Chapter 3 线性代数回顾
3.1 矩阵和向量
-
图1:
-
图2:
-
图3:我们通常使用1-indexed vector,有些情况下会换成 0-indexed。
-
通常 用 A,B,C,D 等大写英文字母表示矩阵,a,b,x,y 小写字母表示数字、标量、向量等。
3.2 加法和标量乘法
矩阵的加法:行列数相等的可以加。
矩阵的乘法:每个元素都要乘
组合算法也类似。
3.3 矩阵向量乘法
矩阵和向量的乘法如图: m × n m×n m×n的矩阵乘以 n × 1 n×1 n×1的向量,得到的是 m × 1 m×1 m×1的向量
算法举例:
3.4 矩阵乘法
m × n m×n m×n矩阵乘以 n × o n×o n×o矩阵,变成 m × o m×o m×o矩阵。
如果这样说不好理解的话就举一个例子来说明一下,比如说现在有两个矩阵 A A A和 B B B,那么它们的乘积就可以表示为图中所示的形式。
3.5 矩阵乘法的性质
矩阵乘法的性质:
矩阵的乘法不满足交换律: A × B ≠ B × A A×B≠B×A A×B=B×A
矩阵的乘法满足结合律。即: A × ( B × C ) = ( A × B ) × C A×(B×C)=(A×B)×C A×(B×C)=(A×B)×C
单位矩阵:在矩阵的乘法中,有一种矩阵起着特殊的作用,如同数的乘法中的1,我们称这种矩阵为单位矩阵.它是个方阵,一般用 I I I 或者 E E E 表示,本讲义都用 I I I 代表单位矩阵,从左上角到右下角的对角线(称为主对角线)上的元素均为1以外全都为0。如:
A A − 1 = A − 1 A = I A{{A}^{-1}}={{A}^{-1}}A=I AA−1=A−1A=I
对于单位矩阵,有 A I = I A = A AI=IA=A AI=IA=A
3.6 逆、转置
- 矩阵的逆:如矩阵 A A A是一个 m × m m×m m×m矩阵(方阵),如果有逆矩阵,则: A A − 1 = A − 1 A = I A{{A}^{-1}}={{A}^{-1}}A=I AA−1=A−1A=I
我们一般在OCTAVE或者MATLAB中进行计算矩阵的逆矩阵。
-
矩阵的转置:设 A A A为 m × n m×n m×n阶矩阵(即 m m m行 n n n列),第$i 行 行 行j 列 的 元 素 是 列的元素是 列的元素是a(i,j) , 即 : ,即: ,即:A=a(i,j) 定 义 定义 定义A 的 转 置 为 这 样 一 个 的转置为这样一个 的转置为这样一个n×m 阶 矩 阵 阶矩阵 阶矩阵B$:
满足 B = a ( j , i ) B=a(j,i) B=a(j,i),即 b ( i , j ) = a ( j , i ) b (i,j)=a(j,i) b(i,j)=a(j,i)( B B B的第 i i i行第 j j j列元素是 A A A的第 j j j行第 i i i列元素),记 A T = B {{A}^{T}}=B AT=B。(有些书记为A’=B)
直观来看,将 A A A的所有元素绕着一条从第1行第1列元素出发的右下方45度的射线作镜面反转,即得到 A A A的转置。
例:
- 矩阵的转置基本性质:
$ {{\left( A\pm B \right)}{T}}={{A}{T}}\pm {{B}^{T}} $ ( A × B ) T = B T × A T {{\left( A\times B \right)}^{T}}={{B}^{T}}\times {{A}^{T}} (A×B)T=BT×AT ${{\left( {{A}^{T}} \right)}^{T}}=A $ ${{\left( KA \right)}{T}}=K{{A}{T}} $
MATLAB中矩阵转置:直接打一撇,x=y'
。