אלגברה ליניארית להנדסת חשמל 2

ברוכים הבאים ליחידת הלימוד בנושא "תבניות ריבועיות" בקורס "אלגברה ליניארית להנדסת חשמל 2". תבניות ריבועיות הן פונקציות סקלריות המוגדרות על מרחבים וקטוריים, המופיעות באופן טבעי בתחומים רבים בהנדסת חשמל, כגון ניתוח מערכות ליניאריות, אופטימיזציה, תורת הבקרה, עיבוד אותות וניתוח יציבות. הבנה מעמיקה של תבניות ריבועיות וכיצד לנתח ולסווג אותן באמצעות אלגברה ליניארית היא קריטית ליישומים מעשיים. יחידה זו תספק לכם את הכלים התיאורטיים והמעשיים הנדרשים לשלוט בנושא, בדגש על היבטים רלוונטיים לבחינה.

מבוא לתבניות ריבועיות

תבנית ריבועית היא פונקציה מהצורה $Q(\mathbf{x}) = \mathbf{x}^T A \mathbf{x}$, כאשר $A$ היא מטריצה ריבועית ו- $\mathbf{x}$ הוא וקטור עמודה. במקרים רבים, ובעיקר לצורך ניתוח, אנו מניחים ש- $A$ היא מטריצה סימטרית, מכיוון שכל תבנית ריבועית ניתנת לייצוג באמצעות מטריצה סימטרית יחידה.

תבנית ריבועית (Quadratic Form): פונקציה $Q: \mathbb{R}^n \to \mathbb{R}$ מהצורה $Q(\mathbf{x}) = \sum_{i=1}^n \sum_{j=1}^n a_{ij} x_i x_j$, הניתנת לכתיבה מטריציונית כ- $Q(\mathbf{x}) = \mathbf{x}^T A \mathbf{x}$, כאשר $A$ היא מטריצה $n \times n$ ו- $\mathbf{x} = (x_1, \dots, x_n)^T$.

מטריצה סימטרית (Symmetric Matrix): מטריצה ריבועית $A$ המקיימת $A^T = A$. כל תבנית ריבועית ניתנת לייצוג על ידי מטריצה סימטרית $A_{sym} = \frac{1}{2}(A+A^T)$.

חשיבות בהנדסת חשמל

אופטימיזציה: קביעת נקודות קיצון של פונקציות רב-משתניות (באמצעות מטריצת הסה).
יציבות מערכות: ניתוח יציבות של מערכות דינמיות ליניאריות באמצעות פונקציות ליאפונוב, שהן לעיתים קרובות תבניות ריבועיות.
עיבוד אותות: ניתוח אנרגיה של אותות, שיטות ריבועים פחותים.

הכלים האלגבריים לניתוח תבניות ריבועיות

הכלי המרכזי לניתוח ופישוט תבניות ריבועיות הוא לכסון אורתוגונלי של המטריצה הסימטרית המייצגת אותן. לכסון זה מאפשר לנו למצוא מערכת צירים חדשה (צירים ראשיים) שבה התבנית הריבועית מקבלת צורה פשוטה יותר, הנקראת הצורה הקנונית.

לכסון אורתוגונלי (Orthogonal Diagonalization): עבור מטריצה סימטרית $A$, קיימת מטריצה אורתוגונלית $P$ (כלומר $P^T P = I$) ומטריצה אלכסונית $D$ כך ש- $A = P D P^T$. עמודות $P$ הן וקטורים עצמיים אורתונורמליים של $A$, ורכיבי האלכסון של $D$ הם הערכים העצמיים המתאימים.

משפט ספקטרלי (Spectral Theorem): כל מטריצה סימטרית ממשית ניתנת ללכסון אורתוגונלי, וכל הערכים העצמיים שלה ממשיים.

שינוי משתנים וצורה קנונית

באמצעות שינוי משתנים $\mathbf{x} = P\mathbf{y}$, כאשר $P$ היא המטריצה האורתוגונלית המלכסנת את $A$, התבנית הריבועית $Q(\mathbf{x}) = \mathbf{x}^T A \mathbf{x}$ הופכת ל- $Q(\mathbf{y}) = (P\mathbf{y})^T A (P\mathbf{y}) = \mathbf{y}^T P^T A P \mathbf{y} = \mathbf{y}^T D \mathbf{y}$. זוהי הצורה הקנונית של התבנית הריבועית:

$Q(\mathbf{y}) = \lambda_1 y_1^2 + \lambda_2 y_2^2 + \dots + \lambda_n y_n^2$, כאשר $\lambda_i$ הם הערכים העצמיים של $A$.

צורה קנונית (Canonical Form): צורתה של תבנית ריבועית לאחר שינוי קואורדינטות אורתוגונלי, כך שהיא מבוטאת כסכום של ריבועי המשתנים החדשים, כפול הערכים העצמיים של המטריצה המקורית.

סיווג תבניות ריבועיות

סיווג תבניות ריבועיות מתבצע על בסיס סימני הערכים העצמיים של המטריצה הסימטרית המייצגת אותן. סיווג זה קריטי, למשל, בקביעת סוג נקודות קיצון באופטימיזציה.

תבנית חיובית לחלוטין (Positive Definite)

כל הערכים העצמיים ($\lambda_i$) חיוביים ($\lambda_i > 0$ לכל $i$).
$Q(\mathbf{x}) > 0$ לכל $\mathbf{x} \neq \mathbf{0}$.

תבנית שלילית לחלוטין (Negative Definite)

כל הערכים העצמיים ($\lambda_i$) שליליים ($\lambda_i < 0$ לכל $i$).
$Q(\mathbf{x}) < 0$ לכל $\mathbf{x} \neq \mathbf{0}$.

תבנית בלתי מוגדרת (Indefinite)

קיימים ערכים עצמיים חיוביים ושליליים.
$Q(\mathbf{x})$ יכולה להיות חיובית או שלילית, תלוי ב- $\mathbf{x}$.

תבנית חיובית סמי-מוגדרת (Positive Semi-definite)

כל הערכים העצמיים ($\lambda_i$) אי-שליליים ($\lambda_i \ge 0$ לכל $i$), ולפחות אחד מהם שווה ל-0.
$Q(\mathbf{x}) \ge 0$ לכל $\mathbf{x}$, וקיים $\mathbf{x} \neq \mathbf{0}$ עבורו $Q(\mathbf{x}) = 0$.

תבנית שלילית סמי-מוגדרת (Negative Semi-definite)

כל הערכים העצמיים ($\lambda_i$) אי-חיוביים ($\lambda_i \le 0$ לכל $i$), ולפחות אחד מהם שווה ל-0.
$Q(\mathbf{x}) \le 0$ לכל $\mathbf{x}$, וקיים $\mathbf{x} \neq \mathbf{0}$ עבורו $Q(\mathbf{x}) = 0$.

חוק ההתמדה של סילבסטר (Sylvester's Law of Inertia): מספר הערכים העצמיים החיוביים, השליליים והאפס של מטריצה סימטרית (הנקראים גם אינדקס החיוביות, אינדקס השליליות והדרגה של האפס) אינו משתנה תחת שינוי בסיס לא-סינגולרי.

נושא קריטי למבחן: תהליך הלכסון האורתוגונלי ויישומיו

הבנה מעמיקה של תהליך הלכסון האורתוגונלי היא אבן יסוד ביחידה זו ומהווה נושא מרכזי בבחינות. עליכם להיות מסוגלים לבצע את השלבים הבאים בצורה מדויקת:

בניית המטריצה הסימטרית $A$ מתוך התבנית הריבועית הנתונה.
מציאת הערכים העצמיים של $A$.
מציאת בסיס אורתונורמלי של וקטורים עצמיים עבור כל מרחב עצמי.
בניית המטריצה האורתוגונלית $P$ והמטריצה האלכסונית $D$.
כתיבת התבנית הריבועית בצורתה הקנונית וסיווגה.

טעויות נפוצות כוללות אי-נורמליזציה של וקטורים עצמיים, אי-אורתוגונליזציה של וקטורים עצמיים במרחבים עצמיים מממד גבוה מ-1 (באמצעות גרם-שמידט), וטעויות חישוב בערכים/וקטורים עצמיים.

שאלות לדיון

כיצד קשורה תבנית ריבועית למטריצת הסה בניתוח נקודות קיצון של פונקציות רב-משתניות?
הסבירו מדוע מטריצות סימטריות הן כה חשובות בניתוח תבניות ריבועיות, ומדוע לא מספיק להשתמש במטריצה כללית?
תארו מצב בהנדסת חשמל שבו סיווג תבנית ריבועית (למשל, חיובית לחלוטין) הוא קריטי לקבלת החלטות תכנוניות.
מהו ההבדל המהותי בין תבנית חיובית לחלוטין לתבנית חיובית סמי-מוגדרת, וכיצד הבדל זה משפיע על היישומים?

נקודות לתשובת מודל

קשר למטריצת הסה: מטריצת הסה של פונקציה $f(\mathbf{x})$ בנקודה קריטית היא מטריצה סימטרית. סיווג התבנית הריבועית $Q(\mathbf{h}) = \mathbf{h}^T H \mathbf{h}$ (כאשר $H$ היא ההסה) קובע אם הנקודה היא מינימום, מקסימום או נקודת אוכף.
חשיבות מטריצות סימטריות: רק מטריצות סימטריות ניתנות ללכסון אורתוגונלי, מה שמבטיח קיום בסיס אורתונורמלי של וקטורים עצמיים וערכים עצמיים ממשיים. זה מאפשר פישוט חד-משמעי לצורה קנונית ללא איברים מעורבים $y_i y_j$.
יישום בהנדסת חשמל (דוגמה): במערכות בקרה, פונקציית ליאפונוב $V(\mathbf{x})$ משמשת לבדיקת יציבות. אם $V(\mathbf{x})$ היא תבנית ריבועית חיובית לחלוטין, ונגזרתה בזמן $\dot{V}(\mathbf{x})$ היא שלילית לחלוטין (או שלילית סמי-מוגדרת), המערכת יציבה (או יציבה אסימפטוטית).
הבדל בין חיובית לחלוטין לסמי-מוגדרת: תבנית חיובית לחלוטין היא תמיד גדולה מ-0 לכל וקטור שאינו וקטור האפס. בתבנית חיובית סמי-מוגדרת, היא גדולה או שווה ל-0, וקיימים וקטורים שאינם וקטור האפס שעבורם התבנית מתאפסת. משמעות זו קריטית באופטימיזציה (מינימום יחיד לעומת מינימום לא יחיד/רב-ממדי) וביציבות (יציבות אסימפטוטית לעומת יציבות ליאפונוב).

מצאתם טעות או שחסר משהו?