数学基础|线性代数回顾

news2024/11/28 16:49:55

因为学机器学习的时候发现自己线性代数忘光光了(悲😓本篇捞一捞当年学线性代数看哔哩哔哩宋浩老师补充记的潦草笔记。

目录

📚线性代数知识点

🐇向量

🥕向量的线性组合

🥕线性相关无关的性质

🥕线性相关无关的定理

🥕极大线性无关组

🐇方程组

🥕线性方程组有解判定

🥕方程组解的结构

🐇矩阵

🥕矩阵的运算

🥕逆矩阵

🥕矩阵的初等变换:交换,数乘,倍加

🥕矩阵的秩

🥕伴随矩阵

🐇行列式

🥕行列式的重要性质

🥕行列式的求解

🥕行列式应用

🐇 二次型

🥕二次型的定义

🥕标准型

🥕规范型

🐇 特征值和特征向量

🥕特征值和特征向量

🥕相似对角化

🥕内积

🥕正交和正交相似

🥕实对称矩阵的对角化(实对称矩阵一定能对角化)

🥕正定矩阵

🥕最小二乘问题

🥕QR分解

🐇 知识串联

🥕特征值相同

🥕两矩阵相似的条件

🥕矩阵A可逆

🥕矩阵合同

🥕归纳等价、相似、合同矩阵

🥕线性代数中的提公因子

🥕初等变换总结

🥕关于正定矩阵之类


📚线性代数知识点

🐇向量

🥕向量的线性组合

🥕线性相关无关的性质

🥕线性相关无关的定理

🥕极大线性无关组


🐇方程组

🥕线性方程组有解判定

AX=B

AX=0

🥕方程组解的结构

AX=0

 AX=B


🐇矩阵

🥕矩阵的运算

补充矩阵乘法条件记忆:中间相等

重点关注:

  • AB一般不等于BA:说明左右顺序不互换,在左边乘就一起在左边乘。
  • AB=AC且A≠0,推不出B=C:如果补充A可逆,则有AB=AC,可推出B=C
  • AB=0推不出A=0或B=0:如果AB都是方阵,那么由AB=0,可以推出|A|=0或者|B|=0;在后边kα=0,可以推出k=0或者α=0S
  • (AB)² ≠ A²B²
  • 转置和逆的一些比较

🥕逆矩阵

逆矩阵的定义,本身不常用,但关注它的推论:如果AB=E,那么A,B均可逆,且互逆。

推论应用证明思路:已知(A+E)的逆=Y,最后即证(A+E)Y=E(若有相关系数则左移)

A可逆的所有充要条件

🥕矩阵的初等变换:交换,数乘,倍加

初等变换总结:

  • ①求A逆,只做初等行变换
  • ②求矩阵的秩,把A化成阶梯型(行列皆可),非零行有几行它的秩就是几
  • ③求a1,a2,....的极大线性无关组,把这些向量列成列,只做初等行变换,行简化阶梯型
  • ④求Ax=0的解,只对A做初等行变换
  • ⑤求Ax=B的解,只对增广矩阵做初等行变换
  • ⑥求特征向量,对齐次线性方程组,只做初等行变换
  • ⑦化二次型对A,E做相同初等列变换;只对A做相应的初等行变换。这个相应是和列变换相应。即列变换和行变换是一套的,配套进行,做完一个列变换,马上做对应的行变换

🥕矩阵的秩

对于n阶矩阵,AB=0,则有r(A)+r(B)≤n

r(AB) ≤ min{r(A),r(B)}

相关题型

  • Ax=0,基础解系,n-r(A)
  • 求向量组的秩:把向量组成矩阵,矩阵的秩就是向量组的秩
  • 在特征向量中假设λi是矩阵A的Ni重特征值,则A与∧相似<=>r(A-λiE)=N-Ni(i=1,2,…,N)

🥕伴随矩阵


🐇行列式

🥕行列式的重要性质

矩阵的逆的行列式 = 1/矩阵行列式

伴随矩阵的行列式 = 矩阵行列式的n-1次

转置的行列式等于它本身

det(kA)=k的n次det(A)

  • 某一行(列)有公因子k,k外提一次;所有行(列)有公因子k,k外提n次。

两行(列)的元素相等,D=0;两行(列)元素成比例,D=0;某一行(列)的元素全为0,D=0;

  • 不过D=0不能反推标蓝条件。但D=0可以说明,该矩阵降秩,不可逆,其行(列)向量组线性相关。

🥕行列式的求解

纯数的行列式,化为上三角

带字母的行列式

  • 某一行(列)尽可能化出0,按行展开
  • 拉普拉斯定理:任取k行(列),由这k行(列)元素组成的所有k阶子式与其代数余子式乘积之和=D。

  • 上下项相同的看看能不能化到三角行列式。

③简化计算:及时提取公因数到外边

特殊行列式

  • 范德蒙行列式
  • 克莱姆法则

🥕行列式应用

①Ax=0(n方程n未知数),有非零解,则 |A|=0;

②n个n维向量组,判断线性相关/无关——|A|=0得线性相关;反之无关。

③判断A可逆,|A|≠0

④求 A逆=伴随矩阵/A的行列式(不常用)

⑤二次型正定判断,各阶顺序主子式都大于零


🐇 二次型

🥕二次型的定义

简单理解就是次数为二次

二次型→矩阵表达式

  • 平方项的系数直接做成主对角元素
  • 交叉项的系数除以2放到两个对称的相应位置上(相应位置为ij和ji位置)。所求的矩阵A即称为二次型的矩阵,它一定是对称的。即A转置等于A。
  • 前头写上(x1 x2 x3...)后头写上竖着的(x1 x2 x3)

矩阵→二次型

  • 主对角线元素直接作为平方项的系数
  • 取主对角线右上角元素乘以2作为交叉项系数,至于跟的是X几,就看几行几列。如上图的逆过程,主对角线右上角有三个数,以4为例子,它在二行三列,所以对应为8X2X3。
  • 直接进行上面两步的前提是已知是二次型的矩阵,即需要观察是否对称。至于不对称的那两个位置,把两个数相加除以2再分别写到原来的那两个位置,然后再按上述①②步计算。

🥕标准型

只有平方项,而平方项的系数可取任意值

把二次型转换为标准型(优质博客补充)

法一:配方法

  • 注意:先配x1,再配x2,以此类推。而x1配完之后,后边就就不要再出现x1。
  • 写出替换,但线性替换的格式一定是X=CY
  • 如果只有交叉项:换元,前边两个一加一减,后边保持原样。思想就是构造出平方项。

法二:初等变换

  • 对A,E做相同初等列变换;
  • 只对A做相应的初等行变换。这个相应是和列变换相应。即列变换和行变换是一套的,配套进行,做完一个列变换,马上做对应的行变换
  • A化成对角矩阵时,E化成的就是C。

法三:正交替换(就正交化过程)(计算量复杂,在这里很少用)

  • ①求特征值
  • ②求特征向量
  • ③将特征向量正交化单位化
  • ④由③步骤后的特征向量写出目标矩阵,拿特征值写出对角形
  • ⑤用最后所得的那个对角形拿来写标准型

🥕规范型

定义:全是二次项,系数为1的在前面,系数为-1的在后面,0在最后。

规范型的秩:1和-1的总数

  • 正惯性指数:正项数(规范型中1的个数)
  • 负惯性指数:负项数(规范型中-1的个数)
  • 合同的矩阵,负惯性指数和正惯性指数都相同
  • 符号差:正惯性指数-负惯性指数

合同:A,B为两个n阶对称方阵,若存在一个可逆方阵,使得C'AC=B(C'代表的是C的转置矩阵)称A与B是合同的。任意一实对称方阵都合同与一个对角方阵。


🐇 特征值和特征向量

🥕特征值和特征向量

假设λi是矩阵A的Ni重特征值,则A与∧相似<=>r(A-λiE)=N-Ni(i=1,2,…,N)

  • 例:
    • λ1 = -1是一重根,r(A-(-1)E)=r(A+E)=3-1=2
    • λ2 = λ3 = 1是2重根,r(A-E)=3-2=1

🥕相似对角化

🥕内积

 施密特正交化

🥕正交和正交相似

正交矩阵A逆=A转置

A、B为实对称矩阵,则A、B相似的充要条件是A、B有相同的特征值

🥕实对称矩阵的对角化(实对称矩阵一定能对角化)

实对称矩阵对角化过程:给定实对称矩阵A,求正交Q,和对角形矩阵

①求特征值

②求特征向量

③特征向量正交化,单位化(正交化过程关注不同特征值的特征向量必正交)

④做成列,构成Q,写出对角形

🥕正定矩阵

判定方法:求出A的所有特征值。若A的特征值均为正数,则A是正定的;若A的特征值均为负数,则A为负定的。

🥕最小二乘问题

对于一个无解的Ax=b,找一个近似。一般的最小二乘问题就是找出使||b-Ax||尽量小的x。

求解过程(核心式子):A^TAx = A^Tb

🥕QR分解

定理:如果m×n矩阵A的列线性无关,那么A可以分解为A=QR

过程

用QR分解的一个求解最小二乘问题的方法

①正交化操作

②直接取值


🐇 知识串联

🥕特征值相同

不一定相似,也不一定合同。(重数问题)但是:

  • 1)如果都是对称矩阵,那么特征值相同,能推出合同
  • 2)如果两矩阵都可以相似对角化,则两矩阵特征值相同,能推出相似。(基于相似的传递性)
  • 特征值全为正的实对称矩阵——正定矩阵

🥕两矩阵相似的条件

  • 秩相等
  • 行列式值相等
  • 迹数相等

判断相似的一般步骤

  • ①若特征值不同则一定不相似。
  • ②若特征值相同,看有无重特征值。无则相似。
  • ③若有重特征值λi,是否r(λiE-A)=n-ni,是则相似。

从对角化直接判断相似

  • 假设λi是矩阵A的Ni重特征值,则A与∧相似<=>r(A-λiE)=N-Ni(i=1,2,…,N)
  • 对于上三角(或者是下三角)它的对角线即为其特征值。而已知一个矩阵和它相似,则立马可得该矩阵的特征值。注意这个性质,避免重复低效计算。
  • 🥕矩阵A可逆

  • A的行列式不为0
  • A可表示为有限个初等矩阵相乘
  • A行等价于n阶单位矩阵
  • 矩阵的秩等于n
  • A的列(行)向量组线性无关
  • 齐次线性方程组Ax=0仅有零解
  • 非齐次线性方程组Ax=b有解
  • A的特征值都不为0

🥕矩阵合同

  • 正负惯性指数相同
  • 秩相同
  • 特征值是相同的,行列式也是一样的,相似就合同,迹(两个矩阵主对角线的和)是一样的

🥕归纳等价、相似、合同矩阵

🥕线性代数中的提公因子

🥕初等变换总结

  • ①求A逆,只做初等行变换
  • ②求矩阵的秩,把A化成阶梯型(行列皆可),非零行有几行它的秩就是几
  • ③求a1,a2,....的极大线性无关组,把这些向量列成列,只做初等行变换,行简化阶梯型
  • ④求Ax=0的解,只对A做初等行变换
  • ⑤求Ax=B的解,只对增广矩阵做初等行变换
  • ⑥求特征向量,对齐次线性方程组,只做初等行变换
  • ⑦化二次型对A,E做相同初等列变换;只对A做相应的初等行变换。这个相应是和列变换相应。即列变换和行变换是一套的,配套进行,做完一个列变换,马上做对应的行变换

🥕关于正定矩阵之类

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/423194.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

JVM 工作原理和即时编译(JIT)

目录 1、什么是虚拟机&#xff1f; 2、JVM 虚拟机简介 3、JVM 的工作原理 4、什么是即时编译&#xff08;JIT&#xff09;&#xff1f; 5、解释型语言和编译型语言的区别 6、为什么说 Java 是一种半编译半解释的语言&#xff1f; 1、什么是虚拟机&#xff1f; 虚拟机是一…

直播美颜技术的演进及其应用:直播美颜SDK详解

直播美颜技术的应用&#xff0c;为直播开辟了新的业态&#xff0c;从最初简单的美颜滤镜&#xff0c;到现在的直播美颜SDK&#xff0c;其技术演进历程也是一步步走来。 一、直播美颜技术的演进 1、简单美颜滤镜 最初的直播美颜技术&#xff0c;就是通过简单的美颜滤镜来实现…

python内存回收gc模块

目录1. python 垃圾回收机制标记-清除的回收机制分代回收2. gc 模块参考资料对已经销毁的对象&#xff0c;Python不会自动释放其占据的内存空间。为了能够充分地利用分配的内存&#xff0c;避免程序跑到一半停止&#xff0c;要时不时地进行内存回收&#xff0c;这时候gc&#x…

超详细——Python中 pip 常用命令

人生苦短&#xff0c;我学Python 相信对于大多数熟悉Python的人来说&#xff0c;一定都听说并且使用过pip这个工具&#xff0c;但是对它的了解可能还不一定是非常的透彻&#xff0c;今天小编就来为大家介绍10个使用pip的小技巧&#xff0c;相信对大家以后管理和使用Python当中…

每天一道大厂SQL题【Day19】华泰证券真题实战(一)

每天一道大厂SQL题【Day19】华泰证券真题实战(一) 大家好&#xff0c;我是Maynor。相信大家和我一样&#xff0c;都有一个大厂梦&#xff0c;作为一名资深大数据选手&#xff0c;深知SQL重要性&#xff0c;接下来我准备用100天时间&#xff0c;基于大数据岗面试中的经典SQL题&…

CSS中相对定位与绝对定位的区别及作用

CSS中相对定位与绝对定位的区别及作用场景复现核心干货相对定位绝对定位子绝父相&#x1f525;&#x1f525;定位总结绝对定位与相对定位的区别场景复现 在学习前端开发的过程中&#xff0c;熟练掌握页面布局和定位是非常重要的&#xff0c;因此近期计划出一个专栏&#xff0c…

【问题、AI解答】mongodb中使用$lookup进行连表查询使用_id作为localField出现查询结果字段为空的情况

描述&#xff1a; db.acticles.aggregate([ {$lookup&#xff1a;{from:"acticlesMaptags",localField:"_id",foreignField:"acticleid",as:"tagid"} } ])acticlesMaptags集合中的acticleid字段存在与acticles集合中的_id相匹配的数据…

1.15 从0开始学习Unity游戏开发--游戏UI

上一章中&#xff0c;我们剩下最后一个任务&#xff0c;需要支持鼠标控制准心来进行设计&#xff0c;那么准心本质上就是一个始终呈现在屏幕上的一个图片&#xff0c;你当然可以用一个3D物体来制作&#xff0c;之前讲解渲染概念的时候也提到过&#xff0c;我们的屏幕就是相机的…

传智健康_day3

本章对检查组管理进行开发 一.新增检查组 1.修改新增弹层可见属性&#xff0c;添加重置表单功能 2.动态刷新检查组包含的检查项信息 <tr v-for"c in tableData"> 使用for循环来遍历查询出tableData中的数据 tableData是一个数组对象&#xff0c;定义在VUE…

hadoop分布式安装

文章目录1. 将安装包hadoop-3.1.3.tar.gz上次至linux中2. 进行解压操作3. 修改目录名称4. 配置环境变量5. 远程传输5.1 scp远程传输6. 免密登录7. 集群规划8. 修改自定义配置文件8.1 hadoop-env.sh8.2 core-site.xml8.3 hdfs-site.xml8.4 mapred-site.xml8.5 yarn-site.xml8.6 …

ReactNative入门

React基本用法&#xff1a; react与js不同的点在于 react使用的是虚拟DOM js是真实DOM 作用&#xff1a;当有新的数据填充 可以复用之前的&#xff0c;而js需要整体重新渲染 创建虚拟DOM还可以使用jsx语法直接声明&#xff1a; 注意要用babel标签将jsx转化为js 但是建议采用j…

UNIX环境高级编程——进程环境

7.1 引言 本章主要讲解了进程的环境。 7.2 main函数 C程序总是从main函数开始执行&#xff0c;其函数原型为&#xff1a; int main(int argc, char *argv[]);argc是命令行参数的数目&#xff0c;argv是指向参数的各个指针所构成的数组&#xff1b;当内核执行C程序时&#x…

SpringBoot集成Kafka详解

一、使用idea创建SpringBoot项目 1.1 使用Spring Initializr创建一个SpringBoot程序 点击Next。 1.2 添加依赖 依赖说明&#xff1a; Lombok简化实体类开发。 Spring Web让项目集成web开发所有依赖&#xff0c;包括Spring MVC&#xff0c;内置tomcat等。 Spring for Apache…

HNU-操作系统OS-2023期中考试复习-刷题

往年期中卷极难获得&#xff0c;这里找了几套卷子。可以看看。 因为往年都是从第一周开始上课的&#xff0c;所以进度会快一点&#xff0c;这学期是从第四周开始上课的&#xff0c;所以进程会慢些&#xff0c;讲到第九章所以只考到第九章。 同样因为太忙了&#xff0c;答案找…

图像分类卷积神经网络模型综述

图像分类卷积神经网络模型综述遇到问题 图像分类&#xff1a;核心任务是从给定的分类集合中给图像分配一个标签任务。 输入&#xff1a;图片 输出&#xff1a;类别。 数据集MNIST数据集 MNIST数据集是用来识别手写数字&#xff0c;由0~9共10类别组成。 从MNIST数据集的SD-1和…

ctfshow web入门web119-124

1.web119 和118题类似&#xff0c;只不过是过滤了PATH 0可以用任何字符代替&#xff0c;比如A,{A},A,{0} KaTeX parse error: Expected }, got # at position 2: {#̲SHLVL}1&#xff0c;或者{##},${#?} {PHP_VERSION:~A}2,php版本为x.x.2时 ${#IFS}3(linux下是3&#xff0c;…

IntelliJ IDEA 2023.1正式发布,Maven项目大提速支持Apache Dubbo

你好&#xff0c;我是YourBatman&#xff1a;做爱做之事❣交配交之人。 &#x1f4da;前言 一年一个大版本&#xff0c;共计3个中型版本&#xff0c;北京时间2023年3月月29日终于迎来了IntelliJ IDEA今年的首个版本2023.1。老规矩&#xff0c;吃肉之前&#xff0c;可以先把这…

顺丰科技x腾讯安全iOA联合案例获云安全联盟CSA 2022安全革新奖

近年来&#xff0c;随着云计算、大数据、物联网等技术的加速创新和应用&#xff0c;一场数字化的变革开始席卷各行各业。远程办公、业务协同、分支互联等需求涌现&#xff0c;随之而来的还有更加复杂多元的高级网络攻击。在此背景下&#xff0c;传统的基于边界的网络安全防护理…

矩阵键盘+CH559制作国产USB矩阵键盘

矩阵键盘+CH559制作国产USB矩阵键盘 文章目录 矩阵键盘+CH559制作国产USB矩阵键盘为什么选择CH559作为主控芯片?如何实现该款矩阵USB键盘?如何将矩阵键盘的信号转化为USB键盘信号?原材料: 矩阵键盘(附带行列键码定义)CH559开发板将矩阵键盘的所有排线连接到单片机的GPIO引…

基于stm32mp157 linux开发板ARM裸机开发教程5:ARM微处理器指令系统(连载中)

前言&#xff1a; 目前针对ARM Cortex-A7裸机开发文档及视频进行了二次升级持续更新中&#xff0c;使其内容更加丰富&#xff0c;讲解更加细致&#xff0c;全文所使用的开发平台均为华清远见FS-MP1A开发板&#xff08;STM32MP157开发板&#xff09; 针对对FS-MP1A开发板&…