拉普拉斯矩阵的性质 |
您所在的位置:网站首页 › 图的邻接矩阵的平方等于什么 › 拉普拉斯矩阵的性质 |
图和拉普拉斯矩阵
解释:度矩阵应该很好理解,即一共有多少条边与该顶点有关,然后把这个数写在方阵的对角线上。
上面是连通图的例子,我们举一个非连通图的例子。请注意:下面这个图有两个连通分量(或者叫做连通子图),这个概念后面会用到。 上面提到了拉普拉斯矩阵,下面说一说他的性质。 性质1. 性质1大家看看拉普拉斯矩阵的定义, D − W D-W D−W,而度矩阵 D D D的对角线的值就是邻接矩阵 W W W的行和。由于 D D D除了对角线之外其余为0,一减 W W W,除对角线之外全是负的,也就是说:如果去除对角线的值,拉普拉斯矩阵的行和就是 W W W的行和的相反数,然后加上等于 W W W行和的对角线,所以行和全部是0了。 ###### 性质2,熟悉线性代数的人都知道,对一个方阵求行和,其实相当于乘以一个 n n n维的,每一个维度都为1的向量,一般我们用 e ⃗ \vec e e 表示。 所以 L ∗ e ⃗ = 0 ⃗ L*\vec e=\vec 0 L∗e =0 (等于0是因为性质1),其中 0 ⃗ \vec 0 0 向量也是 n n n维向量,每一个维度都为0,对应于性质1:L的每个行和为0,共有 n n n行。 我们将上述等式改写成 L ∗ e ⃗ = 0 ∗ e ⃗ L*\vec e=0*\vec e L∗e =0∗e ,这是特征值和特征向量的定义,这个等式告诉我们:L有一个特征值为0,且这个特征值对应的特征向量中有一个是 e ⃗ \vec e e 。 性质3. 既然已经证明了L是半正定的矩阵,那么当然就可以推出性质3,有n个非负的特征值。 性质5.
情况1 这个我们要证明的是,0特征值对应的特征向量每个分量相同,也即该特征向量是
k
e
⃗
k\vec e
ke
。 我们前面有: 不过,上述可能会有一点难懂, w i j w_{ij} wij非负,为什么可以证明后面的为0呢?难道没有可能后面的某一项不为0,恰好此时 w i j w_{ij} wij为0,从而继续保持整体为0? 那我们就假设有一项 f i − f j ! = 0 f_i-f_j!=0 fi−fj!=0,那么会发生什么情况呢? f f f的其他分量会因为这个不相等从而至少分成两个阵营,比如 f m f_m fm只有两种情况: 只和它们其中一个相等和两个都不相等。我们讨论第一种情况就够了,即假设分成了两个阵营,假设四个顶点的无向图, f 1 , f 2 f_1,f_2 f1,f2一组, f 3 , f 4 f_3,f_4 f3,f4一组,由于两个阵营不相等,那么强迫 w i j = 0 w_{ij}=0 wij=0,从而会发生节点1,2不会有边连接到节点3,4。这就不是只有一个连通图了啊,而是至少两个。 情况2 然后精彩之处来了,我们可以构造 情况2得证,性质5证毕。 关于性质5的例子: 下面接着介绍两种非常常见的:归一化拉普拉斯矩阵。 对于对称型,有性质:
|
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |