文章目录
1.矩阵的一些基础知识
1.1 矩阵只有乘法
1.2 向量有点乘(也是内积)和叉乘:
(1)点乘就是两个对应向量值相乘
:得到的是一个数值
- 高中知道两个向量的长度解法:
a ⋅ b = ∣ a ∣ ∣ b ∣ c o s < a , b > a · b = |a||b|cos<a,b> a⋅b=∣a∣∣b∣cos<a,b> - 如果给出两个向量的值:
a = [ a 1 , a 2 , . . . , a n ] b = [ b 1 , b 2 , . . . , b n ] a=[a_1,a_2,...,a_n] \\ b=[b_1,b_2,...,b_n] a=[a1,a2,...,an]b=[b1,b2,...,bn]
则两个向量的内积:
a
b
=
a
1
b
1
+
a
2
b
2
+
.
.
.
+
a
n
b
n
ab=a_1b_1+a_2b_2+...+a_nb_n
ab=a1b1+a2b2+...+anbn
- 学了线性代数之后,发现其实跟高中的向量表示方法是不同的,通常一个向量其实是列向量,即是:
a
=
[
a
1
a
2
⋮
a
n
]
b
=
[
b
1
b
2
⋮
b
n
]
a= \begin{bmatrix} a_1 \\ a_2 \\ \vdots \\ a_n \end{bmatrix} \\ b= \begin{bmatrix} b_1 \\ b_2 \\ \vdots \\ b_n \end{bmatrix}
a=⎣⎢⎢⎢⎡a1a2⋮an⎦⎥⎥⎥⎤b=⎣⎢⎢⎢⎡b1b2⋮bn⎦⎥⎥⎥⎤
则两个列向量的乘积通常表示为:
a T b = a 1 b 1 + a 2 b 2 + . . . + a n b n a^{\mathrm{T}}b = a_1b_1+a_2b_2+...+a_nb_n aTb=a1b1+a2b2+...+anbn
(2)叉乘得到是一个向量:
∣
向
量
c
∣
=
∣
向
量
a
×
向
量
b
∣
=
∣
a
∣
∣
b
∣
s
i
n
<
a
,
b
>
|向量c|=|向量a×向量b|=|a||b|sin<a,b>
∣向量c∣=∣向量a×向量b∣=∣a∣∣b∣sin<a,b>
1.3 单位向量
向量模为1的向量被称为单位向量。模的计算公式为:
a
=
[
a
1
,
a
2
,
.
.
.
,
a
n
]
∣
a
∣
=
(
a
1
2
+
a
2
2
+
.
.
.
+
a
n
2
)
a=[a_1,a_2,...,a_n] \\ |a| = \sqrt(a_1^2+a_2^2+...+a_n^2)
a=[a1,a2,...,an]∣a∣=(a12+a22+...+an2)
1.4 正交矩阵
A A T = E AA^{\mathrm{T}}=E AAT=E
- 其中 E E E为单位矩阵
- 正交矩阵有几个性质:
(1)A的各行是单位向量且两两正交(两个行向量的内积为0)
(2)A的各列是单位向量且两两正交
(3)A的各行(或者列)是模为1的向量
比如:
1.5 线性无关和线性相关的向量
在向量空间V的一组向量 A = [ a 1 , a 2 , . . . , a n ] A=[a_1,a_2,...,a_n] A=[a1,a2,...,an],如果存在不全为零的数 k 1 , k 2 , ⋅ ⋅ ⋅ , k m k_1, k_2, ···,k_m k1,k2,⋅⋅⋅,km, 使
k 1 a 1 + k 2 a 2 + . . . + k n a n = 0 k_1a_1+k_2a_2+...+k_na_n = 0 k1a1+k2a2+...+knan=0
则称向量组A是线性相关的,否则数 k 1 , k 2 , ⋅ ⋅ ⋅ , k m k_1, k_2, ···,k_m k1,k2,⋅⋅⋅,km全为0时,称它是线性无关。
1.6 矩阵的逆
A B = E AB=E AB=E
AB=E,则说B为A的逆矩阵
1.7 对称矩阵
对称矩阵(Symmetric Matrices)是指以主对角线为对称轴,各元素对应相等的矩阵
1.7 矩阵的秩(rank)
(1)n阶行列式的值怎么求解?
- 代数余子式:
- 利用代数余子式求解n阶行列式:
(2)r阶行列式
r阶行列式就是对一个矩阵画r条横线,r条竖线,这个横竖线交叉的元素构成了一个新的数表,这个数表的行列式就叫作这个矩阵的r阶子式。
(3)矩阵的秩
-定义:矩阵中的任意一个r阶子式不为0,且任意的r+1阶子式为0,则阶数r就叫作该矩阵的秩。
- 最简单求矩阵的秩的方法是:化简成上三角或者下三角的行列式,然后数出非零行(或列)的个数。具体方法:https://blog.csdn.net/edward_zcl/article/details/90177159
1.8 伴随矩阵
矩阵中的全部元素的代数余子式所构成的矩阵就为伴随矩阵。
方阵 A = ( a i j ) n × n A=(a_{ij})_{n \times n} A=(aij)n×n的各元素的代数余子式 A i j A_{ij} Aij所构成的如下矩阵 A ∗ A^* A∗:
A 11 A 12 . . . A 1 n ⋮ ⋮ . . . ⋮ A n 1 A n 2 . . . A n n \begin{matrix} A_{11} & A_{12} & ... & A_{1n} \\ \vdots & \vdots & ... & \vdots \\ A_{n1} & A_{n2} & ... & A_{nn} \\ \end{matrix} A11⋮An1A12⋮An2.........A1n⋮Ann
1.9 矩阵的零空间
如果存在矩阵
A
A
A,要找到它的零空间,须找到所有向量$v$
使得
A
v
=
0
Av=0
Av=0.
零空间的计算方法:
https://www.cnblogs.com/bigmonkey/p/9591191.html
1.10 矩阵的扩展基定理
可以由一组正向量组扩展成正交基:
https://wenku.baidu.com/view/8ae3706e58fafab069dc02f8.html