На обширной территории математической физики и науки о данных матрица AᵀCA выступает универсальным мостом. Будь то вычисление смещения небоскрёба под действием ветровой нагрузки (жёсткость) или поиск наилучшего приближения для шумных статистических данных (наименьшие квадраты), структура остаётся одинаковой. Когда «идеальный» обратный элемент матрицы А не существует из-за того, что система является вырожденной или переопределённой, появляется псевдообратная матрица A⁺ как наш проводник к состоянию равновесия.
1. Геометрия псевдообратной матрицы
Псевдообратная матрица $A^+$ представляет собой матрицу размера $n \times m$, которая действует как идеальный обратный элемент там, где это возможно. Она соединяет четыре основные подпространства обеспечивая, что векторы $u_1, \dots, u_r$ из столбцового пространства матрицы $A$ напрямую отображаются на $v_1, \dots, v_r$ из строчного пространства.
Правила отображения
- Для $i \leq r$: $A^+ u_i = \frac{1}{\sigma_i} v_i$ (обратное значение масштабирования собственных значений)
- Для $i > r$: $A^+ u_i = 0$ (левое нулевое пространство уничтожается)
2. Построение матрицы AᵀCA
Физические системы достигают равновесия через трёхэтапный цикл:
- Кинематика ($Ax=e$): Внешние перемещения $x$ создают внутреннюю деформацию $e$.
- Закон упругости ($y=Ce$): Свойства материала (например, закон Гука) преобразуют деформацию в внутреннее напряжение $y$.
- Равновесие ($A^Ty=f$): Внутренние напряжения уравновешивают внешние силы $f$.
Объединив эти этапы, получаем главное уравнение: $A^TCAx=f$. Если матрица $A^TA$ обратима, мы восстанавливаем стандартное решение метода взвешенных наименьших квадратов.
3. Проекции и тождества
В отличие от обычной обратной матрицы, $AA^+$ и $A^+A$ не обязательно дают полную единичную матрицу. Вместо этого они действуют как матрицы проекций:
- $AA^+$ — это матрица проекции на столбцовое пространство матрицы $A$.
- $A^+ A$ — это матрица проекции на строчное пространство матрицы $A$.
🎯 Определение через СВР
Формальное математическое определение использует разложение по собственным значениям:
$A^+ = V \Sigma^+ U^T = \begin{bmatrix} v_1 \cdots v_r \cdots v_n \end{bmatrix} \begin{bmatrix} \sigma_1^{-1} & & \\ & \ddots & \\ & & \sigma_r^{-1} \\ & & & 0 \end{bmatrix} \begin{bmatrix} u_1 \cdots u_r \cdots u_m \end{bmatrix}^T$
Разобранный пример: нахождение A⁺ для матрицы ранга 1
Задача
Рассмотрим $A = \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}$. Найдите $A^+$.
Анализ
Ранг $r=1$. Строчное пространство натянуто на $v_1 = \frac{1}{\sqrt{2}}(1, 1)$. Столбцовое пространство натянуто на $u_1 = \frac{1}{\sqrt{5}}(2, 1)$. Собственное значение $\sigma_1 = \sqrt{2^2+2^2+1^2+1^2} = \sqrt{10}$.
Вычисление
$A^+ = v_1 \sigma_1^{-1} u_1^T = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 \\ 1 \end{bmatrix} \frac{1}{\sqrt{10}} \frac{1}{\sqrt{5}}\begin{bmatrix} 2 & 1 \end{bmatrix} = \frac{1}{10} \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix}$.