【线性代数】逆矩阵复习
2017-07-24 19:31
11 查看
参考资料:平冈和幸《程序员的数学3:线性代数》。
对于良性问题,可以用矩阵的初等变换来做,比较简单,这里不再多说。
对于给定的 A,满足 Ax=0 的所有 x 的集合被称为 A 的核,记作 KerA。对于非“压缩扁平化”的映射 A,KerA 是0维的,仅由原点 O 一点构成。
对于给定的 A,将 x进行各种不同的变换,在 A 的作用下,y=Ax构成的集合,称为 A 的象,记作 ImA。将 A=(a1,⋯,an) 按列分块,于是 ImA 也叫“由向量 a1,⋯,an 张成的线性子空间”,记为 span{a1,⋯,an}。
dimKerA+dimImA=n
其中,dim 表示维数。
dimImA 我们又称之为秩,记作 rankA.
相当于先将 n 维空间中的向量先压缩到 r 维空间中,再将它扩张到 m 维空间中。
在扩张的过程中,已经丢失了的信息再也找不回来了。
举个秩为2的矩阵进行分解的例子:
⎛⎝⎜⎜⎜1611162712173813184914195101520⎞⎠⎟⎟⎟=⎛⎝⎜⎜⎜1111051015⎞⎠⎟⎟⎟(1121314151)
问题
考虑一个简单的问题:y=Ax,该如何寻找 x,使得满足该条件?良性问题
如果矩阵 A 是方阵,并且是可逆矩阵(正则矩阵、非奇异矩阵),那么可以直接解出 x=A−1y,就称之为良性问题,反之,就叫恶性问题,比较麻烦。对于良性问题,可以用矩阵的初等变换来做,比较简单,这里不再多说。
恶性问题
当 x=(x1,⋯,xn)T 与 y=(y1,⋯,ym)T 的维数不同时,该怎么办?核(kernal)与象(image)的概念
当 m<n 时,A 表示从高维到低维的映射,是一个“压缩扁平化”的操作。会有多个 x 对应到同一个 y 上。对于给定的 A,满足 Ax=0 的所有 x 的集合被称为 A 的核,记作 KerA。对于非“压缩扁平化”的映射 A,KerA 是0维的,仅由原点 O 一点构成。
对于给定的 A,将 x进行各种不同的变换,在 A 的作用下,y=Ax构成的集合,称为 A 的象,记作 ImA。将 A=(a1,⋯,an) 按列分块,于是 ImA 也叫“由向量 a1,⋯,an 张成的线性子空间”,记为 span{a1,⋯,an}。
维数定理及秩
对于 m×n 的矩阵 A,有dimKerA+dimImA=n
其中,dim 表示维数。
dimImA 我们又称之为秩,记作 rankA.
瓶颈型分解
根据 m×n 的矩阵 A 的秩 r,可以将矩阵 A 分解为宽仅为 r 的矩阵 B 和高仅为 r 的矩阵 C 的乘积:A=BC.相当于先将 n 维空间中的向量先压缩到 r 维空间中,再将它扩张到 m 维空间中。
在扩张的过程中,已经丢失了的信息再也找不回来了。
举个秩为2的矩阵进行分解的例子:
⎛⎝⎜⎜⎜1611162712173813184914195101520⎞⎠⎟⎟⎟=⎛⎝⎜⎜⎜1111051015⎞⎠⎟⎟⎟(1121314151)
相关文章推荐
- 机器学习III. Linear Algebra Review (Week 1, Optional) 线性代数复习
- 数学:《线性代数》矩阵乘积 之 代码实现
- 线性代数(四十) : 正交补与正交投影
- MIT《线性代数》第一课 线性方程组的几何解释
- 【线性代数】矩阵的乘法与求逆
- 【线性代数】矩阵的四个基本子空间
- 算法基础之微积分--线性代数--离散数学
- MIT线性代数--矩阵的LU分解
- 【线性代数公开课MIT Linear Algebra】 实际应用——python中的线性代数(1)
- 【线性代数】图与网络
- 七月算法机器学习笔记3 线性代数与矩阵
- Octave 线性代数 行列式 0
- 基于MATLAB的线性代数 简单方程组求根(有唯一解)齐次线性方程组:常数项全部为零
- 基于MATLAB的线性代数 创建全1矩阵
- 基于MATLAB的线性代数 矩阵的合成(二维)
- [线性代数]Note2--矩阵消元
- 漫步线性代数八——向量空间和子空间
- VC++ 求矩阵的转置和行列式的值(线性代数)
- 高观点下的高等数学(数学分析、线性代数)
- Matlab与线性代数 -- 矩阵的右除