1.1 矩阵与线性方程组-矩阵的基本运算
1 矩阵的基本运算
1.1 矩阵与向量
我们经常会遇到m×nm\times nm×n线性方程组:
{a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋯am1x1+am2x2+⋯+amnxn=bm(1.1.1)\begin{cases}a_{11}x_1+a_{12}x_2+\cdots+a_{1n}x_n=b_1\\a_{21}x_1+a_{22}x_2+\cdots+a_{2n}x_n=b_2\\\cdots\\a_{m1}x_1+a_{m2}x_2+\cdots+a_{mn}x_n=b_m\end{cases}\quad\quad\quad\quad\quad(1.1.1)⎩⎪⎪⎪⎨⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋯am1x1+am2x2+⋯+amnxn=bm(1.1.1)
它使用m个方程描述n个未知量之间的线性关系。这一线性方程组可以使用如下的向量形式简记为:
Ax=b(1.1.2)Ax=b\quad\quad\quad\quad\quad(1.1.2)Ax=b(1.1.2)
式中:
A=[a11a12⋯a1na21a22⋯a2n⋮⋮⋮am1am2⋯amn](1.1.3)A=\begin{bmatrix}a_{11}&a_{12}&\cdots&a_{1n}\\a_{21}&a_{22}&\cdots&a_{2n}\\\vdots&\vdots&&\vdots\\a_{m1}&a_{m2}&\cdots&a_{mn}\end{bmatrix}\quad\quad\quad\quad\quad(1.1.3)A=⎣⎢⎢⎢⎡a11a21⋮am1a12a22⋮am2⋯⋯⋯a1na2n⋮amn⎦⎥⎥⎥⎤(1.1.3)
称为m×nm\times nm×n矩阵,是一个按照长方形阵列排列的复数或实数集合;而:
x=[x1x2⋮xm],b=[b1b2⋮bn](1.1.4)x=\begin{bmatrix}x_1\\x_2\\\vdots\\x_m\end{bmatrix},\quad b=\begin{bmatrix}b_1\\b_2\\\vdots\\b_n\end{bmatrix}\quad\quad\quad\quad(1.1.4)x=⎣⎢⎢⎢⎡x1x2⋮xm⎦⎥⎥⎥⎤,b=⎣⎢⎢⎢⎡b1b2⋮bn⎦⎥⎥⎥⎤(1.1.4)
分别为m×1m\times1m×1向量和n×1n\times1n×1向量,是按照列方式排列的复数或实数集合,统称列向量。类似地,按照行方式排列的复数或实数集合称为行向量,例如:
a=[a1,a2,⋯,an](1.1.5)a=[a_1,a_2,\cdots,a_n]\quad\quad\quad\quad\quad(1.1.5)a=[a1,a2,⋯,an](1.1.5)
是1×n1\times n1×n向量。
一个n×nn\times nn×n正方矩阵AAA的主对角线是指从左上角到右下角沿i=j,j=1,2,…,ni=j,j=1,2,\dots,ni=j,j=1,2,…,n相连接的线段。位于主对角线上的元素称为AAA的对角元素。平行于主对角线沿∣i−j∣|i-j|∣i−j∣=常数相连接的线段称为AAA的对角线。
矩阵AAA从右上角到左下角相连接的线段称为矩阵AAA的交叉对角线(也称次对角线),它垂直于主对角线。
主对角线以外元素全部为零的n×nn\times nn×n矩阵称为对角矩阵,记作:
D=diag(d11,d22,…,dnn)(1.1.8)D=diag(d_{11},d_{22},\dots,d_{nn})\quad\quad\quad\quad\quad(1.1.8)D=diag(d11,d22,…,dnn)(1.1.8)
若对角矩阵主对角线元素全部等于1,则称其为单位矩阵,用In×nI_{n\times n}In×n表示。所有元素为零的m×nm\times nm×n矩阵称为零矩阵,记为Om×nO_{m\times n}Om×n。
一个全部元素为零的向量称为零向量。当位数已经明了或者不紧要时,常省去单位矩阵、零矩阵和零向量表示维数的下表,将它们分别简记为I,O,0I,O,0I,O,0。
只有一个元素为1,其他元素皆等于0的列向量称为基本向量,即:
e1=[100⋮0],e2=[010⋮0],…,en=[000⋮1](1.1.9)e_1=\begin{bmatrix}1\\0\\0\\\vdots\\0\end{bmatrix},\quad e_2=\begin{bmatrix}0\\1\\0\\\vdots\\0\end{bmatrix},\quad\dots,\quad e_n=\begin{bmatrix}0\\0\\0\\\vdots\\1\end{bmatrix}\quad\quad\quad\quad\quad\quad(1.1.9)e1=⎣⎢⎢⎢⎢⎢⎡100⋮0⎦⎥⎥⎥⎥⎥⎤,e2=⎣⎢⎢⎢⎢⎢⎡010⋮0⎦⎥⎥⎥⎥⎥⎤,…,en=⎣⎢⎢⎢⎢⎢⎡000⋮1⎦⎥⎥⎥⎥⎥⎤(1.1.9)
显然,n×nn\times nn×n单位矩阵III可以用nnn个基本向量表示为I=[e1,e2,…,en]I=[e_1,e_2,\dots,e_n]I=[e1,e2,…,en]。
这里介绍后文将会使用的矩阵符号A(i1:ip,j1:jp)A(i_1:i_p,j_1:j_p)A(i1:ip,j1:jp),它表示由AAA的第i1∼ipi_1\sim i_pi1∼ip行和第j1∼jqj_1\sim j_qj1∼jq列组成的一个子矩阵。例如:
A(3:6,2:4)=[a32a33a34a42a43a44a52a53a54a62a63a64]A(3:6,2:4)=\begin{bmatrix}a_{32}&&a_{33}&&a_{34}\\a_{42}&&a_{43}&&a_{44}\\a_{52}&&a_{53}&&a_{54}\\a_{62}&&a_{63}&&a_{64}\end{bmatrix}A(3:6,2:4)=⎣⎢⎢⎡a32a42a52a62a33a43a53a63a34a44a54a64⎦⎥⎥⎤
分块矩阵是一个以矩阵作元素的矩阵:
A=[Aij]=[A11A12…A1nA21A22…A2n⋮⋮⋮Am1Am2…Amn]A=[A_{ij}]=\begin{bmatrix}A_{11}&&A_{12}&&\dots&&A_{1n}\\A_{21}&&A_{22}&&\dots&&A_{2n}\\\vdots&&\vdots&& &&\vdots\\A_{m1}&&A_{m2}&&\dots&&A_{mn}\end{bmatrix}A=[Aij]=⎣⎢⎢⎢⎡A11A21⋮Am1A12A22⋮Am2………A1nA2n⋮Amn⎦⎥⎥⎥⎤
1.2 矩阵的基本运算
令RRR表示实数集合,CCC表示复数集合。一个复矩阵定义为按照长方阵列排列的复数集合,记作:
A∈Cm×n⟺A=[aij],aij∈C,i=1,2,…,m;j=1,2,…,n(1.1.10)A\in C^{m\times n}\iff A=[a_{ij}], a_{ij}\in C,\quad i=1,2,\dots,m;j=1,2,\dots,n\quad\quad\quad(1.1.10)A∈Cm×n⟺A=[aij],aij∈C,i=1,2,…,m;j=1,2,…,n(1.1.10)
类似地,一个实矩阵记作:
A∈Rm×n⟺A=[aij],aij∈R,i=1,2,…,m;j=1,2,…,n(1.1.11)A\in R^{m\times n}\iff A=[a_{ij}], a_{ij}\in R,\quad i=1,2,\dots,m;j=1,2,\dots,n\quad\quad\quad(1.1.11)A∈Rm×n⟺A=[aij],aij∈R,i=1,2,…,m;j=1,2,…,n(1.1.11)
定义1.1.1
若A=[aij]A=[a_{ij}]A=[aij]是一个m×nm\times nm×n矩阵,则AAA的转置记作ATA^TAT,是一个n×mn\times mn×m矩阵,定义为[AT]ij=aji[A^T]_{ij}=a_{ji}[AT]ij=aji;矩阵AAA的复数共轭(实部相同,虚部相反)A∗A^*A∗定义为[A∗]ij=aij∗[A^*]_{ij}=a_{ij}^*[A∗]ij=aij∗;复共轭转置记作AHA^HAH,定义为:
AH=[a11∗a21∗…am1∗a12∗a22∗…am2∗⋮⋮⋮a1n∗a2n∗…amn∗](1.1.12)A^H=\begin{bmatrix}a_{11}^*&&a_{21}^*&&\dots&&a_{m1}^*\\a_{12}^*&&a_{22}^*&&\dots&&a_{m2}^*\\\vdots&&\vdots&& &&\vdots\\a_{1n}^*&&a_{2n}^*&&\dots&&a_{mn}^*\end{bmatrix}\quad\quad\quad\quad\quad (1.1.12)AH=⎣⎢⎢⎢⎡a11∗a12∗⋮a1n∗a21∗a22∗⋮a2n∗………am1∗am2∗⋮amn∗⎦⎥⎥⎥⎤(1.1.12)
共轭转置又叫Hermitian伴随、Hermitian转置或Hermitian共轭。满足AH=AA^H=AAH=A的正方复矩阵称为Hermitian矩阵或共轭对称矩阵。
共轭转置与转置之间存在下列关系:
AH=(A∗)T=(AT)∗(1.1.13)A^H=(A^*)^T=(A^T)^*\quad\quad\quad\quad\quad\quad(1.1.13)AH=(A∗)T=(AT)∗(1.1.13)
一个m×nm\times nm×n分块矩阵AAA的共轭转置是一个由AAA的元素的共轭转置组成的n×mn\times mn×m分块矩阵:
矩阵加法与乘法
定义1.1.2(矩阵加法的定义)
两个 m×nm\times nm×n 矩阵 A=[aij]A=[a_{ij}]A=[aij] 和 B=[bij]B=[b_{ij}]B=[bij] 之和记作A+BA+BA+B,定义为[A+B]ij=aij+bij[A+B]_{ij}=a_{ij}+b_{ij}[A+B]ij=aij+bij
定义1.1.3
令A=[aij]A=[a_{ij}]A=[aij]是一个m×nm\times nm×n矩阵,且α\alphaα是一个标量。乘积αA\alpha AαA是一个m×nm\times nm×n矩阵,定义为[αA]ij=αaij[\alpha A]_{ij}=\alpha a_{ij}[αA]ij=αaij
定义1.1.3可以推广为矩阵与向量的乘积、矩阵与矩阵的乘积。
定义1.1.4
m×nm\times nm×n矩阵A=[aij]A=[a_{ij}]A=[aij]与r×1r\times1r×1向量x=[x1,x2,…,xr]Tx=[x_1,x_2,\dots,x_r]^Tx=[x1,x2,…,xr]T的乘积AxAxAx只有当n=rn=rn=r时才存在,它是一个m×1m\times1m×1向量,定义为:
[Ax]i=∑j=1naijxj,,i=1,2,…,m[Ax]_i=\sum\limits_{j=1}^na_{ij}x_j,\quad,i=1,2,\dots,m[Ax]i=j=1∑naijxj,,i=1,2,…,m
定义1.1.5(矩阵乘积的定义,重要)
m×nm\times nm×n矩阵A=[aij]A=[a_{ij}]A=[aij]与r×sr\times sr×s矩阵B=[bij]B=[b_{ij}]B=[bij]的乘积ABABAB只有当n=rn=rn=r时才存在,它是一个m×sm\times sm×s矩阵,定义为:
[AB]ij=∑k=1naikbkj,i=1,2,…,m;j=1,2,…,s[AB]_{ij}=\sum\limits_{k=1}^na_{ik}b_{kj},\quad i=1,2,\dots,m;\ j=1,2,\dots,s[AB]ij=k=1∑naikbkj,i=1,2,…,m; j=1,2,…,s
根据定义,容易验证矩阵的加法服从下面的运算规则:
- 加法交换律:A+B=B+AA+B=B+AA+B=B+A
- 加法结合律:(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)(A+B)+C=A+(B+C)
定理1.1.1
矩阵的乘积服从下面的运算法则:
- 乘法结合律:若A∈Cm×n,B∈Cn×p,C∈Cp×qA\in C^{m\times n},B\in C^{n\times p},C\in C^{p\times q}A∈Cm×n,B∈Cn×p,C∈Cp×q,则A(BC)=(AB)CA(BC)=(AB)CA(BC)=(AB)C
- 乘法左分配律:若AAA和BBB是两个m×nm\times nm×n矩阵,且CCC是一个n×pn\times pn×p矩阵,则(A+B)C=AC+BC(A+B)C=AC+BC(A+B)C=AC+BC
- 乘法右分配律:若AAA是一个m×nm\times nm×n矩阵,且BBB和CCC是两个n×pn\times pn×p矩阵,则A(B+C)=AB+ACA(B+C)=AB+ACA(B+C)=AB+AC
- 若α\alphaα是一个标量,并且AAA和BBB是两个m×nm\times nm×n矩阵,则α(A+B)=αA+αB\alpha(A+B)=\alpha A+\alpha Bα(A+B)=αA+αB
一般来说,矩阵的乘法不满足交换律,即AB≠BAAB\ne BAAB=BA
矩阵的逆矩阵
令向量 x=[x1,x2,…,xn]Tx=[x_1,x_2,\dots,x_n]^Tx=[x1,x2,…,xn]T 和 y=[y1,y2,…,yn]Ty=[y_1,y_2,\dots,y_n]^Ty=[y1,y2,…,yn]T ,矩阵与向量的乘积 Ax=yAx=yAx=y 可视为向量 xxx 的线性变换结果。此时,n×nn\times nn×n 矩阵 AAA 称为线性变换矩阵。若向量 yyy 到 xxx 的线性变换 A−1A^{-1}A−1 存在,则:
x=A−1y(1.1.14)x=A^{-1}y\quad\quad\quad\quad\quad\quad(1.1.14)x=A−1y(1.1.14)
这一方程可视为在原线性变换Ax=yAx=yAx=y两边左乘A−1A^{-1}A−1之后得到的结果 A−1Ax=A−1yA^{-1}Ax=A^{-1}yA−1Ax=A−1y 。因此,线性逆变换 A−1A^{-1}A−1 应该满足 A−1A=IA^{-1}A=IA−1A=I 的关系。另一方面,x=A−1yx=A^{-1}yx=A−1y 也是可逆的,即两边左乘AAA后得到的Ax=AA−1yAx=AA^{-1}yAx=AA−1y应该与原线性变换Ax=yAx=yAx=y一致,故A−1A^{-1}A−1还应该满足AA−1=IAA^{-1}=IAA−1=I。
综合以上讨论,可以得到逆矩阵的定义如下:
定义1.1.6
令 AAA 是一个 n×nn\times nn×n 矩阵。如果可以找到一个 n×nn\times nn×n 矩阵 A−1A^{-1}A−1 满足 AA−1=A−1A=IAA^{-1}=A^{-1}A=IAA−1=A−1A=I,则称矩阵 AAA 可逆,并称 A−1A^{-1}A−1 是矩阵 AAA 的逆矩阵。
转置矩阵
下面是共轭、转置、共轭转置和逆矩阵的性质:
- 矩阵的共轭、转置和共轭转置满足分配律:
(A+B)∗=A∗+B∗(A+B)T=AT+BT(A+B)H=AH+BH(A+B)^*=A^*+B^*\\(A+B)^T=A^T+B^T\\(A+B)^H=A^H+B^H(A+B)∗=A∗+B∗(A+B)T=AT+BT(A+B)H=AH+BH - 矩阵乘积的转置、共轭转置和逆矩阵满足关系式:
(AB)T=BTAT(AB)H+BHAH(AB)−1=B−1A−1(这里需要A,B为可逆的正方矩阵)(AB)^T=B^TA^T\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\\(AB)^H+B^HA^H\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\\(AB)^{-1}=B^{-1}A^{-1}(这里需要A,B为可逆的正方矩阵)(AB)T=BTAT(AB)H+BHAH(AB)−1=B−1A−1(这里需要A,B为可逆的正方矩阵) - 共轭、转置和共轭转置等符号均可与求逆符号交换,即有:
(A∗)−1=(A−1),(AT)−1=(A−1)T,(AH)−1=(A−1)H(A^*)^{-1}=(A^{-1}),\quad (A^T)^{-1}=(A^{-1})^T,\quad (A^H)^{-1}=(A^{-1})^H(A∗)−1=(A−1),(AT)−1=(A−1)T,(AH)−1=(A−1)H - 对于任意矩阵AAA,矩阵B=AHAB=A^HAB=AHA都是Hermitian矩阵。若AAA可逆,则对于Hermitian矩阵B=AHAB=A^HAB=AHA,有A−HBA−1=A−HAHAA−1=IA^{-H}BA^{-1}=A^{-H}A^HAA^{-1}=IA−HBA−1=A−HAHAA−1=I
在一些应用中,常常涉及一个n×nn\times nn×n矩阵AAA与它自身的乘积,从中可以引出两个重要的概念。
定义1.1.7
矩阵An×nA_{n\times n}An×n称为幂等矩阵 (idempotent matrix),若A2=AA=AA^2=AA=AA2=AA=A
定义1.1.8
矩阵An×nA_{n\times n}An×n称为对合矩阵(involuntory matrix),若A2=AA=IA^2=AA=IA2=AA=I
与矩阵乘积密切相关的运算是两个矩阵之间的内积。
令 A∈Cm×nA\in C^{m\times n}A∈Cm×n 和 B∈Cm×pB\in C^{m\times p}B∈Cm×p 为复矩阵。矩阵 AAA 和 BBB 的内积记作 ⟨A,B⟩\langle A,B\rangle⟨A,B⟩ ,定义为:
⟨A,B⟩=AHB(1.1.15)\langle A,B\rangle=A^HB\quad\quad\quad\quad\quad\quad\quad(1.1.15)⟨A,B⟩=AHB(1.1.15)
1.3 向量的线性无关与非奇异矩阵
考查式 (1.1.1) 描述的 m×nm\times nm×n 线性方程组,它可写成矩阵方程 Ax=bAx=bAx=b 。若记 A=[a1,a2,…,an]A=[a_1,a_2,\dots,a_n]A=[a1,a2,…,an] ,则式(1.1.1)的m个方程可以合并写成标量与向量乘积之和:
a1x1+a2x2+⋯+anxn=ba_1x_1+a_2x_2+\cdots+a_nx_n=ba1x1+a2x2+⋯+anxn=b
这称为列向量a1,a2,…,ana_1,a_2,\dots,a_na1,a2,…,an的线性组合(理解上面这个式子,比较重要)。
定义1.1.9
向量的线性无关可以准确地描述什么样的n×nn\times nn×n线性方程组Ax=bAx=bAx=b具有唯一的非零解xxx。
定义1.1.10
一个n×nn\times nn×n矩阵AAA是非奇异的,当且仅当矩阵方程Ax=0Ax=0Ax=0只有零解x=0x=0x=0。若AAA不是非奇异的,则称AAA奇异。
由于线性方程组Ax=0Ax=0Ax=0等价为:
a1x1+a2x2+⋯+anxn=0a_1x_1+a_2x_2+\dots+a_nx_n=0a1x1+a2x2+⋯+anxn=0
式中,A=[a1,a2,…,an]A=[a_1,a_2,\dots,a_n]A=[a1,a2,…,an]。由定义1.1.10立即可以得出结论:当且仅当矩阵AAA的列向量a1,a2,…,ana_1,a_2,\dots,a_na1,a2,…,an线性无关时,矩阵方程Ax=0Ax=0Ax=0只有零解x=0x=0x=0,即矩阵AAA是非奇异的。由于这一结果的重要性,现在用定理进行描述。
定理1.1.2
n×nn\times nn×n矩阵A=[a1,a2,…,an]A=[a_1,a_2,\dots,a_n]A=[a1,a2,…,an]是非奇异的,当且仅当它的nnn个列向量a1,a2,…,ana_1,a_2,\dots,a_na1,a2,…,an线性无关。
1.4 初等行变换与阶梯型矩阵
定义1.1.13[240]1.1.13^{[240]}1.1.13[240]
一个阶梯型矩阵称为简约阶梯型(reduced echelon form),若每一非零行的首项元素等于1(即为首一元素),并且没有给首一元素也是它所在列唯一的非零元素。
1.5 基于初等行变换的矩阵方程求解
1.1 矩阵与线性方程组-矩阵的基本运算相关推荐
- matlab 解方程组 矩阵,用MATLAB计算矩阵和解线性方程组.ppt
用MATLAB计算矩阵和解线性方程组.ppt 第五章 矩阵与行列式 §5.6 用MATLAB计算 矩阵与行列式 用MATLAB计算矩阵与行列式 行列式的求值 矩阵的基本运算 矩阵的加.减 数与矩阵相乘 ...
- matlab 病态方程组,数值分析(Hilbert矩阵)病态线性方程组的求解Matlab程序
(Hilbert 矩阵)病态线性方程组的求解 理论分析表明,数值求解病态线性方程组很困难.考虑求解如下的线性方程组的求解Hx = b ,期中H 是Hilbert 矩阵,()ij n n H h ?=, ...
- 多视图几何总结——基础矩阵、本质矩阵和单应矩阵的求解过程
多视图几何总结--基础矩阵.本质矩阵和单应矩阵的求解过程 多视图几何总结--基础矩阵.本质矩阵和单应矩阵的求解过程 1. 说明--其实求解过程大同小异 2. 单应矩阵求解过程 2.1 基于代数误差的线 ...
- lu分解法matlab_MIT 18.065—机器学习中的矩阵方法02 矩阵乘法与矩阵分解
数据分析.信号处理和机器学习中的矩阵方法 第02讲 矩阵乘法与矩阵分解 新MIT 线性代数|机器学习(中英机翻字幕)18.065 by Gilbert Strang_哔哩哔哩 (゜-゜)つロ 干杯~- ...
- matlab矩阵定义、矩阵元素引用、矩阵操作
矩阵定义 直接输入法 A=[1 2 3;4 5 6;7 8 9] 矩阵用方括号 "[ ]" 括起 矩阵同一行中的元素之间用 空格 或 逗号 分隔 矩阵行与行之间用 分号 分开 直接 ...
- 矩阵光学 matlab,矩阵光学知识讲义.doc
矩阵光学 魏光辉 第一章 矩阵及其运算 1.1矩阵.矢量和张量 矩阵的概念: 对角矩阵: (对角矩阵即为除了对角线的元素外,其它元素阶为零) 单位矩阵: 标量.矢量和张量:三维空间的m阶张量可以有个独 ...
- 矩阵光学 matlab,矩阵光学.doc
矩阵光学.doc 矩阵光学 魏光辉第一章 矩阵及其运算1.1矩阵.矢量和张量矩阵的概念:对角矩阵: (对角矩阵即为除了对角线的元素外,其它元素阶为零)单位矩阵:标量.矢量和张量:三维空间的m阶张量可以 ...
- Jacobian矩阵和Hessian矩阵,LM最优化方法
1. 前言 熟悉机器学习的童鞋都知道,优化方法是其中一个非常重要的话题,最常见的情形就是利用目标函数的导数通过多次迭代来求解无约束最优化问题.实现简单,coding 方便,是训练模型的必备利器之一.这 ...
- 高中计算机矩阵算法ppt,矩阵及其基本算法.ppt
<矩阵及其基本算法.ppt>由会员分享,可在线阅读,更多相关<矩阵及其基本算法.ppt(32页珍藏版)>请在人人文库网上搜索. 1.矩阵及其基本算法,计13 刘汝佳,矩阵及其基 ...
- SLAM笔记(四)运动恢复结构的几何数学(本征矩阵、单应矩阵、基础矩阵)
1. 间接法进行运动恢复的前提假设 对于结构与运动或视觉三维重建中,通常假设已经通过特征匹配等方法获取了匹配好的点对. 先求出匹配点对再获取结构和运动信息的方法称作间接法. 间接法最重要的三个假设是: ...
最新文章
- MindSpore API编程概述
- Jackson的简单用法
- 八个最好的开源机器学习框架和库
- ubuntu(14.04) 下配置重写
- jdk1.8新特性(四)——Optional
- 一部论述修养人生处世出世的集录_读《菜根谭》,人生本是修心的过程
- Ubuntu服务器运行js,让js一直运行下去
- 毕业设计word 表格标题 图表标题
- 常用的前端跨域的几种方式
- 【bzoj 十连测】[noip2016十连测第三场]Problem C: 序列(静态主席树)
- kafka in action
- xcode swift_CocoaPods Swift XCode教程
- chrome devTool
- IS-IS详解(五)——IS-IS 三次握手与两次握手
- docker compose入门
- linux工具apt、yum和dnf运用
- TMS320F28335与10位数模转换器TLC5615的SPI通讯问题1(DAC数模转换原理篇)
- mkv linux 封装字幕,【多媒体封装格式详解】---MKV【1】
- 给Rstudio修改背景和字体等设置教程
- Unity 水墨风格Shader
热门文章
- Linux 系统常用命令
- Hexo+GitHub搭建个人博客
- 在vscode中使用ajax,vscode中的ajax片段,
- Android强大log框架Logger使用详解
- Android自定义View【实战教程】1⃣️----attrs.xml详解
- 性能测试--jmeter中正则表达式提取器的使用【16】
- java参数化比特值,在Java中使用泛型的可选参数化
- 线程 daemon java user,Java线程_守护线程和用户线程
- 32位oracle_ORACLE如何优化代码将查询速度从5s提升到0.1s
- 新风系统风速推荐表_实验室通风系统的设计和应用