![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
MIT_线性代数笔记
文章平均质量分 89
MIT_线性代数笔记
浊酒南街
纵使疾风起,人生不言弃。
展开
-
MIT_线性代数笔记:线性代数常用计算公式
列操作是指矩阵 C 的第 j 列是通过矩阵 A 乘以矩阵 B 第 j 列的列向量得到的。这表明矩阵 C 的列向量是矩阵 A 列向量的线性组合,组合的“权”就是矩阵 B 第 j列的各个分量。1)标准方法(行乘以列) 矩阵乘法的标准计算方法是通过矩阵 A 第 i 行的行向量和矩阵 B 第 j 列的列向量点积得到 cij。即我们常说的点积,也是大学课本给出的方法。行操作是指矩阵 C 的第 i 行是通过矩阵 A 的第 i 行乘以矩阵 B 得到的。这表明矩阵 C 的行向量是矩阵 B 行向量的线性组合。原创 2024-01-26 10:50:37 · 730 阅读 · 0 评论 -
MIT_线性代数笔记:第 16 讲 投影矩阵和最小二乘法
当它作用于向量 b,相当于把 b 投影到矩阵 A 的列空间。原创 2023-12-13 16:33:42 · 97 阅读 · 0 评论 -
MIT_线性代数笔记: 复习一
本讲为考前复习课,考试范围就是 Ax=b 这个单元,重点是长方形矩阵,与此相关的概念包括零空间、左零空间、秩、向量空间、子空间,特别是四个基本子空间。当矩阵为可逆的方阵时,很多性质是一目了然的,但是对于长方形矩阵则需要多加注意。原创 2023-12-08 16:09:31 · 131 阅读 · 0 评论 -
MIT_线性代数笔记:第 27 讲 正定矩阵和最小值
本讲学习正定矩阵,这部分内容将本课程之前的知识点:主元、行列式、特征值以及方程的稳定性融为一体。本讲介绍如何判定一个矩阵是否正定矩阵,以及当一个矩阵是正定矩阵时,其内涵和矩阵操作的效果有何特别之处。此外还有正定矩阵与几何的关系:椭圆和正定有关,双曲线与正定无关。原创 2024-01-16 09:39:42 · 1000 阅读 · 0 评论 -
MIT_线性代数笔记:第 14 讲 正交向量与正交子空间
AT本讲我们讨论正交(orthogonal)概念对于向量、基和子空间的意义。需要注意的是行空间与零空间是正交的,而列空间与左零空间是正交的。这张图是 GS 最得意的作品之一,它反映了四个子空间的关系,在后面的课程中可以看到其两两形成正交补,在 Rn空间中的向量会向两个子空间射影,并向 Rm空间形成映射,反之亦然。原创 2023-12-11 10:34:00 · 228 阅读 · 0 评论 -
MIT_线性代数笔记:第 17 讲 正交矩阵和施密特正交化
本讲我们完成对“正交”的介绍。Gram-Schmidt 过程可以将原空间的一组基转变为标准正交基。原创 2023-12-15 10:58:35 · 131 阅读 · 0 评论 -
MIT_线性代数笔记:第 25 讲 对称矩阵和正定性
对称矩阵是最重要的矩阵之一,其特征值为实数并且拥有一套正交特征向量。正定矩阵的性质则更好。原创 2024-01-09 15:41:21 · 1052 阅读 · 0 评论 -
MIT_线性代数笔记:第 05 讲 转置、置换和空间
本节的将引入向量空间(vector spaces)和子空间(subspaces)。原创 2023-11-01 16:54:59 · 103 阅读 · 0 评论 -
MIT_线性代数笔记:第 15 讲 子空间投影
投影问题的几何解释就是:如何在向量 a 的方向上寻找与向量 b 距离最近的一点。从图中可以看出,这个距离最近的点 p 就位于穿过 b 点并与向量 a 正交的直线与向量 a 所在直线的交点上。这里的问题在于向量 Ax 一定在矩阵 A 的列空间之内,但是 b 不一定,因此我们希望将 b 投影到 A 的列空间得到 p,将问题转化为求解。观察这个矩阵可知,矩阵 P 的列空间就是向量 a 所在的直线,矩阵的秩是 1。我们将投影问题用投影矩阵的方式进行描述,即为 p=Pb,其中 P 为投影矩阵。原创 2023-12-12 14:20:19 · 89 阅读 · 0 评论 -
MIT_线性代数笔记:第 30 讲 线性变换及对应矩阵
V例:旋转 45 度 Rotationby45oRotation by 45^oRotationby45o例:矩阵描述线性变换 Describing T(v)例:投影如何确定矩阵 A Rule to find A本讲介绍线性变换。在传统的线代课程中,线性变换会出现在的比矩阵还要早的位置,实际上可以在脱离坐标和具体数值的情况下讨论线性变换。但是面对科学计算的课题,还是要回到坐标上来。每个线性变换都对应于一个矩阵,矩阵概念的背后就是线性变换的概念。抛开矩阵,从线性变换的概念来讨论“投影”。通过线性变换使得原创 2024-02-01 10:13:08 · 1020 阅读 · 0 评论 -
MIT_线性代数笔记:第 09 讲 线性无关,基和维数
向量的线性无关意味着什么?如何用线性无关的概念来帮助我们描述包括零空间在内的子空间。原创 2023-11-29 11:53:37 · 274 阅读 · 0 评论 -
MIT_线性代数笔记:第 22 讲 对角化和矩阵的幂
uk1uk本讲中将学习如何对角化含有 n 个线性无关特征向量的矩阵,以及对角化是怎样简化计算的。原创 2024-01-02 17:39:15 · 1090 阅读 · 0 评论 -
MIT_线性代数笔记:第 23 讲 微分方程和 exp(At)
eAt本讲中我们将面对微分方程,将一阶常系数微分方程转化为线性代数问题进行处理。主要思路基于常系数线性方程的解是指数形式,而寻找其指数和系数就是线代主要研究的问题。这里会涉及到矩阵型指数的运算eAt。原创 2024-01-04 10:32:39 · 1061 阅读 · 0 评论 -
MIT_线性代数笔记:复习二
解:矩阵 A3为奇异阵,其第 3 列列向量为第 1 列的 3 倍,而第 1,2 列线性无关,因此其列空间为一个平面,取其前两列列向量组成矩阵 A,则有。解:当且仅当矩阵的特征值均不为 0 的时候,A 为可逆矩阵。该序列既不发散也不收敛,数列以 6 次为重复周期不停循环,1,0,-1,0,1,1。解:因为矩阵 P 为投影矩阵,在投影空间中的向量就是对应特征值 1 的特征向量,因此 a 就是对应的特征向量。解:矩阵的秩为 1,因此存在重特征值 0,再从矩阵的迹可以得到另一个特征值为 1。空间,所以 P=I。原创 2024-01-08 16:34:37 · 1229 阅读 · 0 评论 -
MIT_线性代数笔记:第 10 讲 四个基本子空间
本讲讨论矩阵的四个基本子空间以及他们之间的关系。原创 2023-11-30 16:20:02 · 102 阅读 · 0 评论 -
MIT_线性代数笔记:第04讲矩阵的LU分解
本节的主要目的是从矩阵的角度理解高斯消元法,最后找到所谓的 L 矩阵,使得矩阵 A 可以转变为上三角阵 U。即完成 LU 分解得到 A=LU。原创 2023-10-30 17:06:42 · 100 阅读 · 0 评论 -
MIT_线性代数笔记:第 29 讲 奇异值分解
本讲介绍奇异值分解(Singular value decomposition),简称 SVD。这是矩阵最终也是最好的分解,任意矩阵可分解为AUΣVT,分解结果为正交矩阵 U,对角阵Σ和正交矩阵 V。如果矩阵 A 是正定矩阵,它的奇异值分解就是AQΛQT,一个正交矩阵 Q 就可以满足分解,而不需要两个。而对于可对角化的矩阵有ASΛS−1,但特征向量矩阵 S 并不是正交矩阵,而 SVD 中的 U 和 V 都是正交矩阵。原创 2024-01-26 16:40:09 · 520 阅读 · 0 评论 -
MIT_线性代数笔记:第 01 讲 行图像和列图像
线性代数的基本问题就是解 n 元一次方程组。例如:二元一次方程组原创 2023-10-24 17:56:58 · 99 阅读 · 0 评论 -
MIT_线性代数笔记:第 24 讲 马尔可夫矩阵;傅里叶级数
本讲学习马尔可夫矩阵和傅里叶级数,两者是关于特征值和投影矩阵的应用。原创 2024-01-05 18:56:49 · 1291 阅读 · 0 评论 -
MIT_线性代数笔记:第 12 讲 图、网络、关联矩阵
本讲讨论线性代数在物理系统中的应用。原创 2023-12-05 19:31:19 · 159 阅读 · 0 评论 -
MIT_线性代数笔记:第 08 讲 求解 Ax=b:可解性与结构
矩阵的零空间 N(A)是 R4空间中的二维子空间,方程的解 Ax=b 构成了穿过 xp点并和矩阵零空间平行的“平面“。矩阵 A 的第三行为第一行和第二行的加和,因此 Ax=b 中 b 的第 3 个分量也要等于其第 1 和第 2 个分量的和。Ax=b 的通解为 xcomplete=xp+xn,其中 xn 为矩阵零空间中的一般向量。等价的另一种描述方式为:矩阵A的行向量若经过线性组合为零向量时,则对应的b经同样的线性组合后也为0。可解的条件:只有当b处于矩阵的列空间C ( A )之中时,方程才有解。原创 2023-11-28 15:10:10 · 363 阅读 · 0 评论 -
MIT_线性代数笔记:第 07 讲 求解 Ax=0:主变量,特解
我们定义了矩阵的列空间和零空间,那么如何求得这些子空间呢?本节课的内容即从定义转到算法。原创 2023-11-27 11:04:09 · 224 阅读 · 0 评论 -
MIT_线性代数笔记:第 18 讲 行列式及其性质
课程进入第二大部分,之前学习了大量长方形矩阵的性质,现在我们集中讨论方阵的性质,行列式和特征值将我们的又一个重点,求行列式则与特征值息息相关。原创 2023-12-18 19:29:08 · 1221 阅读 · 0 评论 -
MIT_线性代数笔记:第 20 讲 克莱姆法则、逆矩阵、体积
我们已经了解了行列式的公式和性质,下面讨论它的应用。原创 2023-12-26 10:55:06 · 1186 阅读 · 0 评论 -
MIT_线性代数笔记:第 11 讲矩阵空间、秩 1 矩阵和小世界图
扩展一下向量空间的含义。原创 2023-12-01 16:28:09 · 329 阅读 · 0 评论 -
MIT_线性代数笔记:第 02 讲 矩阵消元
消元矩阵之逆矩阵的实施效果就是抵消原矩阵的消元操作。消元矩阵实现了对原矩阵 A 的操作,使第二行行向量[3,8,1]减掉了第一行[1,2,1]的 3 倍变为[0,2,-2],则逆向操作就应该是把现在的第二行行向量[0,2,-2]加上第一行[1,2,1]的 3 倍,从而变回原来的第二行[3,8,1]。矩阵 A 为可逆矩阵,消元结束后得到上三角阵 U(Uppertriangular matrix),其左侧下半部分的元素均为 0,而主元 1,2,5 分列在 U 的对角线上。矩阵消元的第二步是完成矩阵。原创 2023-10-24 20:22:53 · 111 阅读 · 0 评论 -
MIT_线性代数笔记:第 21 讲 特征值和特征向量
本单元后面的课程主要围绕特征值和特征向量。在这个议题下讨论得都是方阵。原创 2023-12-28 16:48:55 · 919 阅读 · 0 评论 -
MIT_线性代数笔记:线性代数常用概念及术语总结
高斯消元法(Gauss elimination)就是通过对方程组中的某两个方程进行适当的数乘和加(jian)和(fa),以达到将某一未知数系数变为零,从而削减未知数个数的目的。消元法是计算机软件求解线形方程组所用的最常见的方法。任何情况下,只要是矩阵 A 可逆,均可以通过消元法求得 Ax=b 的解。置换矩阵,是一种特殊的方阵,其中每行和每列只有一个元素为1,其他元素都为0。它表示了对向量或矩阵的行或列的置换操作。线性代数的基本问题就是解 n 元一次方程组。例如:二元一次方程组。,而等号右侧的向量记为 b。原创 2024-01-25 20:03:40 · 1529 阅读 · 0 评论 -
MIT_线性代数笔记:第 31 讲 基变换和图像压缩
本讲介绍基变换。选择合适的基向量会给计算制造便利。基变换的一个重要应用就是压缩,图像、影像、音频和其它一些数据都会因为基变换而得到更高效的压缩储存。本讲的主题仍旧是线性变换和矩阵的关联。原创 2024-02-01 15:41:07 · 1035 阅读 · 0 评论 -
MIT_线性代数笔记:第 19 讲 行列式公式和代数余子式
我们已经认识到了行列式的性质,应该推导出其公式了。原创 2023-12-19 14:50:23 · 1483 阅读 · 2 评论 -
MIT_线性代数笔记:第 06 讲 列空间和零空间
本节继续研究子空间,特别是矩阵的列空间(column space)和零空间(nullspace)。原创 2023-11-21 10:45:13 · 507 阅读 · 0 评论 -
MIT_线性代数笔记:第 26 讲 复矩阵;快速傅里叶变换
实矩阵也可能有复特征值,因此无法避免在矩阵运算中碰到复数,本讲学习处理复数矩阵和复向量。最重要的复矩阵是傅里叶矩阵,它用于傅里叶变换。而对于大数据处理快速傅里叶变换(FFT)显得更为重要,它将傅立叶变换的矩阵乘法中运算的次数从n2次降至nlog2n次。原创 2024-01-15 10:34:44 · 1566 阅读 · 0 评论 -
MIT_线性代数笔记:第 32 讲 复习三
111,x2=1−10,x3=11−23)对于矩阵 A 可做奇异值分解 A=UΣVTA=UΣV^TA=UΣVT,已知Σ=[3002]Σ = \begin{bmatrix} 3&0\\0&2 \end{bmatrix}Σ=[3002] ,并且矩阵 U 和 V均为 2 列。4)矩阵 A 对称并且正交。 特征值和特征向量 Ax=λxAx=λxAx=λx 微分方程 du/dt=Audu/dt=Audu/dt=Au 和矩阵指数形式 eAte^{At}eAt 对称矩阵 A=ATA=A原创 2024-02-04 17:17:07 · 831 阅读 · 0 评论 -
MIT_线性代数笔记:第 33 讲 左右逆和伪逆
本节主要介绍左右逆矩阵和伪逆矩阵。原创 2024-02-05 14:18:32 · 858 阅读 · 0 评论 -
MIT_线性代数笔记:第 28 讲 相似矩阵和若尔当标准型
本讲介绍相似矩阵,这些内容以及奇异值分解是线性代数最核心的概念。原创 2024-01-25 17:50:54 · 1196 阅读 · 0 评论 -
MIT_线性代数笔记:第 34 讲 总复习
本讲为线性代数课程总复习,复习的方法就是做往年试题。原创 2024-02-06 19:19:20 · 972 阅读 · 0 评论 -
MIT_线性代数笔记:第 03 讲 矩阵的乘法和逆矩阵
我们通过四种方法讨论如何使矩阵 A 与 B 相乘得到矩阵 C。原创 2023-10-25 10:58:42 · 173 阅读 · 0 评论