微分方程和矩陣指數【MIT線代第二十三課】

0、前言

MIT線性代數課程精細筆記[第二十二課]筆記見

https://zhuanlan.zhihu.com/p/33295067zhuanlan.zhihu.com圖標

該筆記是連載筆記,本文由坤博所寫,希望對大家有幫助。

一、知識概要

本節介紹一階線性常微分方程的矩陣解法,也就是將微分方程用矩陣抽象,通 過「解耦」,計算出對應係數,最終得到解。這裡會牽涉到?? ???? 計算問題, (A 是 矩陣),所以也會引出冪指數是矩陣時算式的計算問題。最後擴展介紹了高階微 分方程的降階求解方法。

二.解微分方程

解決微分方程問題重點在於其流程,我們通過一道例題來介紹本部分內容。

不難看出,投影到實數軸,只有實數部分 a 決定正負性,而虛部 b 的作用是 在另一條軸上指明方向,所以不影響我們的判斷。

(2)穩態存在時(如【例 1】中最後 t 趨於無窮時,u 趨於一個確數),一個 特徵向量=0,其餘的特徵向量全部<0。

(3)如果有任何特徵值實數部分>0,則解無法收斂。

三.解耦與 e^{At}

3.1 解耦

3.3 矩陣指數

四.二階微分方程的解

b,c,d,e 都是方程中的係數,而且主對角線上的元素下的元素都是 0。這樣

的矩陣將五階微分方程轉化為一階向量方程。接下來只要使用一階微分方程正

常求解就可以了。

五、學習感悟

本節內容較多,主要目的是在實際情況下使用矩陣對角化,特徵值等方法求 解微分方程,給出了一種使用矩陣求解微分方程的通用規律,即高階降階,一階 用特徵值和特徵向量將原係數矩陣 A 解耦,最後得到結果。並介紹了在我們解耦 A 時使用矩陣對角化將其與特徵向量聯繫起來運算的方法。另外介紹了判斷收斂 性的方法,即看特徵值實部絕對值與 1 的大小關係。這些內容都是特徵值與特徵 向量的實際應用,較為重要。


推薦閱讀:

求解零空間的思考
關於方陣的特徵值和特徵向量的思考
SVD分解是對矩陣行空間與列空間的關聯
PRML筆記|線代拾遺(1)

TAG:線性代數 | 常微分方程 | 機器學習 |