方阵A、B与AB的关系

利用方阵的Jordan分解与翻转矩阵等技巧,给出方阵A、B及其张量积AB性质间的关系.     

当方阵A,B反可交换时,A,B和AB特征值的性质及联系

从矩阵反可交换的定义出发,证明了当两个方阵A,B反可交换时,任取A的特征值λ_A存在B的特征值λB,满足±iλ_Aλ_B是AB的特征值及其它一些相应结论.并举例说明了结论的的有效性.     

满足AB=αBA的方阵A,B和AB的特征值的性质及其联系

设m阶方阵A,B满足AB=αBA,其中α=e~(2kπi/n),k,n为互素整数且n≥2.证明了σ(AB)■{α~(j-((n-1)/2))λ_AλB|λA∈σ(A),λB∈σ(B),j=0,1,…,n-1}及其它相关的结果,其中σ(A)表示方阵A的所有特征值的集合.     

两个分块矩阵相似性的研究

给出两个分块矩阵相似的两个充分必要条件 .也就是说 ,如果两个方阵 A和 B在 A2 =0和 B2 =0的条件下 ,则两个分块矩阵 A C0 B 和 A 00 B 相似的充分必要条件是 :rank A C0 B =rank(A) +rank(B)和 AC +CB =0 .如果两个方阵 A和 B在 A2 =A和 B2 =B的条件下 ,则两个分块矩阵 A C0 B和 A 00 B 相似的充分必要条件是 :AC +CB =C.     

也谈方阵的平方根

文[1]讨论了二阶方阵的平方根和三角方阵的三角平方根问题,但其结论有误．这里指出其错误并给出正确的定理．定义1设A是一个n阶方阵,若存在n阶方阵B,使B2=A,则称方阵B为方阵A的平方根．若有Bm=A,则称B为A的m次方根．文[1]给出如下定理：上（下）三角方阵存在上（下）三角方阵的平方根．对上述定理,文[1]没有给出一般证明,仅以三阶上三角方阵为例来证．但可惜的是,即使这样一个特殊情况的证明仍有漏洞,结论并不成立．例如不存在上三角方阵的平方根．事实上,对任意上三角方阵可以验证,均不存在上三角平方根．我们有如下定理：…     

浅淡公式rkAB＝rkB—dim（R（B）∩N（A）的应用

本文的目的是给出有关矩阵乘积的秩的一个等式.然后据此研究一系列秩数问题.定理若矩阵A与B可乘,则rkAB=rkB—(dimR(B)∩N(A)) (1) =rkA—dim(R(A′)∩N(B′)) (1′)其中R(B)是B的值域,N(A)是A的零空间;rkA记A的秩,dimR(B)记只(B)的维数.     

矩阵对角占优性的推广及应用

§1.引言设 A=(a_(ij))_(n×n)为一复矩阵,若有一正向量 d=(d_1,d_2,…,d_n)~T 使得d_i|a_(ij)|≥sum from j≠1 d_j|a_(ij)|,(1)对每一 i∈N={1,2,…,n}都成立,则称 A 为广义对角占优矩阵,记为 A∈D_0~*;如若(1)式中每一不等号都是严格的,则称 A 为广义严格对角占优矩阵,记为 A∈D~*.特别地,当 d=(1,1,…,1)~T 时,A∈D_0~*及 A∈D~*即是通常的对角占优与严格对角占优,分别记作 A∈D_0及 A∈D.利用矩阵的对角占优性质讨论其特征值分布是矩阵论中的重要课题,文献[5]—[10]给出了这方面的重要结果.n 阶实方阵 A 称为 M-矩阵,如果 A具有形式:A=sI-B,s>ρ(B),其中 B 为 n 阶非负方阵,ρ(B)表 B 之谱半径,利用广义严格对角占优的概念,文[1]给出了 M-矩阵的等价表征:若 n 阶实方阵     

伴随矩阵^＊A的性质

本进一步研究了n(>2)阶实方阵A与其伴随矩阵^*A之间的关系，从而得到了一系列的性质。     

分块矩阵[A B]中一块的广义逆

给出矩阵[A B]的广义逆,其中A∈Cm×k,B∈Cm×(n-k),本文得到子块A的相关广义逆的计算公式.     

The least squares problem of the matrix equation A1X1B1^T ＋ A2X2B2^T = T

The matrix least squares （LS） problem minx ｜｜AXB^T--T｜｜F is trivial and its solution can be simply formulated in terms of the generalized inverse of A and B. Its generalized problem minx1,x2 ｜｜A1X1B1^T ＋ A2X2B2^T - T｜｜F can also be regarded as the constrained LS problem minx=diag（x1,x2） ｜｜AXB^T -T｜｜F with A = [A1, A2] and B = [B1, B2]. The authors transform T to T such that min x1,x2 ｜｜A1X1B1^T＋A2X2B2^T -T｜｜F is equivalent to min x=diag（x1 ,x2） ｜｜AXB^T - T｜｜F whose solutions are included in the solution set of unconstrained problem minx ｜｜AXB^T - T｜｜F. So the general solutions of min x1,x2 ｜｜A1X1B^T ＋ A2X2B2^T -T｜｜F are reconstructed by selecting the parameter matrix in that of minx ｜｜AXB^T - T｜｜F.