线性代数之线性方程组

[作者:byeyear,首发于cnblogs.com,转载请注明。联系:east3@163.com]

回忆学校的美好时光,顺便复习一下学校学过的知识吧。

1. 三种行初等变换

    倍加变换 (某一行的倍数加到另一行)

    对换变换 (两行交换)

    倍乘变换  (某一行所有元素乘以同一个非零数)

2. 行等价

    一个矩阵可经过一系列初等行变换成为另一个矩阵。

    行变换可逆。

3. 若两个线性方程组的增广矩阵行等价,则它们有相同的解集。

4. 简化行阶梯矩阵

    a) 非零行的先导元素为0

    b) 先导元素1是该元素所在列的唯一非零元素

    一个矩阵的简化行阶梯矩阵唯一。

5. 对应于主元列的变量称基本变量,其他变量称自由变量。

6. 向量的平行四边形法则

    若R2中的向量u,v用平面上的点表示,则u+v对应于u,v,0为三个顶点的平行四边形的第四个顶点。

    [思考:即使u,v不是R2而是R3甚至Rn中的向量,上述结论是否仍然成立?]

7. 向量方程

         x1a1+x2a2+...+xnan=b

    和增广矩阵如下的线性方程组

         [a1 a2 ... an b] 

    和矩阵方程

         Ax=b

    有相同的解集。

8. 方程Ax=b有解的条件:b是A的各列的线性组合。

9. 设A为mxn矩阵,以下命题等价:

    a) 对Rm中每个b,Ax=b有解

    b) Rm中的每个b都是A的列的一个线性组合

    c) A的各列生成Rm(Rm = Span{A各列})

    d) A在每一行都有一个主元位置(注意是A的每一行,*不*是A的增广矩阵的每一行)

10. 方程Ax=0有非平凡解的条件:至少有一个自由变量。

11. 如果非齐次方程有多个解,其解可表示为一个向量(这个向量也是非齐次方程的特解)加上相应的齐次方程的解。

      或者说:非齐次方程解 = 该方程特解 + 对应的齐次方程的通解

12. 若一组向量v1,v2,...,vn组成的向量方程

      x1v1+x2v2+...+xnvn = 0

      仅有平凡解,则这些向量线性无关;否则这些向量线性相关。

      同样,仅当矩阵方程Ax=0仅有平凡解,A的各列线性无关。

13. 单个的零向量线性相关,因为0x=0有非平凡解;同理,单个的非零向量线性无关。含有零向量的向量组必定线性相关。

14. 向量集线性相关,则其中至少一个向量是其他向量的线性组合;但该集合中也有可能存在不能表示为其他向量线性组合的向量。

15. 若向量组中的向量个数超过每个向量的元素个数,那么这个向量组必定线性相关。

     (直观上,向量越“多”,越容易“相关”。从阶梯矩阵角度,上面所述情况必有自由向量。)

16. 仅存在两个向量的向量集是否线性相关很好判断:看一个是否是另一个的倍数就可以了。

17. 矩阵A与向量x的积,就是A的各列以x中对应元素为权的线性组合。下式中,A为矩阵,x为向量,xn为向量元素,an为矩阵列。

      Ax = x1a1+x2a2+...+xnan

18. 设u,v是R3中的线性无关向量,那么span{v}是过零点和v的直线,span{u,v}是过u,v,0的平面。

19. 矩阵乘法Ax=b的另一种理解是,将矩阵A作用于向量x,产生新向量b。解方程Ax=b就是求出Rn中所有经过A的“作用”后变为b的向量x。

20. 符号T:Rn->Rm说明T的定义域是Rn,余定义域是Rm。T(x)的集合是T的值域。

     (mxn矩阵实现Rn->Rm

21.  由Rn到Rm的每个线性变换都是矩阵变换,反之亦然(每个矩阵变换都是线性变换)。即对于线性变换Rn->Rm,存在唯一矩阵A使得T(x)=Ax(对Rn中一切x )。

       A可按下式求得:

        A = [T(e1)  T(e2)  ...  T(en)] 

        其中ej是单位矩阵In的第j列。A称为线性变换T的标准矩阵。

22. 若T的值域是整个余定义域,T是满射;若T是一对一的,T是单射。

23. 线性映射T是一对一的条件:Ax=0仅有平凡解。

     解释:映射一对一 ==> 方程Ax=b至多一个解 ==> 方程Ax=b的解没有自由变量 ==> Ax=0仅有平凡解。

24. 若T为线性变换,A为T的标准矩阵,那么:

      当且仅当A的列生成Rm时,T把Rn映上到Rm(即将Rn映射到Rm上,满射);

      当且仅当A的列线性无关时,T是一对一的。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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
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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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
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中所有感兴趣的目标(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,即定位出图像中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:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 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,直接在网络中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