【机器学习|数学基础】Mathematics for Machine Learning系列之图论(10):匹配基本定理
目录
- 前言
- 往期文章
- 5.2 匹配基本定理
- 对称差
- 5.2.1 Berge定理
- 定理 5.1
- 5.2.2 Hall定理
- 定义 5.4
- 定理 5.2
- 推论5.2.1
- 推论 5.2.2( t t t条件)
- 5.2.3 Konig定理
- 定义5.5
- 引理 5.2.1
- 引理 5.2.2
- 定理 5.3 (Konig定理)
- 5.2.4 Tutte定理
- 定义 5.6
- 定理 5.4(Tutte定理)
- 推论 5.4
- 结语
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
往期文章
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(2):线性空间定义及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(3):线性空间的基与坐标
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(4):基变换与坐标变换
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(5):线性子空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(7):欧氏空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(9):正交补与投影定理
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(10):线性变换定义
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(12):相似形理论
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(15):矩阵的范数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(16):向量和矩阵的极限
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(18):方阵的幂级数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(19):不定积分(补充知识)
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(20):方阵函数
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(21):常用方阵函数的一些性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(22):方阵函数在微分方程组中的应用
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(24):常数项级数的审敛法(补充知识))
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
5.2 匹配基本定理
对称差
A Δ B = ( A ∪ B ) − ( A ∩ B ) A \Delta B = (A \cup B) - (A \cap B) AΔB=(A∪B)−(A∩B)
记忆:先去掉 A 、 B A、B A、B都有的元素,然后再合并 A 、 B A、B A、B的其他元素
5.2.1 Berge定理
定理 5.1
M M M是 G G G的最大匹配的充要条件是 G G G不含 M M M可增长路径
证明
证必要性: M M M是 G G G的最大匹配 ⇒ \Rightarrow ⇒ G G G不含 M M M可增长路径
使用反证法
假设 G G G中含有 M M M可增长路径 P = v 0 v 1 v 2 . . . v 2 m + 1 P = v_0v_1v_2 ... v_{2m+1} P=v0v1v2...v2m+1
令 M ′ = M Δ E ( P ) M^{'} = M \Delta E(P) M′=MΔE(P)
显然 M ′ M^{'} M′是 G G G的一个匹配,且
∣ M ∣ ′ = ∣ M ∣ + 1 |M|^{'} = |M| + 1 ∣M∣′=∣M∣+1
与 M M M是最大匹配相矛盾 ,故假设不成立
说明 G G G不含 M M M可增长路径
证充分性: G G G不含 M M M可增长路径 ⇒ \Rightarrow ⇒ M M M是 G G G的最大匹配
使用反证法
假设 G G G不含 M M M可增长路径,但 M M M不是最大匹配
设 M ′ M^{'} M′是 G G G的一个最大匹配,则有 ∣ M ∣ ′ > ∣ M ∣ |M|^{'} > |M| ∣M∣′>∣M∣
令 H = G [ M Δ M ′ ] H = G[M \Delta M^{'}] H=G[MΔM′]
可以得到 H H H中每个顶点在 H H H中的次数只能是 1 或 2 1或2 1或2
为了理解上述: H H H中每个顶点在 H H H中的次数只能是 1 或 2 1或2 1或2
可以举一个例子帮助理解
定义一个最大匹配 M ′ M^{'} M′如下
再定义一个匹配 M M M,其中满足 ∣ M ∣ < ∣ M ′ ∣ |M| < |M^{'}| ∣M∣<∣M′∣
得到 M Δ M ′ M \Delta M^{'} MΔM′为
M Δ M ′ M\Delta M^{'} MΔM′可以简单理解为:去掉两者重复的,保留两者没有重复的
再令 H = G [ M Δ M ′ ] H = G[M \Delta M^{'}] H=G[MΔM′]
这里 H H H是 G G G的边子图(只要 G G G含有 [ M Δ M ′ ] [M \Delta M^{'}] [MΔM′]边的部分)
事先假设 G G G中都存在这些边
可以发现 H H H中每一个连通分支有两种可能
- 一条边在 M M M和 M ′ M^{'} M′中交错的偶圈(上图左半部分)
- 一条边在 M M M和 M ′ M^{'} M′中交错的路径(上图右半部分)
所有可以得到 H H H中每个顶点在 H H H中的次数只能是 1 或 2 1或2 1或2
因为 ∣ M ′ ∣ > ∣ M ∣ |M^{'}| > |M| ∣M′∣>∣M∣
所以一定有一个连通片中含有一条路径 P P P,始边和终边都属于 M ′ M^{'} M′
且 P P P的两个端点是 M M M非渗透点(上图右半部分含有这样的两个端点)
从而得出 P P P是 M M M可增长路径
与假设 G G G中无增长路径矛盾
故假设不成立, M M M是 G G G的最大匹配
5.2.2 Hall定理
定义 5.4
设 S ⊆ V ( G ) S \subseteq V(G) S⊆V(G), V ( G ) V(G) V(G)中与 S S S的顶点相邻的所有顶点构成之集合称为 S S S的领域,记为 N G ( S ) N_G(S) NG(S)
定理 5.2
设 G G G是二部图,其划分为 ( X , Y ) (X,Y) (X,Y),则 G G G有渗透 X X X每个顶点的匹配的充要条件是: ∀ S ⊆ X \forall S \subseteq X ∀S⊆X,恒有
∣ N G ( S ) ∣ ≥ ∣ S ∣ |N_G(S)| \geq |S| ∣NG(S)∣≥∣S∣
证明
证必要性: G G G有渗透 X X X每个顶点的匹配 ⇒ \Rightarrow ⇒ ∀ S ⊆ X \forall S \subseteq X ∀S⊆X,恒有 ∣ N G ( S ) ∣ ≥ ∣ S ∣ |N_G(S)| \geq |S| ∣NG(S)∣≥∣S∣
因为 G G G有渗透 X X X每个顶点的匹配
所以对于 ∀ S ⊆ X \forall S \subseteq X ∀S⊆X,可以得到 S S S中每一个顶点在 Y Y Y中都可以找到对应的匹配点
故有
∣ N G ( S ) ∣ ≥ ∣ S ∣ |N_G(S)| \geq |S| ∣NG(S)∣≥∣S∣
证充分性: ∀ S ⊆ X \forall S \subseteq X ∀S⊆X,恒有 ∣ N G ( S ) ∣ ≥ ∣ S ∣ |N_G(S)| \geq |S| ∣NG(S)∣≥∣S∣ ⇒ \Rightarrow ⇒ G G G有渗透 X X X每个顶点的匹配
假设 G G G中没有渗透 X X X每个顶点的匹配
令 M ∗ M^{*} M∗为 G G G的一个最大匹配,则 M ∗ M^{*} M∗不能渗透 X X X
取 X X X中 M ∗ M^{*} M∗非渗透点 u u u
令 Z Z Z是由 u u u出发可由 M ∗ M^{*} M∗交错路径到达的顶点集
因 M ∗ M^{*} M∗是最大匹配,由 B e r g e Berge Berge定理,得
u u u是 Z Z Z中仅有的未被 M ∗ M^{*} M∗配对的顶点
如果还存在 u u u之外的一个顶点在 Z Z Z中,那么就存在一条 M M M交错路径的起点和终点都是非渗透点
则 M M M为可增长路径
但由 B e r g e Berge Berge定理知:最大匹配无可增长路径
故只能存在一个非渗透点,即 u u u是 Z Z Z中仅有的未被 M ∗ M^{*} M∗配对的顶点
我们取
S = Z ∩ X , T = Z ∩ Y S= Z \cap X, T = Z \cap Y S=Z∩X,T=Z∩Y
显然, S − { u } S- \{u\} S−{u}中的顶点在 M ∗ M^{*} M∗中与 T T T中的顶点配对
除了 u u u外, S S S与 T T T中的顶点都存在匹配关系
有
∣ T ∣ = ∣ S ∣ − 1 , N ( S ) = T |T| = |S| - 1 , N(S) = T ∣T∣=∣S∣−1,N(S)=T
得到
∣ S ∣ = ∣ T ∣ + 1 = ∣ N ( S ) ∣ + 1 |S| = |T| + 1 = |N(S)| + 1 ∣S∣=∣T∣+1=∣N(S)∣+1
与 ∣ N ( S ) ∣ ≥ ∣ S ∣ |N(S)| \geq |S| ∣N(S)∣≥∣S∣相矛盾
故假设不成立
推论5.2.1
若 G G G是 k − k- k−正则二部图 ( k > 0 ) (k > 0) (k>0),则 G G G有一个理想匹配
证明
设 G G G的二部图划分为 ( X , Y ) (X, Y) (X,Y),则有
k ∣ X ∣ = k ∣ Y ∣ k|X| = k|Y| k∣X∣=k∣Y∣
从 X X X引出的边的数量 等于 从 Y Y Y引出的边的数量 (利用边的恒等性)
得到
∣ X ∣ = ∣ Y ∣ |X| = |Y| ∣X∣=∣Y∣
也就是 ∣ X ∣ |X| ∣X∣和 ∣ Y ∣ |Y| ∣Y∣中的顶点个数相同
令
S S S是 X X X中任意一个非空子集
E 1 E_1 E1是与 S S S中顶点相关联的边集
E 2 E_2 E2是与 N ( S ) N(S) N(S)中顶点相关联的边集
则有
E 1 ⊆ E 2 或 ∣ E 1 ∣ ≤ ∣ E 2 ∣ E_1 \subseteq E_2 \quad或 \quad|E_1| \leq |E_2| E1⊆E2或∣E1∣≤∣E2∣
E 1 E_1 E1是与 S S S中顶点相关联的边集,且 E 1 E_1 E1两个端点中另一个端点一定是在 N ( S ) N(S) N(S)中
所以 E 1 E_1 E1是 E 2 E_2 E2的一个子集
又因为
{ ∣ E 1 ∣ = k ∣ S ∣ ∣ E 2 ∣ = k ∣ N ( S ) ∣ \begin{cases} |E_1| = k |S|\\ |E_2| = k |N(S)| \end{cases} {∣E1∣=k∣S∣∣E2∣=k∣N(S)∣
得到
k ∣ N ( S ) ∣ > k ∣ S ∣ k |N(S)| > k |S| k∣N(S)∣>k∣S∣
即
∣ N ( S ) ∣ > ∣ S ∣ |N(S)| > |S| ∣N(S)∣>∣S∣
由 H a l l Hall Hall定理知, G G G中一定含有渗透 X X X中所有顶点的匹配 M M M
又因为 ∣ X ∣ = ∣ Y ∣ |X| = |Y| ∣X∣=∣Y∣
所以 M M M为理想匹配
X X X中每个顶点都渗透了,又因为 X X X中每个顶点的的匹配点一定是在 Y Y Y中,故 Y Y Y中所有顶点也被渗透了
推论 5.2.2( t t t条件)
设 G G G是划分为 ( X , Y ) (X, Y) (X,Y)的二部图,若存在整数 t > 0 t>0 t>0,使得
- X X X中的每个顶点 x i x_i xi,都有 d ( x i ) ≥ t d(x_i) \geq t d(xi)≥t
- Y Y Y中的每个顶点 y i y_i yi,都有 d ( y i ) ≤ t d(y_i)\leq t d(yi)≤t
则 G G G中必有渗透 X X X的匹配
证明
令 S S S是 X X X中任意一个非空子集
再设
E 1 E_1 E1是与 S S S中顶点相关联的边集
E 2 E_2 E2是与 N ( S ) N(S) N(S)中顶点相关联的边集
则有
E 1 ⊆ E 2 或 ∣ E 1 ∣ ≤ ∣ E 2 ∣ E_1 \subseteq E_2 \quad或 \quad|E_1| \leq |E_2| E1⊆E2或∣E1∣≤∣E2∣
E 1 E_1 E1是与 S S S中顶点相关联的边集,且 E 1 E_1 E1两个端点中另一个端点一定是在 N ( S ) N(S) N(S)中
所以 E 1 E_1 E1是 E 2 E_2 E2的一个子集
再分别计算 ∣ E 1 ∣ 、 ∣ E 2 ∣ |E_1|、|E_2| ∣E1∣、∣E2∣
∣ E 1 ∣ = ∑ x ∈ S d ( x ) ≥ t ∣ S ∣ |E_1|=\sum_{x\in S}d(x) \geq t|S| ∣E1∣=x∈S∑d(x)≥t∣S∣
∣ E 2 ∣ = ∑ y ∈ N ( S ) d ( y ) ≤ t ∣ N ( S ) ∣ |E_2|=\sum_{y\in N(S)}d(y) \leq t|N(S)| ∣E2∣=y∈N(S)∑d(y)≤t∣N(S)∣
得到
t ∣ N ( S ) ∣ ≥ ∣ E 2 ∣ ≥ ∣ E 2 ∣ ≥ t ∣ S ∣ t|N(S)| \geq |E_2| \geq |E_2| \geq t|S| t∣N(S)∣≥∣E2∣≥∣E2∣≥t∣S∣
即
∣ N ( S ) ∣ > ∣ S ∣ |N(S)| > |S| ∣N(S)∣>∣S∣
由 H a l l Hall Hall定理知, G G G中一定有渗透 X X X的匹配
5.2.3 Konig定理
定义5.5
设 G = ( V , E ) , K ⊆ V G=(V,E),K\subseteq V G=(V,E),K⊆V
(1)若 G G G的每条边至少有一个端点属于 K K K,则称 K K K是 G G G的一个覆盖
(2)若 K K K是 G G G的一个覆盖, ∀ v ∈ V , K − { v } \forall v \in V, K - \{v\} ∀v∈V,K−{v}不是覆盖,则称 K K K为极小覆盖
(3)若 K K K是 G G G的一个覆盖,但无覆盖 K ′ K^{'} K′,使得 ∣ K ′ ∣ < ∣ K ∣ |K^{'}| <|K| ∣K′∣<∣K∣,则称 K K K为最小覆盖,用 α ( G ) \alpha(G) α(G)表示 G G G中最小覆盖的顶点数, α ( G ) \alpha(G) α(G)称为 G G G的覆盖数
Note
- 一般最小覆盖必定是极小覆盖
- 但极小覆盖却不一定是最小覆盖
覆盖:顶点覆盖图中所有边,即若 K K K是覆盖,则 G − K G - K G−K为无边图
若 K K K是 G G G的覆盖, M M M是 G G G的匹配
则 K K K要覆盖 M M M,至少需要 ∣ M ∣ |M| ∣M∣个顶点,因此有
∣ K ∣ ≥ ∣ M ∣ |K| \geq |M| ∣K∣≥∣M∣
从而
α ( G ) ≥ ∣ M ∣ \alpha(G) \geq |M| α(G)≥∣M∣
引理 5.2.1
设 K K K与 M M M分别是 G G G的覆盖与匹配,则
∣ M ∣ ≤ ∣ K ∣ |M| \leq |K| ∣M∣≤∣K∣
引理 5.2.2
若 G G G存在匹配 M M M和覆盖 K K K,使得 ∣ M ∣ = ∣ K ∣ |M| = |K| ∣M∣=∣K∣
则 M M M是最大匹配, K K K是最小覆盖
证明
设 K ~ , M ∗ \tilde{K},M^{*} K~,M∗分别是 G G G的最小覆盖和最大匹配,则有
∣ K ∣ ≥ ∣ K ~ ∣ ≥ ∣ M ∗ ∣ ≥ ∣ M ∣ |K| \geq |\tilde{K}| \geq |M^{*}| \geq |M| ∣K∣≥∣K~∣≥∣M∗∣≥∣M∣
一般的覆盖数肯定是大于等于最小覆盖数
最大匹配数大于一般的匹配数
最小覆盖数大于等于最大匹配(可以由引理5.2.1推出)
又因为
∣ k ∣ = ∣ M ∣ |k| = |M| ∣k∣=∣M∣
得到
∣ K ∣ = ∣ K ~ ∣ = ∣ M ∗ ∣ = ∣ M ∣ |K| = |\tilde{K}| = |M^{*}| = |M| ∣K∣=∣K~∣=∣M∗∣=∣M∣
综上
- M M M也是最大匹配
- K K K也是最小覆盖
定理 5.3 (Konig定理)
设 G G G是二部图, M ∗ M^{*} M∗是 G G G的最大匹配, K ~ \tilde{K} K~是 G G G的最小覆盖,则
∣ M ∗ ∣ = ∣ K ~ ∣ = α ( G ) |M^{*}| = |\tilde{K}| = \alpha(G) ∣M∗∣=∣K~∣=α(G)
若 G G G是一般图,则为 ∣ M ∗ ∣ ≤ ∣ K ~ ∣ |M^{*}| \leq |\tilde{K}| ∣M∗∣≤∣K~∣
若 G G G是二部图,则为 ∣ M ∗ ∣ = ∣ K ~ ∣ |M^{*}| = |\tilde{K}| ∣M∗∣=∣K~∣
证明
设 G G G是二部图,其划分为 ( X , Y ) (X, Y) (X,Y)
若 M ∗ M^{*} M∗渗透 X X X的所有顶点,则有
∣ M ∗ ∣ = ∣ X ∣ |M^{*}| = |X| ∣M∗∣=∣X∣
∣ M ∗ ∣ |M^{*}| ∣M∗∣表示匹配的数量(两个顶点间有匹配边算一个匹配)
这时,显然 X X X是一个最小覆盖,有 ∣ X ∣ = ∣ K ~ ∣ |X| = |\tilde{K}| ∣X∣=∣K~∣
二部图 G G G在这个应该是连通图
X X X中顶点关联的边都与 Y Y Y中顶点相连
所以 X X X是一个最小覆盖
综上有
∣ M ∗ ∣ = ∣ K ~ ∣ = α ( G ) |M^{*}| = |\tilde{K}| = \alpha(G) ∣M∗∣=∣K~∣=α(G)
若在 X X X中存在非渗透点
令 U U U是 X X X中的 M ∗ M^{*} M∗非渗透点的集合,如下图所示
设 Z Z Z是由 M ∗ M^{*} M∗交错路径与 U U U中顶点相连通的顶点之集合
令
- S = Z ∩ X S = Z \cap X S=Z∩X
- T = Z ∩ Y T = Z \cap Y T=Z∩Y
有
N ( S ) = T N(S) = T N(S)=T
又令
K ~ = ( X − S ) ∪ T \tilde{K} = (X - S) \cup T K~=(X−S)∪T
则 G G G中每一条边至少都有一端在 K ~ \tilde{K} K~中
若有一条边的一端在 S S S中,另一个端点在 Y − T Y - T Y−T中,这与 N ( S ) = T N(S) = T N(S)=T产生矛盾
说明 K ~ \tilde{K} K~是 G G G的一个覆盖,且 ∣ M ∗ ∣ = ∣ K ~ ∣ |M^{*}| = |\tilde{K}| ∣M∗∣=∣K~∣
根据引理 5.3.2得
K ~ \tilde{K} K~是 G G G的一个最小覆盖
5.2.4 Tutte定理
定义 5.6
图的顶点数为奇数的连通片称为齐片,顶点数为偶数的连通片为偶片
用 0 ( G ) 0(G) 0(G)表示 G G G中齐片的个数
定理 5.4(Tutte定理)
图 G G G中有理想匹配的充要条件是对于一切 S ⊆ V S\subseteq V S⊆V,有
0 ( G − S ) ≤ ∣ S ∣ 0(G- S) \leq |S| 0(G−S)≤∣S∣
证明
推论 5.4
每个无割边的3-正则图有理想匹配
结语
说明:
- 参考于 课本《图论》
- 配合书中概念讲解 结合了自己的一些理解及思考
文章仅作为学习笔记,记录从0到1的一个过程
希望对您有一点点帮助,如有错误欢迎小伙伴指正
【机器学习|数学基础】Mathematics for Machine Learning系列之图论(10):匹配基本定理相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之图论(8):割边、割集、割点
文章目录 前言 系列文章 3.2 割边.割集.割点 3.2.1 割边与割集 定理3.4 推论3.4 定理3.5 补充知识 定义3.3:割集 定义3.4 定理3.6 生成树与割集的对比 3.2.2 割点 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之图论(9):匹配的概念
文章目录 前言 系列文章 5.1 匹配的概念 定义5.1 定义5.2 定义 5.3 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ଘ(੭ ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
目录 前言 往期文章 4.1 向量范数及其性质 4.1.1 向量范数的概念及P-范数 定义4.1 例1 向量的几种范数 4.1.2 n n n维线性空间 V V V上的向量范数等价性 定理4.1.1 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(20):用配方法化二次型为标准形
目录 前言 往期文章 5.6 用配方法化二次型为标准形 题目一 题目二 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ଘ(੭ˊᵕˋ)੭ ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(10):向量组及其线性组合
文章目录 前言 往期文章 4.1 向量组及其线性组合 定义1 定义2 定理1 定义3 定理2 推论 举例 例 1 例2 定理3 小结 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(21):正定二次型
目录 前言 往期文章 5.7 正定二次型 定理9:惯性定理 定义10 定理10 推论 定理11:赫尔维茨定理 举例 例17 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(26):线性变换的矩阵表达式
目录 前言 往期文章 6.5 线性变换的矩阵表达式 定义6 定理2 定义7 举例 例11 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
目录 前言 往期文章 幂级数 一.函数项级数的概念 定义:(函数项)无穷级数 幂级数及其收敛性 幂级数 定理1(阿贝尔定理) 推论 定理2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
目录 前言 往期文章 5.2 函数矩阵的微分和积分 5.2.1 函数矩阵对自变量的微分和积分 定义5.3:函数矩阵 定义5.4:函数矩阵的微分 单元函数矩阵的一些性质 例1 定义5.5 函数矩阵的积分 ...
最新文章
- pat 食物链(状态压缩求哈密顿回路)
- cpu线程_记w3wp占用CPU过高解决过程Dictionary线程安全
- 回首经典的SQL Server 2005
- Redis学习(一)——
- maven 打包编译_您是否真的想加快Maven的编译/打包速度? 那么takari生命周期插件就是答案。...
- 汇编程序中,字符数据和ASCII的对应关系
- OpenDrive ARC绘制秘籍
- Linux学习笔记(五)
- nginx nodejs环境配置_在Linux系统配置Nodejs环境的最简单步骤,部署多个thinkjs(nodejs)项目...
- uc浏览器邀请码_阿里云Teambition网盘收到邀请码,上传下载不限速!!!
- 重庆市最新轨道交通SHP数据 - 202201
- 截至9月28日聚合支付牌照知多少,附名单
- 建了个微信交流群,和我一起在 b 站学 Python
- .NET Core中Expression<Func<T,bool>>简洁明了
- C++异常处理机制由浅入深, 以及函数调用汇编过程底层刨析. C++11智能指针底层模拟实现
- mesos papers
- JAVA线程状态的10种转换
- 基于AT89S52单片机的蘑菇大棚环境监测系统论文(附录代码)
- Ubuntu如何安装搜狗输入法
- 吞食天地2西瓜魅影 萌新版自通攻略
热门文章
- java 向上、向下取整,四舍五入
- 《网络安全入门到精通》- 3.1 - 数据库 - MySQL数据库
- split( ) 和 split( , -1) 区别
- Vue — 详解mixins混入使用
- android oncreate添加代码出错',android – requestFeature()必须在super.onCreate添加内容错误之前调用...
- 微信小程序替换服务器,小程序更换服务器器及域名走过的坑
- php csv文件打开乱码怎么办,PHP生成UTF-8编码的CSV文件打开乱码的解决方法
- 【Hive SQL】常用日期函数汇总
- 云和恩墨2018恭贺新春!
- 机器学习算法笔记--------建立西瓜数据集