矩阵微积分

矩阵微积分

对于一个矩阵函数 \(\mathbf{A}(t)\) ，它的微分与积分就是对它逐项做微积分，性质也与一般的微积分没有区别。对于三角不等式，矩阵的范数一般理解为其所有元素的和，也就是 \(L^1\) 范数。

矩阵指数函数

矩阵指数函数是通过 \(e^{ x }\) 的 Taylor 级数定义的：

\[e^{ \mathbf{A} } = \sum_{k=0}^{\infty} \frac{1}{k!}\mathbf{A}^k\]

然而对于一般的矩阵并不能保持实数上的指数运算的那么多性质，它们或多或少需要一些条件。以下给出一些矩阵指数函数的性质：

1. 当 \(\mathbf{P}\) 可逆时，\(e^{ \mathbf{P}^{-1}\mathbf{A}\mathbf{P} } = \mathbf{P}^{-1}e^{ \mathbf{A} }\mathbf{P}\)
2. 当 \(\mathbf{A}\mathbf{B}=\mathbf{B}\mathbf{A}\) 时，有 \(e^{ \mathbf{A}+\mathbf{B} }=e^{ \mathbf{A} }e^{ \mathbf{B} }\)
3. \(e^{ \mathrm{diag}(\lambda_{1},\dots ,\lambda_{n}) }=\mathrm{diag}(e^{ \lambda_{1} },\dots,e^{ \lambda_{n} })\)

通过这些性质，我们可以比较容易的利用一个矩阵的 Jordan 分解来计算它的矩阵指数函数。

似乎可以从抽象代数的角度来考虑这个问题？不确定是否有更好的性质

交换性条件

在求解线性微分方程组的时候需要交换性条件才能保证 Picard 存在性定理仍然成立。

\[\mathbf{A}(t) \cdot \int_{t_{0}}^{t}\mathbf{A}(s)\mathrm{d}s = \int_{t_{0}}^{t} \mathbf{A}(s)\mathrm{d}s \cdot \mathbf{A}(t)\]

这个条件对于求解线性微分方程组有很重要的作用。