最后更新: 2025-10-15 14:43 查看: 218 次纠错评论(0) 课件开VIP

矩阵的CR分解

## 矩阵的CR分解

本文主要由AI生产，请读者自己识别里面内容

###  **1. 核心思想与定义**

**CR分解** 将一个矩阵 $ A $ 分解为两个矩阵的乘积：
$$
A = C R
$$
其中：
- $ C $ 是一个由 $ A $ 的 **线性无关列**（Linear Independent Columns）组成的矩阵。
- $ R $ 是一个由 $ A $ 的 **行最简形**（Row Reduced Echelon Form, RREF）的**前 $ r $ 行**（即非零行）组成的矩阵。

**关键点：**
- 设 $ A $ 是一个 $ m \times n $ 的矩阵，其**秩**（Rank）为 $ r $（即 $ \text{rank}(A) = r $)。
- 则 $ C $ 是 $ m \times r $ 的矩阵。
- $ R $ 是 $ r \times n $ 的矩阵。
- 分解后的乘积 $ CR $ 的秩也为 $ r $，完美保留了原矩阵的秩。

---

### **2. 分解的步骤**

通过一个具体例子来演示是最清晰的。设矩阵：
$$
A = \begin{bmatrix}
1 & 2 & 3 & 1 \\
2 & 4 & 6 & 2 \\
1 & 3 & 4 & 3
\end{bmatrix}
$$

**Step 1: 求矩阵 $ A $ 的秩并确定主元列**
1.  对 $ A $ 进行**行化简**，得到其**行最简形（RREF）**。
    $$
    \text{RREF}(A) = \begin{bmatrix}
    \boxed{1} & 2 & 0 & 5 \\
    0 & 0 & \boxed{1} & -2 \\
    0 & 0 & 0 & 0
    \end{bmatrix}
    $$
    （`□` 框出的为主元）
2.  秩 $ r $ 就是主元的个数。这里 $ r = 2 $。
3.  **主元所在的列号（第1列和第3列）指示了原矩阵 $ A $ 中哪些列是线性无关的**。

**Step 2: 构造矩阵 $ C $**
- $ C $ 由 $ A $ 的**主元列**（Pivot Columns）组成。即第1列和第3列。
$$
C = \begin{bmatrix}
1 & 3 \\
2 & 6 \\
1 & 4
\end{bmatrix}
$$
- $ C $ 的列空间 $ \text{Col}(C) $ 就等于 $ A $ 的列空间 $ \text{Col}(A) $。所有其他的列都是这些主元列的线性组合。

**Step 3: 构造矩阵 $ R $**
- $ R $ 就是 $ A $ 的行最简形（RREF）中的**非零行**。
$$
R = \begin{bmatrix}
1 & 2 & 0 & 5 \\
0 & 0 & 1 & -2
\end{bmatrix}
$$
- $ R $ 的行空间 $ \text{Row}(R) $ 就等于 $ A $ 的行空间 $ \text{Row}(A) $。

**Step 4: 验证分解**
$$
C R = \begin{bmatrix}
1 & 3 \\
2 & 6 \\
1 & 4
\end{bmatrix}
\begin{bmatrix}
1 & 2 & 0 & 5 \\
0 & 0 & 1 & -2
\end{bmatrix}
= \begin{bmatrix}
1\cdot1+3\cdot0 & 1\cdot2+3\cdot0 & 1\cdot0+3\cdot1 & 1\cdot5+3\cdot(-2) \\
2\cdot1+6\cdot0 & 2\cdot2+6\cdot0 & 2\cdot0+6\cdot1 & 2\cdot5+6\cdot(-2) \\
1\cdot1+4\cdot0 & 1\cdot2+4\cdot0 & 1\cdot0+4\cdot1 & 1\cdot5+4\cdot(-2)
\end{bmatrix}
= \begin{bmatrix}
1 & 2 & 3 & -1 \\
2 & 4 & 6 & -2 \\
1 & 2 & 4 & -3
\end{bmatrix}
$$
我们发现结果不等于原始的 $ A $。哪里出错了？

**关键修正：我们必须使用原始矩阵 $ A $ 的主元列，而不是 RREF 后的主元列。** 在这个例子中，我们正确地从 $ A $ 中选取了第1和第3列作为 $ C $。

错误在于验证时的一个疏忽。让我们重新计算 $ CR $ 的第四列：
- $ C $ 的第1列 × $ R $ 第1行第4列： $ 1 \times 5 = 5 $
- $ C $ 的第2列 × $ R $ 第2行第4列： $ 3 \times (-2) = -6 $
- 总和： $ 5 + (-6) = -1 $，但这与 $ A $ 的第四列 $ [1, 2, 3]^T $ 不符。

这说明了一个重要问题：**CR分解要求我们使用来自原始矩阵 $ A $ 的线性无关列，但 $ R $ 矩阵必须正确地表征这些列如何组合出整个 $ A $。** 在这个例子中，我们的 $ R $ 是从 RREF 直接取来的，但我们需要确保 $ C R $ 精确重构 $ A $。

实际上，正确的 $ R $ 应该满足 $ A = C R $。这意味着 $ R $ 的列是 $ C $ 的列表示 $ A $ 的每一列的系数。我们可以通过求解 $ C R = A $ 来找到 $ R $，这正好是 RREF 过程所做的事情。因此，我们的步骤在理论上是正确的，但验证时需要仔细计算。

重新验证第四列：
- $ C $ 的第1列 × $ R $ 第1行第4列： $ 1 \times 5 = 5 $
- $ C $ 的第2列 × $ R $ 第2行第4列： $ 3 \times (-2) = -6 $
- 第一行第四列结果： $ 5 + (-6) = -1 $
- 第二行第四列： $ 2 \times 5 + 6 \times (-2) = 10 - 12 = -2 $
- 第三行第四列： $ 1 \times 5 + 4 \times (-2) = 5 - 8 = -3 $

这得到了 $ [-1, -2, -3]^T $，但 $ A $ 的第四列是 $ [1, 2, 3]^T $。矛盾表明我可能在最初的 RREF 计算中出了错。

让我们重新计算 $ A $ 的 RREF：
$$
A = \begin{bmatrix}
1 & 2 & 3 & 1 \\
2 & 4 & 6 & 2 \\
1 & 3 & 4 & 3
\end{bmatrix}
$$
步骤：
1. R2 = R2 - 2*R1, R3 = R3 - R1:
$$
\begin{bmatrix}
1 & 2 & 3 & 1 \\
0 & 0 & 0 & 0 \\
0 & 1 & 1 & 2
\end{bmatrix}
$$
2. Swap R2 and R3:
$$
\begin{bmatrix}
1 & 2 & 3 & 1 \\
0 & 1 & 1 & 2 \\
0 & 0 & 0 & 0
\end{bmatrix}
$$
3. R1 = R1 - 2*R2:
$$
\begin{bmatrix}
1 & 0 & 1 & -3 \\
0 & 1 & 1 & 2 \\
0 & 0 & 0 & 0
\end{bmatrix}
$$
所以正确的 RREF 是：
$$
\text{RREF}(A) = \begin{bmatrix}
\boxed{1} & 0 & 1 & -3 \\
0 & \boxed{1} & 1 & 2 \\
0 & 0 & 0 & 0
\end{bmatrix}
$$
主元在第1列和第2列！所以秩 $ r=2 $。

**修正后的 Step 2: 构造矩阵 $ C $**
- $ C $ 由 $ A $ 的**主元列**（第1列和第2列）组成。
$$
C = \begin{bmatrix}
1 & 2 \\
2 & 4 \\
1 & 3
\end{bmatrix}
$$

**修正后的 Step 3: 构造矩阵 $ R $**
- $ R $ 就是 $ A $ 的行最简形（RREF）中的**非零行**。
$$
R = \begin{bmatrix}
1 & 0 & 1 & -3 \\
0 & 1 & 1 & 2
\end{bmatrix}
$$

**修正后的 Step 4: 验证分解**
$$
C R = \begin{bmatrix}
1 & 2 \\
2 & 4 \\
1 & 3
\end{bmatrix}
\begin{bmatrix}
1 & 0 & 1 & -3 \\
0 & 1 & 1 & 2
\end{bmatrix}
= \begin{bmatrix}
1\cdot1+2\cdot0 & 1\cdot0+2\cdot1 & 1\cdot1+2\cdot1 & 1\cdot(-3)+2\cdot2 \\
2\cdot1+4\cdot0 & 2\cdot0+4\cdot1 & 2\cdot1+4\cdot1 & 2\cdot(-3)+4\cdot2 \\
1\cdot1+3\cdot0 & 1\cdot0+3\cdot1 & 1\cdot1+3\cdot1 & 1\cdot(-3)+3\cdot2
\end{bmatrix}
= \begin{bmatrix}
1 & 2 & 3 & 1 \\
2 & 4 & 6 & 2 \\
1 & 3 & 4 & 3
\end{bmatrix} = A
$$
**验证成功！**

这个修正后的例子强调了正确计算 RREF 和识别主元列的重要性。

---

### **3. 为什么叫“CR”分解？**

- $ C $ 代表 **Column**（列）或 **Basis for the Column space**（列空间的基）。
- $ R $ 代表 **Row**（行）或 **Basis for the Row space**（行空间的基），或者 **Reduced**（最简形）。

---

### **4. CR分解的性质与意义**

1.  **列空间（Column Space）**：
    $ \text{Col}(A) = \text{Col}(C) $
    矩阵 $ C $ 的列构成了 $ A $ 的列空间的一组**基**。

2.  **行空间（Row Space）**：
    $ \text{Row}(A) = \text{Row}(R) $
    矩阵 $ R $ 的行构成了 $ A $ 的行空间的一组**基**。

3.  **秩（Rank）**：
    $ \text{rank}(A) = \text{rank}(C) = \text{rank}(R) = r $
    分解显式地给出了矩阵的秩。

4.  **唯一性（Uniqueness）**：
    - 矩阵 $ R $ （即RREF）是**唯一**的。
    - 矩阵 $ C $ 的列来自 $ A $ 的特定列（主元列），这部分选择是唯一的。但如果我们选择列空间的**任意一组基**来构成 $ C $，那么 $ R $ 也会相应改变。所以，**基于主元列的CR分解是唯一的**。

5.  **与其它分解的关系**：
    - **与QR分解的区别**：QR分解要求 $ C $ 的列是**正交**的（通过Gram-Schmidt过程得到），而CR分解中的 $ C $ 只是原矩阵的列，不一定正交。
    - **与LU分解的区别**：LU分解侧重于求解方程组的三角系统，而CR分解侧重于揭示矩阵的列和行空间结构。

---

### **5. 应用场景**

- **理解矩阵结构**：CR分解是理解一个矩阵的**列空间**和**行空间**最直接的方式之一。
- **低秩矩阵近似**：在数据科学中，如果矩阵 $ A $ 是近似低秩的，我们可以通过CR分解取前 $ r $ 个主元列和前 $ r $ 行来得到一个很好的低秩近似 $ A \approx C_r R_r $。
- **理论推导**：在线性代数的理论证明中，CR分解是一种非常有用的工具。

---

### **6. 总结**

| 特性 | 描述 |
| :--- | :--- |
| **形式** | $ A = C R $ |
| **矩阵C** | $ m \times r $ 矩阵，由 $ A $ 的 $ r $ 个线性无关列（主元列）组成。 |
| **矩阵R** | $ r \times n $ 矩阵，是 $ A $ 的**行最简形（RREF）** 的前 $ r $ 行。 |
| **核心意义** | 清晰地展示了矩阵的**列空间**和**行空间**的结构。 |
| **唯一性** | 基于主元列的分解是唯一的。 |
| **主要应用** | 理解矩阵结构、理论证明、低秩近似。 |

简单来说，**CR分解告诉我们：原矩阵 $ A $ 的所有列，都可以由 $ C $ 中的“主元列”通过 $ R $ 中的行系数线性组合而成。** 它是一种非常直观和基础的分解。
  
  
  ## $A=CR$ 分解图解
 $\boldsymbol{A}=\boldsymbol{C} \boldsymbol{R}$ 所有一般的长矩阵 $A$ 都有相同的行秩和列秩．这个分解是理解这一定理最直观的方法．$C$ 由 $A$ 的线性无关列组成，$R$ 为 $A$ 的行阶梯形矩阵（消除了零行）．$A=C R$ 将 $A$ 化简为 $r$ 的线性无关列 $C$ 和线性无关行 $R$的乘积．

$$
\begin{aligned}
A & =C R \\
{\left[\begin{array}{lll}
1 & 2 & 3 \\
2 & 3 & 5
\end{array}\right] } & =\left[\begin{array}{ll}
1 & 2 \\
2 & 3
\end{array}\right]\left[\begin{array}{lll}
1 & 0 & 1 \\
0 & 1 & 1
\end{array}\right]
\end{aligned}
$$

推导过程：从左往右看 $A$ 的列。保留其中线性无关的列，去掉可以由前者线性表出的列。则第1、2列被保留，而第三列因为可以由前两列之和表示而被去掉。而要通过线性无关的 $1 、 2$ 两列重新构造出 $A$ ，需要右乘一个行阶梯矩阵 $R$ ．

![图片](/uploads/2025-09/3abb1a.jpg)
 
 现在你会发现行的秩为 2 ，因为 $C$ 中只有 2 个线性无关列．而 $A$ 中所有的列都可以由 $C$ 中的 2 列线性表出．
 
  ![图片](/uploads/2025-09/1c555c.jpg)

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：矩阵的LU分解

下一篇：矩阵的QR分解

本文对您是否有用？有用 (0) 无用 (0)