GitModel数学建模学习打卡Task02-线性代数篇

一、线性方程组与向量

知识点一：线性方程组与矩阵

知识点二：numpy的解线性方程组接口
Code：np.linalg.solve(A,b)

二、向量空间、矩阵、行列式以及范数

知识点一：向量的运算法则

知识点二：向量的线性相关与线性无关
（1）判定方程组是否有解：
1.未知数个数等于方程的个数
2.系数行列式不等于0，则这个方程组是有唯一解的
（2）克莱姆法则(Cramer’s Rule)


（3）行列式与方阵
求行列式的Code：np.linalg.det(A)（PS：一定要是方阵才能求行列式）
（4）行列式的几何意义
2阶行列式是由两个2维向量组成的，其(运算规则的)结果为以这两个向量为邻边的平行四边形的面积。

知识点三：矩阵
（1）不改变方程式解的三个操作

（2）矩阵的乘法
要求前一个矩阵的列数要等于后一个矩阵的行数
（3）单位矩阵
（4）初等矩阵
（5）左乘和右乘
要对行执行这种功能，就左乘一种“功能”；要对列执行这种功能，就右乘“功能”。
（6）非奇异矩阵
一、如果一个矩阵是可逆的，那么应该满足：
1.它一定要是个方阵，也就是行数等于列数。
2.它还要满足行列式不等于0。
二、矩阵求逆Code：np.linalg.inv
三、伪逆(广义逆)

（7）相似矩阵
重要概念1：向量在空间中的位置是绝对的，而其坐标值却是相对的，坐标的取值依托于其所选取的坐标向量（基底)。
Q1：那知道相似矩阵的概念有什么用呢？
Q2：一个矩阵代表着一个线性变换，而不同的坐标系又会得到不同的相似矩阵，那我们能不能选用一个最佳的坐标系，使得我们描述的这个线性变换的矩阵是最佳的呢？
Q3：什么矩阵才能称得上是最佳矩阵呢？
A：答案就是对角矩阵！因为当我们同时需要经历很多次线性变换的时候，对角矩阵能极大的减少我们的计算量。
求特征值和特征向量Code：lamb,p = np.linalg.eig(A)
重要概念2：特征向量就是那些经过矩阵A变换后的向量方向与变换前的方向相同或者相反的向量。（特征向量可以在某个矩阵的变换下保持在同一直线上，也就是没有发生角度的偏转）
（8）正交矩阵
令一个向量进行旋转变换或者镜像变换的矩阵是正交矩阵。
性质1：正交矩阵的逆矩阵与转置矩阵相同。
性质2：A的各行是单位向量且两两正交（垂直），又或者说A的各列是单位向量且两两正交（垂直）。
施密特正交化(Gram-Schmidt)：
（一）概念：给定一组基，把他变成标准正交基。
（二）原理：随便找一个原向量，把它固定住，接着找来第二个向量，往上面做投影，剩下的垂直分量就是第二个正交基，·····重复的做下去，直到所有基都变换过一遍后，得到的这组新的基就是正交基. 更进一步，如果我们把所有基进行标准化，使得每个基自己与自己做内积都为1，即模长为1，则得到的是一组标准正交基。 正交矩阵就为一个单位矩阵。

三、项目实战

（1）任务一

（2）任务二

知识点一：skimage库

知识点二：内置函数transform.rotate

（3）任务三