциональном анализе, ${ displaystyle lambda _ { max}}$ известен как спектральный радиус. В контексте C * -алгебр или алгебраической квантовой механики функция, которая M связывает фактор Рэлея – Ритца р(M,Икс) для фиксированного Икс и M изменение через алгебру будет называться «векторным состоянием» алгебры.

В квантовая механика, фактор Рэлея дает ожидаемое значение наблюдаемой, соответствующей оператору M для системы, состояние которой задается Икс.

Если зафиксировать комплексную матрицу M, то результирующее факторное отображение Рэлея (рассматриваемое как функция Икс) полностью определяет M через поляризационная идентичность; действительно, это остается верным, даже если мы допустим M быть неэрмитовским. (Однако, если мы ограничим поле скаляров действительными числами, то фактор Рэлея определяет только симметричный часть M.)

Границы для эрмитов ${ displaystyle M}$

Как сказано во введении, для любого вектора Икс, надо ${ Displaystyle R (M, x) in left [ lambda _ { min}, lambda _ { max} right]}$, куда ${ displaystyle lambda _ { min}, lambda _ { max}}$ являются соответственно наименьшим и наибольшим собственными значениями ${ displaystyle M}$. Это происходит сразу после того, как было замечено, что фактор Рэлея представляет собой средневзвешенное значение собственных значений M:

${ Displaystyle R (M, x) = {x ^ {*} Mx over x ^ {*} x} = { frac { sum _ {i = 1} ^ {n} lambda _ {i} y_ {i} ^ {2}} { sum _ {i = 1} ^ {n} y_ {i} ^ {2}}}}$

куда ${ Displaystyle ( лямбда _ {я}, v_ {я})}$ это ${ displaystyle i}$собственная пара после ортонормировки и ${ Displaystyle у_ {я} = v_ {я} ^ {*} х}$ это ${ displaystyle i}$-я координата Икс в собственном базисе. Тогда легко проверить, что оценки достигаются на соответствующих собственных векторах ${ displaystyle v _ { min}, v _ { max}}$.

Тот факт, что частное представляет собой средневзвешенное значение собственных значений, можно использовать для определения второго, третьего, ... наибольших собственных значений. Позволять ${ displaystyle lambda _ { max} = lambda _ {1} geq lambda _ {2} geq cdots geq lambda _ {n} = lambda _ { min}}$ - собственные числа в порядке убывания. Если ${ displaystyle n = 2}$ и ${ displaystyle x}$ ограничен быть ортогональным ${ displaystyle v_ {1}}$, в таком случае ${ displaystyle y_ {1} = v_ {1} ^ {*} x = 0}$, тогда ${ Displaystyle R (М, х)}$ имеет максимальное значение ${ displaystyle lambda _ {2}}$, что достигается при ${ displaystyle x = v_ {2}}$.

Частный случай ковариационных матриц

Эмпирический ковариационная матрица ${ displaystyle M}$ можно представить как продукт ${ displaystyle A'A}$ из матрица данных ${ displaystyle A}$ предварительно умноженный на его транспонирование ${ displaystyle A '}$. Будучи положительной полуопределенной матрицей, ${ displaystyle M}$ имеет неотрицательные собственные значения и ортогональные (или ортогонализуемые) собственные векторы, что можно продемонстрировать следующим образом.

Во-первых, собственные значения ${ displaystyle lambda _ {i}}$ неотрицательны:

${ displaystyle Mv_ {i} = A'Av_ {i} = lambda _ {i} v_ {i}}$

${ displaystyle Rightarrow v_ {i} 'A'Av_ {i} = v_ {i}' lambda _ {i} v_ {i}}$

${ Displaystyle Rightarrow left | Av_ {i} right | ^ {2} = lambda _ {i} left | v_ {i} right | ^ {2}}$

${ displaystyle Rightarrow lambda _ {i} = { frac { left | Av_ {i} right | ^ {2}} { left | v_ {i} right | ^ {2} }} geq 0.}$

Во-вторых, собственные векторы ${ displaystyle v_ {i}}$ ортогональны друг другу:

${ displaystyle { begin {align} & Mv_ {i} = lambda _ {i} v_ {i} & Rightarrow v_ {j} 'Mv_ {i} = v_ {j}' lambda _ {i} v_ {i} & Rightarrow left (Mv_ {j} right) 'v_ {i} = lambda _ {j} v_ {j}' v_ {i} & Rightarrow lambda _ {j } v_ {j} 'v_ {i} = lambda _ {i} v_ {j}' v_ {i} & Rightarrow left ( lambda _ {j} - lambda _ {i} right) v_ {j} 'v_ {i} = 0 & Rightarrow v_ {j}' v_ {i} = 0 end {выровнено}}}$

если собственные значения разные - в случае кратности базис можно ортогонализировать.

Чтобы установить, что фактор Рэлея максимизируется собственным вектором с наибольшим собственным значением, рассмотрим разложение произвольного вектора ${ displaystyle x}$ на основе собственных векторов ${ displaystyle v_ {i}}$:

${ Displaystyle х = сумма _ {я = 1} ^ {п} альфа _ {я} v_ {я},}$

куда

${ displaystyle alpha _ {i} = { frac {x'v_ {i}} {{v_ {i}} '{v_ {i}}}} = { frac { langle x, v_ {i} rangle} { left | v_ {i} right | ^ {2}}}}$

координата ${ displaystyle x}$ ортогонально проецируется на ${ displaystyle v_ {i}}$. Таким образом, мы имеем:

${ displaystyle { begin {align} R (M, x) & = { frac {x'A'Ax} {x'x}} & = { frac {{ Bigl (} sum _ { j = 1} ^ {n} alpha _ {j} v_ {j} { Bigr)} ' left (A'A right) { Bigl (} sum _ {i = 1} ^ {n} alpha _ {i} v_ {i} { Bigr)}} {{ bigl (} sum _ {j = 1} ^ {n} alpha _ {j} v_ {j} { Bigr)} ' { Bigl (} sum _ {i = 1} ^ {n} alpha _ {i} v_ {i} { Bigr)}}} & = { frac {{ Bigl (} sum _ {j = 1} ^ {n} alpha _ {j} v_ {j} { Bigr)} '{ Bigl (} sum _ {i = 1} ^ {n} alpha _ {i} (A 'A) v_ {i} { Bigr)}} {{ bigl (} sum _ {i = 1} ^ {n} alpha _ {i} ^ {2} {v_ {i}}' {v_ {i}} { Bigr)}}} & = { frac {{ Bigl (} sum _ {j = 1} ^ {n} alpha _ {j} v_ {j} { Bigr) } '{ Bigl (} sum _ {i = 1} ^ {n} alpha _ {i} lambda _ {i} v_ {i} { Bigr)}} {{ bigl (} sum _ {i = 1} ^ {n} alpha _ {i} ^ {2} | {v_ {i}} | ^ {2} { Bigr)}}} end {выровнено}}}$

который, по ортонормальность собственных векторов становится:

${ displaystyle R (M, x) = { frac { sum _ {i = 1} ^ {n} alpha _ {i} ^ {2} lambda _ {i}} { sum _ {i = 1} ^ {n} alpha _ {i} ^ {2}}} = sum _ {i = 1} ^ {n} lambda _ {i} { frac {(x'v_ {i}) ^ {2}} {(x'x) (v_ {i} 'v_ {i})}}}$

Последнее представление устанавливает, что фактор Рэлея - это сумма квадратов косинусов углов, образованных вектором ${ displaystyle x}$ и каждый собственный вектор ${ displaystyle v_ {i}}$, взвешенные по соответствующим собственным значениям.

Если вектор ${ displaystyle x}$ максимизирует ${ Displaystyle R (М, х)}$, то любое ненулевое скалярное кратное ${ displaystyle kx}$ также максимизирует ${ displaystyle R}$, поэтому проблему можно свести к Проблема Лагранжа максимизации ${ Displaystyle сумма _ {я = 1} ^ {п} альфа _ {я} ^ {2} лямбда _ {я}}$ при ограничении, что ${ Displaystyle сумма _ {я = 1} ^ {п} альфа _ {я} ^ {2} = 1}$.

Определять: ${ Displaystyle бета _ {я} = альфа _ {я} ^ {2}}$. Затем это становится линейная программа, который всегда достигает максимума в одном из углов домена. Максимальный балл будет иметь ${ displaystyle alpha _ {1} = pm 1}$ и ${ Displaystyle альфа _ {я} = 0}$ для всех ${ displaystyle i> 1}$ (когда собственные значения упорядочены по убыванию величины).

Таким образом, фактор Рэлея максимизируется собственным вектором с наибольшим собственным значением.

Формулировка с использованием множителей Лагранжа

Альтернативно этот результат может быть получен методом Множители Лагранжа. Первая часть - показать, что частное постоянно при масштабировании. ${ displaystyle x to cx}$, куда ${ displaystyle c}$ скаляр

${ Displaystyle R (M, cx) = { frac {(cx) ^ {*} Mcx} {(cx) ^ {*} cx}} = { frac {c ^ {*} c} {c ^ { *} c}} { frac {x ^ {*} Mx} {x ^ {*} x}} = R (M, x).}$

В силу этой инвариантности достаточно изучить частный случай ${ Displaystyle | х | ^ {2} = х ^ {T} х = 1}$. Тогда проблема в том, чтобы найти критические точки функции

${ Displaystyle Р (М, х) = х ^ {T} Mx}$,

при условии ограничения ${ Displaystyle | х | ^ {2} = х ^ {T} х = 1.}$ Другими словами, найти критические точки

${ displaystyle { mathcal {L}} (x) = x ^ {T} Mx- lambda left (x ^ {T} x-1 right),}$

куда ${ displaystyle lambda}$ множитель Лагранжа. Стационарные точки ${ Displaystyle { mathcal {L}} (х)}$ происходят в

${ displaystyle { begin {align} & { frac {d { mathcal {L}} (x)} {dx}} = 0 & Rightarrow 2x ^ {T} M-2 lambda x ^ { T} = 0 & Rightarrow 2Mx-2 lambda x = 0 & Rightarrow Mx ​​= lambda x end {выравнивается}}}$

и

${ displaystyle , следовательно, R (M, x) = { frac {x ^ {T} Mx} {x ^ {T} x}} = lambda { frac {x ^ {T} x} {x ^ { T} x}} = lambda.}$

Следовательно, собственные векторы ${ displaystyle x_ {1}, ldots, x_ {n}}$ из ${ displaystyle M}$ - критические точки фактора Рэлея и соответствующие им собственные значения ${ displaystyle lambda _ {1}, ldots, lambda _ {n}}$ - стационарные значения ${ Displaystyle { mathcal {L}}}$. Это свойство является основой анализ основных компонентов и каноническая корреляция.

Использование в теории Штурма – Лиувилля.

Теория Штурма – Лиувилля касается действия линейный оператор

${ Displaystyle L (y) = { frac {1} {w (x)}} left (- { frac {d} {dx}} left [p (x) { frac {dy} {dx }} right] + q (x) y right)}$

на внутреннее пространство продукта определяется

${ Displaystyle langle {y_ {1}, y_ {2}} rangle = int _ {a} ^ {b} w (x) y_ {1} (x) y_ {2} (x) , dx }$

функций, удовлетворяющих некоторым указанным граничные условия в а и б. В этом случае фактор Рэлея равен

${ displaystyle { frac { langle {y, Ly} rangle} { langle {y, y} rangle}} = { frac { int _ {a} ^ {b} y (x) left (- { frac {d} {dx}} left [p (x) { frac {dy} {dx}} right] + q (x) y (x) right) dx} { int _ {a} ^ {b} {w (x) y (x) ^ {2}} dx}}.}$

Иногда это представляется в эквивалентной форме, полученной путем отделения интеграла в числителе и использования интеграция по частям:

${ displaystyle { begin {align} { frac { langle {y, Ly} rangle} { langle {y, y} rangle}} & = { frac { left { int _ {a } ^ {b} y (x) left (- { frac {d} {dx}} left [p (x) y '(x) right] right) dx right } + left { int _ {a} ^ {b} {q (x) y (x) ^ {2}} , dx right }} { int _ {a} ^ {b} {w (x) y (x) ^ {2}} , dx}} & = { frac { left { left.-y (x) left [p (x) y '(x) right] right | _ {a} ^ {b} right } + left { int _ {a} ^ {b} y '(x) left [p (x) y' (x) right] , dx right } + left { int _ {a} ^ {b} {q (x) y (x) ^ {2}} , dx right }} { int _ {a} ^ {b} w (x) y (x) ^ {2} , dx}} & = { frac { left { left.-p (x) y (x) y '(x) right | _ {a} ^ {b} right } + left { int _ {a} ^ {b} left [p (x) y '(x) ^ {2} + q (x) y (x) ^ {2} right] , dx right }} { int _ {a} ^ {b} {w (x) y (x) ^ {2}} , dx}}. конец {выровнено}}}$

Обобщения

1. Для данной пары (А, B) матриц и заданный ненулевой вектор Икс, то обобщенный фактор Рэлея определяется как:

   ${ displaystyle R (A, B; x): = { frac {x ^ {*} Ax} {x ^ {*} Bx}}.}$

   Обобщенный коэффициент Рэлея можно свести к коэффициенту Рэлея. ${ Displaystyle R (D, C ^ {*} x)}$ через преобразование ${ displaystyle D = C ^ {- 1} A {C ^ {*}} ^ {- 1}}$ куда ${ Displaystyle CC ^ {*}}$ это Разложение Холецкого эрмитовой положительно определенной матрицы B.

2. Для данной пары (Икс, у) ненулевых векторов и заданной эрмитовой матрицы ЧАС, то обобщенный фактор Рэлея можно определить как:

   ${ displaystyle R (H; x, y): = { frac {y ^ {*} Hx} { sqrt {y ^ {*} y cdot x ^ {*} x}}}}$

   что совпадает с р(ЧАС,Икс) когда Икс = у. В квантовой механике эта величина называется «матричным элементом» или иногда «амплитудой перехода».

Смотрите также

• Поле значений
• Теорема мин-макс
• Фактор Рэлея в анализе колебаний

Рекомендации

дальнейшее чтение

• Ши Ю, Леон-Шарль Траншвент, Барт Мур, Ив Моро, Слияние данных на основе ядра для машинного обучения: методы и приложения в биоинформатике и интеллектуальном анализе текста, Гл. 2, Springer, 2011.