矩阵的向量化及内积

定义1. 设矩阵 A = ( a i j ) ∈ R m × n \boldsymbol{A} = (a_{ij})\in R^{m\times n} A=(aij)Rm×n , 把矩阵 A \boldsymbol{A} A 的元素按行的顺序排列成一个列向量:
v e c A = ( a 11 , a 12 , ⋅ ⋅ ⋅ , a 1 n , a 21 , a 22 , ⋅ ⋅ ⋅ , a 2 n , ⋅ ⋅ ⋅ , a m 1 , a m 2 , ⋅ ⋅ ⋅ , a m n ) T vec\boldsymbol{A} = (a_{11},a_{12},\cdot\cdot\cdot,a_{1n},a_{21},a_{22},\cdot\cdot\cdot,a_{2n},\cdot\cdot\cdot,a_{m1},a_{m2},\cdot\cdot\cdot,a_{mn})^T vecA=(a11,a12,,a1n,a21,a22,,a2n,,am1,am2,,amn)T

则称向量 v e c A vec\boldsymbol{A} vecA 为矩阵 A \boldsymbol{A} A 按行展开的列向量。

定义2. 设矩阵 A = ( a i j ) ∈ R m × n \boldsymbol{A} = (a_{ij})\in R^{m\times n} A=(aij)Rm×n , 把矩阵 A \boldsymbol{A} A 的元素按列的顺序排列成一个列向量:
v e c A = ( a 11 , a 21 , ⋅ ⋅ ⋅ , a n 1 , a 12 , a 22 , ⋅ ⋅ ⋅ , a n 2 , ⋅ ⋅ ⋅ , a 1 m , a 2 m , ⋅ ⋅ ⋅ , a n m ) T vec\boldsymbol{A} = (a_{11},a_{21},\cdot\cdot\cdot,a_{n1},a_{12},a_{22},\cdot\cdot\cdot,a_{n2},\cdot\cdot\cdot,a_{1m},a_{2m},\cdot\cdot\cdot,a_{nm})^T vecA=(a11,a21,,an1,a12,a22,,an2,,a1m,a2m,,anm)T

则称向量 v e c A vec\boldsymbol{A} vecA 为矩阵 A \boldsymbol{A} A 按列展开的列向量。

定义3. A , B ∈ R n × n \boldsymbol{A,B}\in R^{n\times n} A,BRn×n,称
A ⋅ B = &lt; A , B &gt; = T r ( A T B ) = ∑ i = 1 n ∑ j = 1 n a i j b i j = ( v e c A ) T v e c B \boldsymbol{A\cdot B} = &lt;\boldsymbol{A,B}&gt;=Tr(\boldsymbol{A^TB})=\sum\limits_{i=1}^n \sum\limits_{j=1}^n a_{ij}b_{ij}=(vec\boldsymbol{A})^Tvec\boldsymbol{B} AB=<A,B>=Tr(ATB)=i=1nj=1naijbij=(vecA)TvecB

为矩阵 A , B \boldsymbol{A,B} A,B的内积。其中, T r a c e ( A ) Trace(\boldsymbol{A}) Trace(A) 为矩阵 A \boldsymbol{A} A 的迹,简记为 T r ( A ) Tr(\boldsymbol{A}) Tr(A)

以上内容编辑:崔健棣

  • 5
    点赞
  • 15
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
在MatLab中,矩阵向量化是一种将问题尽量用矩阵表示的技巧,以便进行高效的矩阵运算。通过向量化,可以避免对单个矩阵元素进行循环操作,从而提高代码的执行效率。在MatLab中,可以使用一些函数和技巧来实现矩阵向量化。 其中,可以使用函数"vectorize"将表达式向量化,使用函数"dot"进行向量点积运算,使用函数"cross"进行向量叉积运算,使用函数"dot"和"cross"进行向量混合积运算。此外,还可以使用一些数组运算函数来进行点运算,例如MatLab中的"matmul"函数。 通过矩阵向量化技巧,可以简化代码,提高运算效率,并且更符合MatLab的矩阵运算特性。因此,在编写MatLab代码时,可以考虑使用矩阵向量化来优化代码的性能。 #### 引用[.reference_title] - *1* *3* [矩阵向量化运算](https://blog.csdn.net/weixin_39816946/article/details/116367683)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [matlab矩阵向量化](https://blog.csdn.net/weixin_35867994/article/details/115881952)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值