MIT线性代数笔记

1 矩阵

1.1 矩阵的定义及运算

1.1.1 矩阵的定义

矩阵是一个数表，由 m x n 个数排成的 m 行 n 列的数表
$$\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]$$
称为一个m行n列的矩阵，$a_{ij}$为矩阵第i行j列的元素。
m=n时矩阵为方阵；只有$a_{ii}$不全为0的方阵叫对角阵；$a_{ii}$=1的对角阵为单位矩阵，记做I；元素都是0的矩阵为0矩阵。

1.1.2 线性方程组

$$\{\begin{array}{ll}2x_1+x_2-x_3& =1\\ x_1+x_3& =-2\end{array}$$
对应的系数矩阵为：
$$A=\left[\begin{array}{ccc}2& 1& -1\\ 1& 0& 1\end{array}\right]$$
对应的曾广矩阵为：
$$B=\left[\begin{array}{cccc}2& 1& -1& 1\\ 1& 0& 1& -2\end{array}\right]$$

1.1.3 矩阵的运算

运算	说明
同型矩阵	行列对应相等
矩阵相等	对应元素相同的同型矩阵
矩阵加法	同行矩阵才有定义，对应不元素相加
矩阵数乘	所有元素乘以对应的实数：kA = （k$a_{ij}$）
矩阵乘法	$A_{m\times t}{B}_{t\times n}=C_{m\times n}=(c_{ij}{)}_{m\times n}$，其中$c_{ij}={\sum }_{k=1}^t{a}_{ik}{b}_{kj}$
矩阵等价	A通过初等变换得到B
矩阵相似	$A=M^{-1}BM$

1.2 矩阵的两个图

2x2矩阵
$$\begin{gathered} \{\begin{array}{l}2x-y=0\\ -x+2y=3\end{array}\to \left[\begin{array}{cc}2& -1\\ -1& 2\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right] \\ x\left[\begin{array}{c}2\\ -1\end{array}\right]+y\left[\begin{array}{c}-1\\ 2\end{array}\right]=\left[\begin{array}{c}0\\ 3\end{array}\right]\to \{\begin{array}{l}x=1\\ y=2\end{array} \end{gathered}$$

1.2.1 行图（row picture）

通过交点可以判断方程是否有解
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pRLS8G4S-1591005617842)(https://img-blog.csdn.net/20180212151424699?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]

1.2.2 列图（column picture）

列向量的线性组合
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PCFRBJjd-1591005617845)(https://img-blog.csdn.net/20180211210608114?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]

1.2.3 行列运算

$$\begin{gathered} \left[\begin{array}{ccc}col1& col2& col3\end{array}\right]\left[\begin{array}{c}a\\ b\\ c\end{array}\right]=a\ast col1+b\ast col2+c\ast col3 \\ \left[\begin{array}{ccc}a& b& c\end{array}\right]\left[\begin{array}{c}row1\\ row2\\ row3\end{array}\right]=a\ast row21+b\ast row2+c\ast row3 \end{gathered}$$

1.3 消元法与LU分解

1.3.1 矩阵的初等变换

ID	初等行（列）变换
1	交换两行（列）的位置
2	用一非零数程昱某一行的所有元素
3	把矩阵的某一行（列）的适当倍数加到另一行（列）上去

经过初等变换后，将矩阵转化成阶梯形式，如果曾广矩阵有非零主元则方程无解；如果阶梯矩阵对应的系数部分主对角含零，则有无穷解；

初等矩阵：对单位矩阵做一次初等变换得到的矩阵；行变换等于左乘初等矩阵，列变换等价于右乘初等矩阵

1.3.2 LU分解

高斯消元法：对曾广矩阵实施行初等变换化为行（简化）阶梯形

通过消元法将矩阵A转换成矩阵B（阶梯，上三角），对应行变换左乘的初等矩阵记为：$E{1}_{,}...,E_k$则有：
$E_k..E_{1}A=B\to A=E_1^{-1}..E_k^{-1}B，记L=E_1^{-1}...E_k^{-1}，则A=LU$

补：matlab求矩阵A的LU分解：rref（A）

1.3.3 线性方程组的解

在行变换的基础上加上交换行，化简后的矩阵为:$$\left[\begin{array}{cc}I& F\\ 0& 0\end{array}\right]$$其中I为单位矩阵，F是自由变元的矩阵
特解：$A{X}_b=b，平移向量，将零空间移离原点$
通解：$A(X_b+X_{null})=b，X_{null}为零空间$

1.4 Gram-Schmidt 正交化

$$q_i^T{q}_j=\{\begin{array}{ll}0& i\ne j\\ 1& i=j\end{array}$$
$$Q=\left[\begin{array}{c}{q}_1,..,q_n\end{array}\right],则Q^{T}Q=I$$
例：$Q_1=\frac{1}{2}\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& -1& 1& -1\\ 1& 1& -1& -1\\ 1& -1& -1& 1\end{array}\right],Q_2=\left[\begin{array}{cc}cos(\theta )& -sin(\theta )\\ ain(\theta )& cos(\theta )\end{array}\right]$

步骤	说明
单位化	$q_1=\frac{a_1}{\Vert a_1\Vert },q_2=\frac{b_1}{\Vert b_1\Vert },...$
正交化	$a=q_1,b=q_2-\frac{a^{T}b}{a^{T}a}a,...$
整理	$Q=\left[\begin{array}{ccc}a& b& ..\end{array}\right]（A=QR，其中R=Q^{T}A为下三角矩阵$）

注1：Q可以不是方阵，如果是方阵则$Q^{-1}=Q^T$

注2：Fourier变换基于正交基$[sin(t),cos(t),..]或[e^t,e^{it},..]$

1.5 分块矩阵

矩阵可以分块计算

1.6 Markov矩阵

定义：所有元素都不小于0，每列和为1。
性质：${\lambda }_1=1，|{\lambda }_i|<1(i\ne 1)$
用途：可以用于表示人口的迁移。

---

2 矩阵的逆

2.1 逆矩阵定义

$如果AB=BA=I，则B为A的逆矩阵，记为A^{-1}$

等价命题
A可逆
AX = 0只有零解
A与I等价
A可以表示成有限个初等矩阵的乘积

2.2 Gass-Jordan

solve more equations at once：
$(A|I)\stackrel{初等行变换}{\to }(I|A^{-1})$

$A可逆的充要条件为Ax=b有唯一解x=b/A=A^{-1}b$

2.3 伪逆（sudo inverse）

伪逆	条件1	条件2	形式	结论
left inverse	r=n	$N(A)=0$	$(A^{T}A{)}^{-1}{A}^T$	0或1个解
right inverse	r=m	$N(A^T)=0$	$A^T(A{A}^T{)}^{-1}$	多解，n-m个自由变量

$A(A^{T}A{)}^{-1}{A}^T$是在列空间中的投影
$A^T(A{A}^T{)}^{-1}A$是在行空间中的投影

2.4 奇异值分解（SVD）

任何矩阵A都可以分解成：$A=U\Sigma V^T$其中$\Sigma$为对角矩阵
$A{A}^T=U\Sigma {\Sigma }^T{U}^T=UD{U}^T$
$A^{T}A=V{\Sigma }^T\Sigma V^T=VW{V}^T$
$D_{m\times m}=\left[\begin{array}{cccc}{\sigma }_1^2& 0& 0& .\\ 0& .& 0& .\\ 0& 0& {\sigma }_k^2& .\\ .& .& .& 0\end{array}\right]，W_{n\times n}=\left[\begin{array}{cccc}{\sigma }_1^2& 0& 0& .\\ 0& .& 0& .\\ 0& 0& {\sigma }_k^2& .\\ .& .& .& 0\end{array}\right]$
对应的逆为：$A^{+}=V{\Sigma }^{+}{U}^T，{\Sigma }^{+}=\left[\begin{array}{cccc}\frac{1}{{\sigma }_1}& 0& 0& .\\ 0& .& 0& .\\ 0& 0& .\frac{1}{{\sigma }_k}& .\\ .& .& .& 0\end{array}\right]$

---

3 线性空间

3.1 线性相关和张成

定义	说明	例子
向量空间	< V，+，*>是定义了加法和数乘的代数系统	过原点直线，过原点平面
线性空间	满足叠加性：加性+齐性	$f(ax+by)=a\ast f(x)+b\ast f(y)$
线性无关	不能互相表示的向量构成的集合	笛卡尔坐标轴
张成（span）	一组向量的全部线性组合的集合
基（base）	张成整个空间V的线性无关向量组称为V的基	(1,0,0,…),(0,1,0,…),…
维度（dimention）	基的长度（或基的个数）

注：0向量是所有向量空间的子集

注：向量空间的交是向量空间，并不一定是

3.2 四个空间

名称	说明
列空间（column space）	矩阵列向量张成的空间
零空间（null space）	$Ax=0$的X的解构成的空间，记$N(A)$
行空间（转置的列空间）	矩阵行向量张成的空间
转置零空间（左零空间）	$A^{T}y=y^{T}A=0$，记$N(A^T)$

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HPFybHNE-1591005617847)(https://img-blog.csdn.net/20180212200558111?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]
如图row space 与 N(A) 正交补，column space 与 $N(A^T)$正交补，row space与column space 构成双射，其他部分都是零空间。

定理：dim（V）= dim（N）+dim（值域）

3.3 线性映射

每个矩阵$A_{m\times n}$对应一个从$R^m$到$R^n$的线性映射，我们一般想要对矩阵A进行化简（特征值构成的对角矩阵），得到不同的基下的表示（分解成独立的子空间），可以简化问题或者看到问题的本质。

注：线性映射到矩阵的映射也是线性映射

3.3.1 特征值和特征向量（解耦、对角化）

特征向量在矩阵A的变化下只会出现缩放，不会出现方向变化：
$Ax=\lambda x，\lambda =0时，Ax=0，对应的x确定零空间N(A)$
求解：$Ax=\lambda x\to (A-\lambda I)x=0$
x不为0时，有$|A-\lambda I|=0，得到特征方程，x_i为A-{\lambda }_{i}I的零空间。$

注：$\{\begin{array}{l}Ax=\alpha x\\ Bx=\beta x\end{array}\nrightarrow (A+B)x=(\alpha +\beta )x，对应的特征向量不同$

3.3.2 特殊的特征值

矩阵	特征值	例子
负对阵	$\lambda 为虚数$	$旋转矩阵\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]，{\lambda }_1=i，{\lambda }_2=-i，v_1=\left[\begin{array}{c}i\\ -1\end{array}\right]，v_2=\left[\begin{array}{c}i\\ 1\end{array}\right]$
正对称	$\lambda 为实数，不同特征值的特征向量正交$
畸形	$\lambda 和正交向量不够n个$	$\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]，\lambda =1，v=\left[\begin{array}{c}1\\ 0\end{array}\right]$

3.3.3 特征值性质

${\sum }_{i=1}^n{\lambda }_i={\sum }_{i=1}^n{a}_{ii}$
${\prod }_{i=1}^n{\lambda }_i=detA$

3.3.4 QR法

利用QR分解迭代求解特征值：
$A_i=Q_i{R}_i$
$R_i{Q}_i=A_{i+1}$
迭代数次得到对角线矩阵，其中值为特征值

3.3.5 矩阵的多项式

$f(A)=a_1{A}^k+...+a_{1}A+a_{0}I$
$f(\lambda )=a_1{\lambda }^k+...+a_1\lambda +a_0$

性质：f(A)g(A) = g(A)f(A)

---

4 行列式

4.1 定义

$$detA=\left|\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{1n}\\ a_{21}& a_{22}& ...& a_{2n}\\ .& .& & .\\ a_{n1}& a_{n2}& ...& a_{nn}\end{array}\right|$$
$当n=1时，detA=a_{11}$
$当n\ge 2时，detA=a_{11}{A}_{11}+a_{12}{A}_{12}+...a_{1n}{A}_{1n},A_{ij}=(-1{)}^{i+j}{M}_{ij}$
$其中A_{ij}称为余子式，M_{ij}为代数余子式。$

4.2 对比矩阵和行列式

行列式	矩阵
数	数表
$D_n$	$A_{m\times n}$
| |	(),[]

4.3 行列式的性质

ID	性质	推论
1	$detI=1(放缩)$	$detA=0为奇异$
2	行列式按任意一行展开，其值相等：$detA=a_{i1}{A}_{i1}+...+a_{in}{A}_{in}$	$detA某一行全为0\Rightarrow detA=0$
3	$detA中某两行对应位置元素相等\Rightarrow detA=0$
4	$$\begin{gathered} \left[\begin{array}{ccc}{a}_{11}& ..& a_{1n}\\ .& .& .\\ b_{i1}+c_{i1}& ..& b_{in}+c_{in}\\ .& .& .\\ a_{n1}& ..& a_{nn}\end{array}\right]= \\ \left[\begin{array}{ccc}{a}_{11}& ..& a_{1n}\\ .& .& .\\ b_{i1}& ..& b_{in}\\ .& .& .\\ a_{n1}& ..& a_{nn}\end{array}\right]+\left[\begin{array}{ccc}{a}_{11}& ..& a_{1n}\\ .& .& .\\ c_{i1}& ..& c_{in}\\ .& .& .\\ a_{n1}& ..& a_{nn}\end{array}\right] \end{gathered}$$
5	$将A的某一行元素全乘以k得到det{A}_1=kdetA$	$将某一行的k倍加到其他行detA不，交换两行detA变号，某两行元素对应成比例则detA=0$
6	$det(AB)=detA\ast detB$	$det(A^T)=detA$

4.4 伴随矩阵

$A^{-1}=\frac{C^T}{detA}$
$C^T$为伴随矩阵，$c_{ij}为对应的余子式$
验证：
$$\left[\begin{array}{cccc}{a}_{11}& a_{12}& .& a_{1n}\\ a_{21}& a_{22}& .& a_{2n}\\ .& .& & .\\ a_{n1}& a_{n2}& .& a_{nn}\end{array}\right]\left[\begin{array}{cccc}{c}_{11}& c_{12}& .& c_{1n}\\ c_{21}& c_{22}& .& c_{2n}\\ .& .& & .\\ c_{n1}& a_{n2}& .& c_{nn}\end{array}\right]=\left[\begin{array}{cccc}detA& 0& .& 0\\ 0& detA& .& 0\\ .& .& & .\\ 0& 0& .& detA\end{array}\right]=detA\cdot I$$

4.5 集合意义

行列式的值为向量组维成的超体的体积，特征向量方向的缩放比为对应的特征值。

---

5 应用

5.1 电路

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DE7hIthE-1591005617848)(https://img-blog.csdn.net/2018021309103810?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]
令矩阵A的行为边，列为节点，出度为-1，入度为1，x为顶点（电压），y为边（电流）。

5.1.1 电压

$$Ax=\left[\begin{array}{cccc}-1& 1& 0& 0\\ 0& -1& 1& 0\\ -1& 0& 1& 0\\ -1& 0& 0& 1\\ 0& 0& -1& 1\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\\ x_4\end{array}\right]=C\left[\begin{array}{c}{y}_1\\ y_2\\ y_3\\ y_4\\ y_5\end{array}\right]$$
左侧为压降矩阵，右侧为欧姆定理，C为电阻矩阵。

5.1.2 电流

$$A^{T}y=\left[\begin{array}{ccccc}-1& 0& -1& -1& 0\\ 1& -1& 0& 0& 0\\ 0& 1& 1& 0& -1\\ 0& 0& 0& 1& 1\end{array}\right]\left[\begin{array}{c}{y}_1\\ y_2\\ y_3\\ y_4\\ y_5\end{array}\right]=\left[\begin{array}{c}0\\ 0\\ 0\\ 0\end{array}\right]$$
基尔霍夫定律，节点电流和为0；加入电流源$f=A^{T}y=A^{T}CAX，A^{T}CA为对称矩阵$。

5.2 投影（projection）

$求解Ax=b，b不属于A的列向量张成的空间，此时求解距离最小的最优解A\hat{x}=p，p是b在a方向的投影。$

5.2.1 一维投影

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-T9hd6Mg8-1591005617849)(https://img-blog.csdn.net/20180213100713753?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]
设$\vec{p}=x\vec{a}，其中x为比例系数，故求解x即可。因为\vec{e}与\vec{p}正交时e的模最小，故：$
$\vec{e}\cdot \vec{p}={\vec{a}}^T(\vec{b}-\vec{p})={\vec{a}}^T(\vec{b}-x\vec{a})=0$
$x=\frac{a^{T}b}{a^{T}a}，p=ax=a\frac{a^{T}b}{a^{T}a}=\frac{a{a}^T}{a^{T}a}b=Pb$

5.2.2 高维投影

因为e与A正交，故e $\in N(A^T)$
定义：$p=x_1{a}_1+..+x_k{a}_k=Ax$
正交：$a_i^T{e}_i=a_i^T(b_i-A{x}_i)=0$
$p=Ax=A(A^{T}A{)}^{-1}{A}^{T}b=Pb$

5.2.3 投影性质

投影矩阵（P）的性质
$P^T=P$
$P^2=P$
$I=P+E,（b-p=e=Eb）$

5.3 最小二乘

数据拟合，求解到已知点距离和最小的目标曲线。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hqwCauxJ-1591005617850)(https://img-blog.csdn.net/20180213110352971?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]

5.3.1 利用矩阵求解

设直线为C+Dx=y，带入三点坐标：
$$\left[\begin{array}{cc}1& 1\\ 1& 2\\ 1& 3\end{array}\right]\left[\begin{array}{c}C\\ D\end{array}\right]=\left[\begin{array}{c}1\\ 2\\ 2\end{array}\right]$$
$A^{T}A\hat{x}=A^{T}b，\hat{x}为最小二乘解，图解如下：$
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pG1tih1R-1591005617851)(https://img-blog.csdn.net/20180213115420143?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvbW9iaXVzX3N0cmlw/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)]

5.3.2 利用导数求解

$min{||Ax-b||}^2={||e||}^2=e_1^2+e_2^2+e_3^2$
$f(C,D)={(C+D-1)}^2+{(C+2D-2)}^2+{(C+3D-2)}^2$
$\frac{\partial f}{\partial C}=0\to 6C+4D=0$
$\frac{\partial f}{\partial D}=0\to 3C+6D=0$

微分方程 5.4

$Ax=\lambda x\to AS=\Lambda S\to A=S^{-1}\Lambda S$
$S为特征向量构成的矩阵，\Lambda 为特征值构成的矩阵。上面公式可以简化矩阵求幂。$

5.4.1 通解

方程	通解
$U_{k+1}=A{U}_k$	$U_k=C_1{\lambda }^k{x}_x+..$
$\frac{du}{dt}=Au$	$u(t)=C_1{e}^{{\lambda }_{1}t}+..$

5.4.2 稳定性

线代控制理论用矩阵表示系统，如上面第二种微分方程，指数中的虚部代表震荡，实部影响稳定性。

$\lambda$	稳定性
所有${\lambda }_i\le$ 1	李雅普诺夫稳定（不发散）
所有${\lambda }_i=$ 1	渐进稳定（随着时间收敛到0）
存在${\lambda }_i>$ 1	不稳定

5.5 基变换和图像压缩

图片（512x512 pixel）$\stackrel{JPEG}{\to }$ 64block（8x8 pixel）$\stackrel{基变换}{\to }$ 系数c $\stackrel{压缩}{\to }\hat{c}（许多0）$

变换基	举例	性质
standard	$\left[\begin{array}{c}1\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\end{array}\right]$ $\left[\begin{array}{c}0\\ 1\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\end{array}\right]$ …$\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 1\end{array}\right]$	效果不好
better	低频（全同）：$\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$ 上下相反：$\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ -1\\ -1\\ -1\\ -1\end{array}\right]$ …高频（棋盘）：$\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 1\end{array}\right]$	不好求逆
Fourier	$\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$ $\left[\begin{array}{c}1\\ \omega \\ {\omega }^2\\ {\omega }^3\\ {\omega }^4\\ {\omega }^5\\ {\omega }^6\\ {\omega }^7\end{array}\right]$ …$\left[\begin{array}{c}1\\ {\omega }^7\\ {\omega }^{14}\\ {\omega }^{21}\\ {\omega }^{28}\\ {\omega }^{35}\\ {\omega }^{42}\\ {\omega }^{49}\end{array}\right]$	效果好，好求逆
简化小波	$\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\\ 1\end{array}\right]$ $\left[\begin{array}{c}1\\ 1\\ 1\\ 1\\ -1\\ -1\\ -1\\ -1\end{array}\right]$ $\left[\begin{array}{c}1\\ 1\\ -1\\ -1\\ 0\\ 0\\ 0\\ 0\end{array}\right]$ $\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 1\\ 1\\ -1\\ -1\end{array}\right]$ $\left[\begin{array}{c}1\\ -1\\ 0\\ 0\\ 0\\ 0\\ 0\\ 0\end{array}\right]$ $\left[\begin{array}{c}0\\ 0\\ 1\\ -1\\ 0\\ 0\\ 0\\ 0\end{array}\right]$ $\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 1\\ -1\\ 0\\ 0\end{array}\right]$ $\left[\begin{array}{c}0\\ 0\\ 0\\ 0\\ 0\\ 0\\ 1\\ -1\end{array}\right]$	效果好，好求逆