この記事は
英語版の対応するページ を翻訳することにより充実させることができます。 (2024年1月 ) 翻訳前に重要な指示を読むには右にある[表示]をクリックしてください。
英語版記事を日本語へ機械翻訳したバージョン (Google翻訳)。 万が一翻訳の手がかりとして機械翻訳を用いた場合、翻訳者は必ず翻訳元原文を参照して機械翻訳の誤りを訂正し、正確な翻訳にしなければなりません。これが成されていない場合、記事は削除の方針G-3 に基づき、削除される可能性があります。 信頼性が低いまたは低品質な文章を翻訳しないでください。もし可能ならば、文章を他言語版記事に示された文献で正しいかどうかを確認してください。 履歴継承 を行うため、要約欄 に翻訳元となった記事のページ名・版について記述する必要があります。記述方法については、Wikipedia:翻訳のガイドライン#要約欄への記入 を参照ください。 翻訳後、{{翻訳告知 |en|Eigendecomposition of a matrix|…}}
をノート に追加することもできます。 Wikipedia:翻訳のガイドライン に、より詳細な翻訳の手順・指針についての説明があります。
線型代数学 において固有値分解 (こゆうちぶんかい、英 : Eigendecomposition, Eigen Value Decomposition ) とは、固有値 に着目した行列の分解 である[1] [2] [3] 。
行列 A ∈ M d ( K ) {\displaystyle A\in M_{d}(K)} (K は適当な体) に対して、ある正則行列 P {\displaystyle P} と対角行列 Λ {\displaystyle \Lambda } が存在して A = P Λ P − 1 {\displaystyle A=P\Lambda P^{-1}} と書けて、さらに Λ {\displaystyle \Lambda } の対角成分が A {\displaystyle A} の固有値 λ 1 , … , λ d {\displaystyle \lambda _{1},\dots ,\lambda _{d}} である (すなわち、 Λ = d i a g ( λ 1 , … , λ d ) {\displaystyle \Lambda =\mathop {\mathrm {diag} } (\lambda _{1},\dots ,\lambda _{d})} である) ようなものを A {\displaystyle A} の固有値分解という[1] [3] 。また、このとき A {\displaystyle A} は対角化可能 であるという。
一般に行列 A {\displaystyle A} は固有値を持つとは限らず、また固有値を持っていたとしてもそれによって固有値分解ができるとは限らない。例えば、行列 ( 0 − 1 1 0 ) {\displaystyle {\bigl (}{\begin{smallmatrix}0&-1\\1&0\end{smallmatrix}}{\bigr )}} は複素数の固有値 ± i {\displaystyle \pm i} しか持たないため、実行列として考えている場合は固有値を持たない。また、行列 ( 2 1 0 2 ) {\displaystyle {\bigl (}{\begin{smallmatrix}2&1\\0&2\end{smallmatrix}}{\bigr )}} は固有値を持つが対角化不可能なものの例である。
d {\displaystyle d} 次行列 A ∈ M d ( K ) {\displaystyle A\in M_{d}(K)} が対角化可能である必要十分条件は、 A {\displaystyle A} の固有ベクトルが K d {\displaystyle K^{d}} の基底をなすこと、すなわち一次独立な A {\displaystyle A} の固有ベクトルの d {\displaystyle d} 個組 ( v 1 , … , v d ) {\displaystyle (v_{1},\dots ,v_{d})} が存在することである[4] 。
利点・応用 [ 編集 ] 線型代数学 において、固有値分解は次のような利点がある[1] [2] [3] :
行列の冪計算 [ 編集 ] 行列 A {\displaystyle A} が固有値分解 A = P Λ P − 1 {\textstyle A=P\Lambda P^{-1}} を持つとする。このとき、自然数 n {\displaystyle n} に対して A {\displaystyle A} の冪 A n {\displaystyle A^{n}} は
A n = ( P Λ P − 1 ) n = ( P Λ P − 1 ) ( P Λ P − 1 ) ⋯ ( P Λ P − 1 ) = P Λ n P − 1 {\displaystyle {\begin{aligned}A^{n}&=(P\Lambda P^{-1})^{n}\\&=(P\Lambda P^{-1})(P\Lambda P^{-1})\cdots (P\Lambda P^{-1})\\&=P\Lambda ^{n}P^{-1}\end{aligned}}}
で表される。 Λ {\displaystyle \Lambda } は対角行列であったので、 Λ = d i a g ( λ 1 , … , λ d ) {\displaystyle \Lambda =\mathop {\mathrm {diag} } (\lambda _{1},\dots ,\lambda _{d})} に対して Λ n = d i a g ( λ 1 n , … , λ d n ) {\displaystyle \Lambda ^{n}=\mathop {\mathrm {diag} } (\lambda _{1}^{n},\dots ,\lambda _{d}^{n})} と計算できる。従って、特に A {\displaystyle A} に対して P {\displaystyle P} が既知である場合に A {\displaystyle A} の冪を簡単に求めることができる。
行列の指数 [ 編集 ] 冪計算の応用として、行列の指数関数
e A := ∑ n = 0 ∞ 1 n ! A n {\displaystyle e^{A}\mathrel {:=} \sum _{n=0}^{\infty }{\frac {1}{n!}}A^{n}}
の計算もまた、 A {\displaystyle A} の固有値分解が既知であれば容易になる。固有値分解 A = P Λ P − 1 {\textstyle A=P\Lambda P^{-1}} に対して冪計算が A n = P Λ n P − 1 {\displaystyle A^{n}=P\Lambda ^{n}P^{-1}} であることと、行列の指数関数の各種性質から、
e A = e P Λ P − 1 = P e Λ P − 1 = P ( ∑ x = 0 ∞ 1 n ! Λ n ) P − 1 = P ( e λ 1 e λ 2 ⋱ e λ d ) P − 1 {\displaystyle {\begin{aligned}e^{A}&=e^{P\Lambda P^{-1}}\\&=Pe^{\Lambda }P^{-1}\\&=P\left(\sum _{x=0}^{\infty }{\frac {1}{n!}}\Lambda ^{n}\right)P^{-1}\\&=P\left({\begin{smallmatrix}e^{\lambda _{1}}&&&\\&e^{\lambda _{2}}&&\\&&\ddots &\\&&&e^{\lambda _{d}}\end{smallmatrix}}\right)P^{-1}\end{aligned}}}
と計算できる。
他にも、様々な工学的応用がある[5] [6] [7] [8] [9] 。
関連項目 [ 編集 ] ^ a b c Weisstein, Eric W. "Eigen Decomposition." From MathWorld--A Wolfram Web Resource. http://mathworld.wolfram.com/EigenDecomposition.html ^ a b Abdi, H. (2007). The eigen-decomposition: Eigenvalues and eigenvectors. Encyclopedia of measurement and statistics, 304-308. ^ a b c Strang, G. (2003). Introduction to linear algebra. Cambridge (MA): Wellesley-Cambridge Press. ^ 西田, 吾郎『線形代数学 』京都大学学術出版会、2009年6月。ISBN 978-4-87698-757-3 。OCLC 674429372 。https://www.worldcat.org/oclc/674429372 。 ^ Umeyama, S. (1988). An eigendecomposition approach to weighted graph matching problems. IEEE transactions on pattern analysis and machine intelligence, 10(5), 695-703. ^ Pesavento, M., Gershman, A. B., & Haardt, M. (2000). Unitary root-MUSIC with a real-valued eigendecomposition: A theoretical and experimental performance study. IEEE transactions on signal processing, 48(5), 1306-1314. ^ Xu, W., & Kaveh, M. (1995). Analysis of the performance and sensitivity of eigendecomposition-based detectors. IEEE Transactions on Signal Processing, 43(6), 1413-1426. ^ Kruse, D. E., & Ferrara, K. W. (2002). A new high resolution color flow system using an eigendecomposition-based adaptive filter for clutter rejection. IEEE transactions on ultrasonics, ferroelectrics, and frequency control, 49(10), 1384-1399. ^ Yousefi, S., Zhi, Z., & Wang, R. K. (2011). Eigendecomposition-based clutter filtering technique for optical microangiography. IEEE Transactions on Biomedical Engineering, 58(8), 2316-2323.