注:以下内容整理于七月算法2016年4月班培训讲义,详见: http://www.julyedu.com/
内容简介:
线性代数基础知识
特征分解(凸优化中的重要知识)
SVD分解与应用
1.数学符号
2.重新认识Ax=b
a)Ax=b的行视图
2x-y=1
x+y=5
b)Ax=b的列视图
3.线性相关和线性无关
a)线性相关:Ax=0有非0解
b)线性无关:Ax=0没有非0解,或者说只有0解
c)定义矩阵A=[a1,a2,...,an],如果Ax=0没有非0解,即A线性无关,则矩阵A可逆。
4.Span、基和子空间(Subspace)
a)Span:列的所有线性组合
* 基:如果A=[a1,...,an]是线性无关的,则A是S的一组基
* S可以有不同的基,但是基里向量的个数是相同的,称为S的维数,等于rank(A)。
一个子空间用一个基就可以完全表示
b)四个基本的子空间
* 列空间(Column Space)(值域、Span)
* 零空间(Null space):零解的集合
定义:N(A)包含Ax=0的所有的解得集合
注意:Ax=b的解并不形成一个子空间
* 行空间(Row space):所有行的线性组合
* 左零空间(left null space):
5.子空间的关系
a)行空间垂直于零空间(Ax=0)
b)列空间垂直于左零空间
6.利用子空间重新看待线性方程组的解
如果有解,解的形式为x=p+v (p是特解,v是零解)
7.方阵的特征值与特征向量
如果Ax=λx,则称λ是A的特征值,x是A的特征向量
8.特征分解
问题:如何计算A^1000
n*n矩阵A可对角化的充分必要条件:A有n个线性无关的特征向量
9.对称矩阵的特征分解
a)
b)对称矩阵的特征值是实数
c)
10.二次型
11.特征分解的应用--PCA本质
12.SVD分解:特征分解的广义化
13.SVD和子空间的关系
14.低秩矩阵近似:图像压缩