线性代数
simple_whu
被遥感专业耽误了当演员的帅哥<---->C++\Python玩家,以干掉所有bug为业!
展开
-
图像处理中的二阶矩矩阵(结构张量)
二阶矩矩阵,也叫做结构张量,在数学中是由一个函数的梯度计算出来的矩阵。它描述了梯度在某一点的邻域的分布。因此常被用于特征提取。翻译 2022-11-09 16:54:58 · 1399 阅读 · 0 评论 -
矩阵基变换和坐标变换
矩阵基变换和坐标变换基变换设三维线性空间两组基{α1,α2,α3},{β1,β2,β3}\{\alpha_1,\alpha_2,\alpha_3\},\{\beta_1,\beta_2,\beta_3\}{α1,α2,α3},{β1,β2,β3}(基向量均为列向量),不妨称前者为旧基,称后者为新基。设可逆矩阵P=[p11p12p13p21p22p23p31p32p33]P=\left[\begin{matrix}p_{11}&p_{12}&p_{13}\\p_{21}&am原创 2020-12-03 21:43:06 · 3654 阅读 · 0 评论 -
矩阵的行列式,证明|A||B|=|AB|
证明|A||B|=|AB|引理1.下三角和上三角行列式的值等于对角线元素之积2.任一方形行列式都可以通过行列倍加的操作转化为下三角行列式或者上三角形式且维持值不变。3.由1和2可以推出下式:∣Ak×kCk×n0Bn×n∣=∣Ak×k0Ck×nBn×n∣=∣Ak×k∣∣Bn×n∣\left|\begin{matrix}A_{k\times k}&C_{k\times n}\\0&B_{n\times n}\end{matrix}\right|=\left|\begin{matri转载 2020-11-17 16:20:26 · 9286 阅读 · 2 评论 -
SVD奇异值分解的数学涵义及其应用实例
SVD奇异值分解的数学涵义及其应用实例转载自:https://zhuanlan.zhihu.com/p/57803955侵删摘要SVD(Singular Value Decomposition, 奇异值分解)是线性代数中既优雅又强大的工具, 它揭示了矩阵最本质的变换. 使用SVD对矩阵进行分解, 能得到代表矩阵最本质变化的矩阵元素. 这就好比一个合数能表示为若干质数之积, 分解合数能得到表示该合数的质因数; 复杂周期信号可以表示为若干简单的正弦波和余弦波之和, 使用傅里叶变换能得到表示该信号的简转载 2020-10-24 17:16:12 · 487 阅读 · 0 评论 -
mkl库使用的配置
除了include这些文件夹外"C:/Program Files (x86)/IntelSWTools/compilers_and_libraries_2020.1.216/windows/mkl/include""C:/Program Files (x86)/IntelSWTools/compilers_and_libraries_2020.1.216/windows/compiler/li...原创 2020-04-21 23:05:28 · 3673 阅读 · 0 评论 -
Eigen中矩阵的特征值求解函数eigenvectors()和pseudoEigenvectors()的区别
这两个函数都能计算矩阵的特征向量,后者似乎不易理解。解释如下:(假设输入矩阵是A,其特征值构成的对角阵是D,返回的特征列向量构成的矩阵是V)eigenvectors()V满足表达式V的第k个列向量是对应第D中第k个特征值的特征向量(eigenvector)pseudoEigenvectors()V满足表达式V的第k个列向量是对应第D中第k个特征值的伪特征向量(eigenvector)...原创 2019-10-02 21:09:42 · 3667 阅读 · 0 评论