向量组笔记

本文介绍了向量组的概念,包括向量的分量、行向量与列向量,以及向量组的线性表示。讨论了多维空间向量在几何中的应用,如三维空间中的向量和平面。同时,文章详细阐述了线性组合和线性表示的性质,包括向量组的线性相关性和最大无关组的定义及其重要性。
摘要由CSDN通过智能技术生成

向量组

   n n n个有次序的数 a 1 a_{1} a1 a 2 a_{2} a2 ⋯ \cdots a n a_{n} an所组成的数组为n维向量,这 n n n个数称为该向量的 n n n个分量,第 i i i个数 a i a_{i} ai称为第 i i i个分量。
  分量全为实数的向量称为实向量,分量为复数的向量称为复向量
   n n n维向量可以写成一行,也可写成一列,例如 n n n维列向量 a = ( a 1 a 2 ⋮ a n ) \mathbf{a} = \begin{pmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{pmatrix} a=a1a2an n n n维行向量 a T = ( a 1 ,    a 2 ,    ⋯   ,    a n ) \mathbf{a}^{T} = (a_1, \; a_2, \; \cdots, \; a_n) aT=(a1,a2,,an)
  若干个同维数的列向量(或同维数的行向量)所组成的集合叫做向量组
  矩阵的秩等于它的列向量组的秩,也等于它的行向量组的秩。

多维空间向量

  几何中,空间通常是作为点的集合,即构成空间的元素是点,这样的空间叫做点空间。我们把3维向量的全体所组成的集合 R 3 = { r = ( x ,    y ,    z ) T    ∣    x ,    y ,    z ∈ R } \mathbf{R}^3 = \{\mathbf{r} = (x, \; y, \; z)^{T} \; | \; x, \; y, \; z \in \mathbf{R} \} R3={ r=(x,y,z)Tx,y,zR}叫做3维空间向量。向量集 { r = ( x ,    y ,    z ) T    ∣    a x + b y + c z = d } \{\mathbf{r} = (x, \; y, \; z)^{T} \; | \; ax + by + cz = d \} { r=(x,y,z)Tax+by+cz=d}叫做向量空间 R 3 \mathbf{R}^3 R3中的平面。
  n维向量的全体所组成的集合 R n = { x = ( x 1 ,    x 2 ,    ⋯   ,    x n ) T    ∣    x 1 ,    x 2 ,    ⋯   ,    x n ∈ R } \mathbf{R}^n = \{\mathbf{x} = (x_1, \; x_2, \; \cdots, \; x_n)^{T} \; | \; x_1, \; x_2, \; \cdots, \; x_n \in \mathbf{R} \} Rn={ x=(x1,x2,,xn)Tx1,x2,,xnR}叫做n维空间向量n维向量的集合 { x = ( x 1 ,    x 2 ,    ⋯   ,    x n ) T    ∣    a 1 x 1 + a 2 x 2 + ⋯ + a n x n = b } \{\mathbf{x} = (x_1, \; x_2, \; \cdots, \; x_n)^{T} \; | \; a_1 x_1 + a_2 x_2 + \cdots + a_n x_n = b \} { x=(x1,x2,,xn)Ta1x1+a2x2++an

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像的目标属于哪个类别。 定位问题:确定目标在图像的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
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