线性代数-MIT 18.06-5(b)
文章目录
- 23.微分方程和eAte^{At}eAt
- 微分方程dudt=Au\frac{\mathrm{d}u}{\mathrm{d}t}=Audtdu=Au
- 稳定性和收敛性
- 二阶矩阵特征值的判定方法
- 原理总结
- 指数矩阵eAte^{At}eAt
- 指数矩阵
- 稳定性和收敛性
- 二阶矩阵情形
- 24.马尔科夫矩阵、傅里叶级数
- 马尔科夫矩阵
- 定义
- 推论
- 证明
- 马尔科夫矩阵的应用
- 傅里叶级数
- 投影复习
- 傅里叶级数
- 函数正交
- 系数求解
- 25.复习二
- 知识点复习
- 例题复习
本文在学习《麻省理工公开课 线性代数 MIT 18.06 Linear Algebra》总结反思形成
视频链接:MIT-B站视频
笔记部分:总结参考子实
23.微分方程和eAte^{At}eAt
微分方程dudt=Au\frac{\mathrm{d}u}{\mathrm{d}t}=Audtdu=Au
本讲主要讲解解一阶方程(first-order system)、一阶导数(first derivative)、常系数(constant coefficient)线性方程
本讲将进一步涉及矩阵的指数形式。通过解一个例子来详细介绍计算方法。
**例1:**一阶导数常系数线性方程组
有方程组{du1dt=−u1+2u2du2dt=u1−2u2\begin{cases}\frac{\mathrm{d}u_1}{\mathrm{d}t}&=-u_1+2u_2\\\frac{\mathrm{d}u_2}{\mathrm{d}t}&=u_1-2u_2\end{cases}{dtdu1dtdu2=−u1+2u2=u1−2u2,则系数矩阵是A=[−121−2]A=\begin{bmatrix}-1&2\\1&-2\end{bmatrix}A=[−112−2],设初始条件为在000时刻u(0)=[u1u2]=[10]u(0)=\begin{bmatrix}u_1\\u_2\end{bmatrix}=\begin{bmatrix}1\\0\end{bmatrix}u(0)=[u1u2]=[10]。
这个初始条件的意义可以看做在开始时一切都在u1u_1u1中,但随着时间的推移,将有du2dt>0\frac{\mathrm{d}u_2}{\mathrm{d}t}>0dtdu2>0,因为u1u_1u1项初始为正,u1u_1u1中的事物会流向u2u_2u2。随着时间的发展我们可以追踪流动的变化。
根据上一讲所学的知识,我们知道第一步需要找到特征值与特征向量。A=[−121−2]A=\begin{bmatrix}-1&2\\1&-2\end{bmatrix}A=[−112−2],很明显这是一个奇异矩阵,所以第一个特征值是λ1=0\lambda_1=0λ1=0,另一个特征向量可以从迹得到tr(A)=−3tr(A)=-3tr(A)=−3。当然我们也可以用一般方法计算∣A−λI∣=∣−1−λ21−2−λ∣=λ2+3λ=0\left|A-\lambda I\right|=\begin{vmatrix}-1-\lambda&2\\1&-2-\lambda\end{vmatrix}=\lambda^2+3\lambda=0∣A−λI∣=∣∣∣∣−1−λ12−2−λ∣∣∣∣=λ2+3λ=0。
注:
1.特征值λ2=−3\lambda_2=-3λ2=−3将会逐渐消失,因为答案中将会有一项为e−3te^{-3t}e−3t,该项会随着时间的推移趋近于000。
2.答案的另一部分将有一项为e0te^{0t}e0t,该项是一个常数,其值为111,并不随时间而改变。
- 通常含有000特征值的矩阵会随着时间的推移达到稳态。
求特征向量,λ1=0\lambda_1=0λ1=0时,即求AAA的零空间,很明显x1=[21]x_1=\begin{bmatrix}2\\1\end{bmatrix}x1=[21];
λ2=−3\lambda_2=-3λ2=−3时,求A+3IA+3IA+3I的零空间,[2211]\begin{bmatrix}2&2\\1&1\end{bmatrix}[2121]的零空间为x2=[1−1]x_2=\begin{bmatrix}1\\-1\end{bmatrix}x2=[1−1]。
则方程组的通解为:u(t)=c1eλ1tx1+c2eλ2tx2u(t)=c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2u(t)=c1eλ1tx1+c2eλ2tx2,通解的前后两部分都是该方程组的纯解,即方程组的通解就是两个与特征值、特征向量相关的纯解的线性组合。我们来验证一下,比如取u=eλ1tx1u=e^{\lambda_1t}x_1u=eλ1tx1带入dudt=Au\frac{\mathrm{d}u}{\mathrm{d}t}=Audtdu=Au,对时间求导得到λ1eλ1tx1=Aeλ1tx1\lambda_1e^{\lambda_1t}x_1=Ae^{\lambda_1t}x_1λ1eλ1tx1=Aeλ1tx1,化简得λ1x1=Ax1\lambda_1x_1=Ax_1λ1x1=Ax1。
对比上一讲,解uk+1=Auku_{k+1}=Au_kuk+1=Auk时得到uk=c1λkx1+c2λkx2u_k=c_1\lambda^kx_1+c_2\lambda^kx_2uk=c1λkx1+c2λkx2,而解dudt=Au\frac{\mathrm{d}u}{\mathrm{d}t}=Audtdu=Au我们得到u(t)=c1eλ1tx1+c2eλ2tx2u(t)=c_1e^{\lambda_1t}x_1+c_2e^{\lambda_2t}x_2u(t)=c1eλ1tx1+c2eλ2tx2。
继续求c1,c2c_1,c_2c1,c2,u(t)=c1⋅1⋅[21]+c2⋅e−3t⋅[1−1]u(t)=c_1\cdot 1\cdot\begin{bmatrix}2\\1\end{bmatrix}+c_2\cdot e^{-3t}\cdot\begin{bmatrix}1\\-1\end{bmatrix}u(t)=c1⋅1⋅[21]+c2⋅e−3t⋅[1−1],已知t=0t=0t=0时,[10]=c1[21]+c2[1−1]\begin{bmatrix}1\\0\end{bmatrix}=c_1\begin{bmatrix}2\\1\end{bmatrix}+c_2\begin{bmatrix}1\\-1\end{bmatrix}[10]=c1[21]+c2[1−1](Sc=u(0)Sc=u(0)Sc=u(0)),所以c1=13,c2=13c_1=\frac{1}{3}, c_2=\frac{1}{3}c1=31,c2=31。
于是我们写出最终结果,u(t)=13[21]+13e−3t[1−1]u(t)=\frac{1}{3}\begin{bmatrix}2\\1\end{bmatrix}+\frac{1}{3}e^{-3t}\begin{bmatrix}1\\-1\end{bmatrix}u(t)=31[21]+31e−3t[1−1]。
稳定性和收敛性
稳定性:这个流动过程从u(0)=[10]u(0)=\begin{bmatrix}1\\0\end{bmatrix}u(0)=[10]开始,初始值111的一部分流入初始值000中,经过无限的时间最终达到稳态u(∞)=[2313]u(\infty)=\begin{bmatrix}\frac{2}{3}\\\frac{1}{3}\end{bmatrix}u(∞)=[3231]。
所以,要使得u(t)→0u(t)\to 0u(t)→0,则需要负的特征值。
但如果特征值为复数呢?如λ=−3+6i\lambda=-3+6iλ=−3+6i,我们来计算∣e(−3+6i)t∣\left|e^{(-3+6i)t}\right|∣∣e(−3+6i)t∣∣,其中的∣e6it∣\left|e^{6it}\right|∣∣e6it∣∣部分为∣cos6t+isin6t∣=1\left|\cos 6t+i\sin 6t\right|=1∣cos6t+isin6t∣=1,因为这部分的模为cos2α+sin2α=1\cos^2\alpha+\sin^2\alpha=1cos2α+sin2α=1,这个虚部就在单位圆上。
所以只有实数部分才是重要的。所以我们可以把前面的结论改为需要实部为负数的特征值。
实部会决定最终结果趋近于000或∞\infty∞,虚部不过是一些小杂音。
收敛态:需要其中一个特征值实部为000,而其他特征值的实部皆小于000。
发散态:如果某个特征值实部大于000。
上面的例子中,如果将AAA变为−A-A−A,特征值也会变号,结果发散。
二阶矩阵特征值的判定方法
再进一步,如何从直接判断任意二阶矩阵的特征值是否均小于零?
条件1:对于二阶矩阵A=[abcd]A=\begin{bmatrix}a&b\\c&d\end{bmatrix}A=[acbd],矩阵的迹为a+d=λ1+λ2a+d=\lambda_1+\lambda_2a+d=λ1+λ2,如果矩阵稳定,则迹应为负数。
但是这个条件还不够,有反例迹小于000依然发散:[−2001]\begin{bmatrix}-2&0\\0&1\end{bmatrix}[−2001],迹为−1-1−1但是仍然发散。
条件2:还需要加上一个条件,因为detA=λ1⋅λ2\det A=\lambda_1\cdot\lambda_2detA=λ1⋅λ2,所以还需要行列式为正数。
原理总结
总结:原方程组有两个相互耦合的未知函数,u1,u2u_1, u_2u1,u2相互耦合,而特征值和特征向量的作用就是解耦,也就是对角化(diagonalize)。
回到原方程组dudt=Au\frac{\mathrm{d}u}{\mathrm{d}t}=Audtdu=Au,将uuu表示为特征向量的线性组合u=Svu=Svu=Sv,代入原方程有Sdvdt=ASvS\frac{\mathrm{d}v}{\mathrm{d}t}=ASvSdtdv=ASv,两边同乘以S−1S^{-1}S−1得
dvdt=S−1ASv=Λv\frac{\mathrm{d}v}{\mathrm{d}t}=S^{-1}ASv=\Lambda v dtdv=S−1ASv=Λv
以特征向量为基,将uuu表示为SvSvSv,得到关于vvv的对角化方程组,新方程组不存在耦合,此时
{dv1dt=λ1v1dv2dt=λ2v2⋮⋮dvndt=λnvn\begin{cases}\frac{\mathrm{d}v_1}{\mathrm{d}t}&=\lambda_1v_1\\\frac{\mathrm{d}v_2}{\mathrm{d}t}&=\lambda_2v_2\\\vdots&\vdots\\\frac{\mathrm{d}v_n}{\mathrm{d}t}&=\lambda_nv_n\end{cases} ⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧dtdv1dtdv2⋮dtdvn=λ1v1=λ2v2⋮=λnvn
该方程组各未知函数间没有联系,它们的解的一般形式为v(t)=eΛtv(0)v(t)=e^{\Lambda t}v(0)v(t)=eΛtv(0),则原方程组的解的一般形式为
u(t)=eAtu(0)=SeΛtS−1u(0)u(t)=e^{At}u(0)=Se^{\Lambda t}S^{-1}u(0) u(t)=eAtu(0)=SeΛtS−1u(0)
这里引入了指数部分为矩阵的形式。
指数矩阵eAte^{At}eAt
指数矩阵
- **定义:**指数部分带有矩阵的情况称为指数矩阵(exponential matrix)。
理解指数矩阵的关键在于,将指数形式展开称为幂基数形式,就像ex=1+x22+x36+⋯e^x=1+\frac{x^2}{2}+\frac{x^3}{6}+\cdotsex=1+2x2+6x3+⋯一样
将eAte^{At}eAt展开成幂级数的形式为:
eAt=I+At+(At)22+(At)36+⋯+(At)nn!+⋯e^{At}=I+At+\frac{(At)^2}{2}+\frac{(At)^3}{6}+\cdots+\frac{(At)^n}{n!}+\cdots eAt=I+At+2(At)2+6(At)3+⋯+n!(At)n+⋯
两个极具美感的泰勒级数:ex=∑xnn!e^x=\sum \frac{x^n}{n!}ex=∑n!xn与11−x=∑xn\frac{1}{1-x}=\sum x^n1−x1=∑xn
(I−At)−1=I+At+(At)2+(At)3+⋯(I-At)^{-1}=I+At+(At)^2+(At)^3+\cdots (I−At)−1=I+At+(At)2+(At)3+⋯
这个式子在ttt非常小的时候,后面的高次项近似等于零,所以可以用来近似I−AtI-AtI−At的逆矩阵,通常近似为I+AtI+AtI+At
- 第一个级数对我们而言比第二个级数好,因为第一个级数总会收敛于某个值,所以exe^xex总会有意义,
- 而第二个级数需要AAA特征值的绝对值小于111(因为涉及矩阵的幂运算)。我们看到这些泰勒级数的公式对矩阵同样适用。
- 证明:回到正题,我们需要证明SeΛtS−1=eAtSe^{\Lambda t}S^{-1}=e^{At}SeΛtS−1=eAt,继续使用泰勒级数:
eAt=I+At+(At)22+(At)36+⋯+(At)nn!+⋯eAt=SS−1+SΛS−1t+SΛ2S−12t2+SΛ3S−16t3+⋯+SΛnS−1n!tn+⋯eAt=S(I+Λt+Λ2t22+Λ3t33+⋯+Λntnn+⋯)S−1eAt=SeΛtS−1e^{At}=I+At+\frac{(At)^2}{2}+\frac{(At)^3}{6}+\cdots+\frac{(At)^n}{n!}+\cdots\\ e^{At}=SS^{-1}+S\Lambda S^{-1}t+\frac{S\Lambda^2S^{-1}}{2}t^2+\frac{S\Lambda^3S^{-1}}{6}t^3+\cdots+\frac{S\Lambda^nS^{-1}}{n!}t^n+\cdots\\ e^{At}=S\left(I+\Lambda t+\frac{\Lambda^2t^2}{2}+\frac{\Lambda^3t^3}{3}+\cdots+\frac{\Lambda^nt^n}{n}+\cdots\right)S^{-1}\\ e^{At}=Se^{\Lambda t}S^{-1} eAt=I+At+2(At)2+6(At)3+⋯+n!(At)n+⋯eAt=SS−1+SΛS−1t+2SΛ2S−1t2+6SΛ3S−1t3+⋯+n!SΛnS−1tn+⋯eAt=S(I+Λt+2Λ2t2+3Λ3t3+⋯+nΛntn+⋯)S−1eAt=SeΛtS−1
需要注意的是,eAte^{At}eAt的泰勒级数展开是恒成立的,但这里却需要矩阵可对角化这个前提条件。
3.eΛte^{\Lambda t}eΛt性质
最后,我们来看看什么是eΛte^{\Lambda t}eΛt,我们将eAte^{At}eAt变为对角矩阵就是因为对角矩阵简单、没有耦合,
eΛt=[eλ1t0⋯00eλ2t⋯0⋮⋮⋱⋮00⋯eλnt]e^{\Lambda t}=\begin{bmatrix}e^{\lambda_1t}&0&\cdots&0\\0&e^{\lambda_2t}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&e^{\lambda_nt}\end{bmatrix} eΛt=⎣⎢⎢⎢⎡eλ1t0⋮00eλ2t⋮0⋯⋯⋱⋯00⋮eλnt⎦⎥⎥⎥⎤
=>有了u(t)=SeΛtS−1u(0)u(t)=Se^{\Lambda t}S^{-1}u(0)u(t)=SeΛtS−1u(0)
稳定性和收敛性
再来看矩阵的稳定性可知,所有特征值的实部均为负数时矩阵收敛,此时对角线上的指数收敛为000。
如果我们画出复平面,则要使微分方程存在稳定解,则特征值存在于复平面的左侧(即实部为负);
要使矩阵的幂收敛于000,则特征值存在于单位圆内部(即模小于111),这是幂稳定区域。(上一讲的差分方程需要计算矩阵的幂。)
二阶矩阵情形
同差分方程一样,我们来看二阶情况如何计算,有y′′+by′+k=0y''+by'+k=0y′′+by′+k=0。我们也模仿差分方程的情形,构造方程组
{y′′=−by′−kyy′=y′\begin{cases}y''&=-by'-ky\\y'&=y'\end{cases} {y′′y′=−by′−ky=y′
写成矩阵形式有
[y′′y′]=[−b−k10][y′y]\begin{bmatrix}y''\\y'\end{bmatrix}=\begin{bmatrix}-b&-k\\1&0\end{bmatrix}\begin{bmatrix}y'\\y\end{bmatrix} [y′′y′]=[−b1−k0][y′y]
令u′=[y′′y′],u=[y′y]u'=\begin{bmatrix}y''\\y'\end{bmatrix}, \ u=\begin{bmatrix}y'\\y\end{bmatrix}u′=[y′′y′], u=[y′y]。
继续推广
对于555阶微分方程
y′′′′′+by′′′′+cy′′′+dy′′+ey′+f=0y'''''+by''''+cy'''+dy''+ey'+f=0 y′′′′′+by′′′′+cy′′′+dy′′+ey′+f=0
则可以写作
[y′′′′′y′′′′y′′′y′′y′]=[−b−c−d−e−f10000010000010000010][y′′′′y′′′y′′y′y]\begin{bmatrix}y'''''\\y''''\\y'''\\y''\\y'\end{bmatrix}=\begin{bmatrix}-b&-c&-d&-e&-f\\1&0&0&0&0\\0&1&0&0&0\\0&0&1&0&0\\0&0&0&1&0\end{bmatrix}\begin{bmatrix}y''''\\y'''\\y''\\y'\\y\end{bmatrix} ⎣⎢⎢⎢⎢⎡y′′′′′y′′′′y′′′y′′y′⎦⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎡−b1000−c0100−d0010−e0001−f0000⎦⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡y′′′′y′′′y′′y′y⎦⎥⎥⎥⎥⎤
这样就把一个五阶微分方程化为5×55\times 55×5一阶方程组,然后就是求特征值、特征向量的步骤。
24.马尔科夫矩阵、傅里叶级数
马尔科夫矩阵
定义
马尔科夫矩阵(Markov matrix)是指具有以下两个特性的矩阵:
- 矩阵中的所有元素大于等于000;(因为马尔科夫矩阵与概率有关,而概率是非负的。)
- 每一列的元素之和为111
推论
对于马尔科夫矩阵,我们关心幂运算过程中的稳态(steady state)。与上一讲不同,指数矩阵关系特征值是否为000,而幂运算要达到稳态需要特征值为111。
根据上面两条性质,我们可以得出两个推论:
- 马尔科夫矩阵必有特征值为111;
- 其他的特征值的绝对值皆小于111。
幂运算
uk=Aku0=SΛkS−1u0=SΛkS−1Sc=SΛkc=c1λ1kx1+c2λ2kx2+⋯+cnλnkxnu_k=A^ku_0=S\Lambda^kS^{-1}u_0=S\Lambda^kS^{-1}Sc=S\Lambda^kc=c_1\lambda_1^kx_1+c_2\lambda_2^kx_2+\cdots+c_n\lambda_n^kx_n uk=Aku0=SΛkS−1u0=SΛkS−1Sc=SΛkc=c1λ1kx1+c2λ2kx2+⋯+cnλnkxn
从该公式很容易看出幂运算的稳态。比如我们取λ1=1\lambda_1=1λ1=1,其他的特征值绝对值均小于111,于是在经过kkk次迭代,随着时间的推移,其他项都趋近于000,于是在k→∞k\to\inftyk→∞时,有稳态uk=c1x1u_k=c_1x_1uk=c1x1,这也就是初始条件u0u_0u0的第111个分量。
证明
证明推论1:
取
A=[0.10.010.30.20.990.30.700.4]A=\begin{bmatrix}0.1&0.01&0.3\\0.2&0.99&0.3\\0.7&0&0.4\end{bmatrix} A=⎣⎡0.10.20.70.010.9900.30.30.4⎦⎤
则
A−I=[−0.90.010.30.2−0.010.30.70−0.6]A-I=\begin{bmatrix}-0.9&0.01&0.3\\0.2&-0.01&0.3\\0.7&0&-0.6\end{bmatrix} A−I=⎣⎡−0.90.20.70.01−0.0100.30.3−0.6⎦⎤
观察A−IA-IA−I易知其列向量中元素之和均为000,因为马尔科夫矩阵的性质就是各列向量元素之和为111,现在我们从每一列中减去了111,所以这是很自然的结果。而如果列向量中元素和为000,则矩阵的任意行都可以用“零减去其他行之和”表示出来,即该矩阵的行向量线性相关。
用以前学过的子空间的知识描述,当nnn阶方阵各列向量元素之和皆为111时,则有
[11⋮1]\begin{bmatrix}1\\1\\\vdots\\1\end{bmatrix} ⎣⎢⎢⎢⎡11⋮1⎦⎥⎥⎥⎤
在矩阵A−IA-IA−I左零空间中,即(A−I)T(A-I)^T(A−I)T行向量线性相关。
而AAA特征值111所对应的特征向量将在A−IA-IA−I的零空间中,因为Ax=x→(A−I)x=0Ax=x\rightarrow(A-I)x=0Ax=x→(A−I)x=0。
另外,特征值具有这样一个性质:矩阵与其转置的特征值相同。
那么如果det(A−λI)=0\det(A-\lambda I)=0det(A−λI)=0,则有det(A−λI)T=0\det(A-\lambda I)^T=0det(A−λI)T=0
根据矩阵转置的性质有det(AT−λIT)=0\det(A^T-\lambda I^T)=0det(AT−λIT)=0,即det(AT−λI)=0\det(A^T-\lambda I)=0det(AT−λI)=0。这正是ATA^TAT特征值的计算式。
然后计算特征值λ1=1\lambda_1=1λ1=1所对应的特征向量,(A−I)x1=0(A-I)x_1=0(A−I)x1=0,得出x1=[0.6330.7]x_1=\begin{bmatrix}0.6\\33\\0.7\end{bmatrix}x1=⎣⎡0.6330.7⎦⎤,特征向量中的元素皆为正。
马尔科夫矩阵的应用
用麻省和加州这两个州的人口迁移为例:
[ucalumass]k+1[0.90.20.10.8][ucalumass]k\begin{bmatrix}u_{cal}\\u_{mass}\end{bmatrix}_{k+1}\begin{bmatrix}0.9&0.2\\0.1&0.8\end{bmatrix}\begin{bmatrix}u_{cal}\\u_{mass}\end{bmatrix}_k [ucalumass]k+1[0.90.10.20.8][ucalumass]k
这个式子表示每年有1010%10的人口从加州迁往麻省,同时有2020%20的人口从麻省迁往加州。
注意使用马尔科夫矩阵的前提条件是随着时间的推移,矩阵始终不变。
- 设初始情况
[ucalumass]0=[01000]\begin{bmatrix}u_{cal}\\u_{mass}\end{bmatrix}_0=\begin{bmatrix}0\\1000\end{bmatrix} [ucalumass]0=[01000]
- 我们先来看第一次迁徙后人口的变化情况:
[ucalumass]1=[0.90.20.10.8][01000]=[200800]\begin{bmatrix}u_{cal}\\u_{mass}\end{bmatrix}_1=\begin{bmatrix}0.9&0.2\\0.1&0.8\end{bmatrix}\begin{bmatrix}0\\1000\end{bmatrix}=\begin{bmatrix}200\\800\end{bmatrix} [ucalumass]1=[0.90.10.20.8][01000]=[200800]
随着时间的推移,会有越来越多的麻省人迁往加州,而同时又会有部分加州人迁往麻省。
计算特征值:我们知道马尔科夫矩阵的一个特征值为λ1=1\lambda_1=1λ1=1,则另一个特征值可以直接从迹算出λ2=0.7\lambda_2=0.7λ2=0.7。
- 带入λ1=1\lambda_1=1λ1=1求A−IA-IA−I的零空间有
[−0.10.20.1−0.2]\begin{bmatrix}-0.1&0.2\\0.1&-0.2\end{bmatrix} [−0.10.10.2−0.2]
则x1=[21]x_1=\begin{bmatrix}2\\1\end{bmatrix}x1=[21],此时我们已经可以得出无穷步后稳态下的结果了。
u∞=c1[21]u_{\infty}=c_1\begin{bmatrix}2\\1\end{bmatrix} u∞=c1[21]
且人口总数始终为100010001000,则c1=10003c_1=\frac{1000}{3}c1=31000,稳态时
[ucalumass]∞=[2000310003]\begin{bmatrix}u_{cal}\\u_{mass}\end{bmatrix}_{\infty}=\begin{bmatrix}\frac{2000}{3}\\\frac{1000}{3}\end{bmatrix} [ucalumass]∞=[3200031000]
注意到特征值为111的特征向量元素皆为正。
- 为了求每一步的结果,我们必须解出所有特征向量。带入λ2=0.7\lambda_2=0.7λ2=0.7求A−0.7IA-0.7IA−0.7I的零空间
[0.20.20.10.1]\begin{bmatrix}0.2&0.2\\0.1&0.1\end{bmatrix} [0.20.10.20.1]
则x2=[−11]x_2=\begin{bmatrix}-1\\1\end{bmatrix}x2=[−11]。
通过u0u_0u0解出c1,c2c_1, c_2c1,c2,已知
uk=c11k[21]+c20.7k[−11]u_k=c_11^k\begin{bmatrix}2\\1\end{bmatrix}+c_20.7^k\begin{bmatrix}-1\\1\end{bmatrix} uk=c11k[21]+c20.7k[−11]
带入k=0k=0k=0得
u0=[01000]=c1[21]+c2[−11]u_0=\begin{bmatrix}0\\1000\end{bmatrix}=c_1\begin{bmatrix}2\\1\end{bmatrix}+c_2\begin{bmatrix}-1\\1\end{bmatrix} u0=[01000]=c1[21]+c2[−11]
解出c1=10003,c2=20003c_1=\frac{1000}{3}, c_2=\frac{2000}{3}c1=31000,c2=32000。
傅里叶级数
投影复习
在介绍傅里叶级数(Fourier se ries)之前,先来回顾一下投影。
设q1,q2,⋯qnq_1,q_2,\cdots q_nq1,q2,⋯qn为一组标准正交基,则向量vvv在该标准正交基上的展开为v=x1q1+x2q2+⋯+xnqnv=x_1q_1+x_2q_2+\cdots+x_nq_nv=x1q1+x2q2+⋯+xnqn,此时我们想要得到各系数xix_ixi的值。比如求x1x_1x1的值,我们自然想要消掉除x1q1x_1q_1x1q1外的其他项,这时只需要等式两边同乘以q1Tq_1^Tq1T,因为的qiq_iqi向量相互正交且长度为111,则qiTqj=0,qi2=1q_i^Tq_j=0, q_i^2=1qiTqj=0,qi2=1所以原式变为q1Tv=x1q_1^Tv=x_1q1Tv=x1。
写为矩阵形式有
[q1q2⋯qn][x1x2⋮xn]=v\Bigg[q_1\ q_2\ \cdots\ q_n\Bigg]\begin{bmatrix}x_1\\x_2\\\vdots\\x_n\end{bmatrix}=v [q1 q2 ⋯ qn]⎣⎢⎢⎢⎡x1x2⋮xn⎦⎥⎥⎥⎤=v
即Qx=vQx=vQx=v。所以有x=Q−1vx=Q^{-1}vx=Q−1v,
标准正交基有QT=Q−1Q^T=Q^{-1}QT=Q−1,所以我们不需要计算逆矩阵可直接得出x=QTvx=Q^Tvx=QTv。此时对于xxx的每一个分量有xi=qiTvx_i=q_i^Tvxi=qiTv。
傅里叶级数
接下来介绍傅里叶级数。先写出傅里叶级数的展开式:
f(x)=a0+a1cosx+b1sinx+a2cos2x+b2sin2x+⋯f(x)=a_0+a_1\cos x+b_1\sin x+a_2\cos 2x+b_2\sin 2x+\cdots f(x)=a0+a1cosx+b1sinx+a2cos2x+b2sin2x+⋯
傅里叶发现,如同将向量vvv展开(投影)到向量空间的一组标准正交基中,在函数空间中,我们也可以做类似的展开。将函数f(x)f(x)f(x)投影在一系列相互正交的函数中。函数空间中的f(x)f(x)f(x)就是向量空间中的vvv;函数空间中的1,cosx,sinx,cos2x,sin2x,⋯1,\cos x,\sin x,\cos 2x,\sin 2x,\cdots1,cosx,sinx,cos2x,sin2x,⋯就是向量空间中的q1,q2,⋯,qnq_1,q_2,\cdots,q_nq1,q2,⋯,qn;
不同的是,函数空间是无限维的而我们以前接触到的向量空间通常是有限维的。
函数正交
再来介绍何为“函数正交”。
向量正交
对于向量正交我们通常使用两向量内积(点乘)为零判断。我们知道对于向量v,wv,wv,w的内积为vTw=v1w1+v2w2+⋯+vnwn=0v^Tw=v_1w_1+v_2w_2+\cdots+v_nw_n=0vTw=v1w1+v2w2+⋯+vnwn=0,也就是向量的每个分量之积再求和。
函数正交
而对于函数f(x)⋅g(x)f(x)\cdot g(x)f(x)⋅g(x)内积,同样的,我们需要计算两个函数的每个值之积而后求和,由于函数取值是连续的,所以函数内积为:
fTg=∫f(x)g(x)dxf^Tg=\int f(x)g(x)\mathrm{d}xfTg=∫f(x)g(x)dx
在本例中,由于傅里叶级数使用正余弦函数,它们的周期都可以算作2π2\pi2π,所以本例的函数点积可以写作
fTg=∫02πf(x)g(x)dxf^Tg=\int_0^{2\pi}f(x)g(x)\mathrm{d}xfTg=∫02πf(x)g(x)dx。
检验一个内积
∫02πsinxcosxdx=12sin2x∣02π=0\int_0^{2\pi}\sin{x}\cos{x}\mathrm{d}x=\left.\frac{1}{2}\sin^2x\right|_0^{2\pi}=0∫02πsinxcosxdx=21sin2x∣∣02π=0
其余的三角函数族正交性结果可以参考傅里叶级数的“希尔伯特空间的解读”一节。
系数求解
最后我们来看cosx\cos xcosx项的系数是多少(a0a_0a0是f(x)f(x)f(x)的平均值)。同向量空间中的情形一样,我们在等式两边同时做cosx\cos xcosx的内积,原式变∫02πf(x)cosxdx=a1∫02πcos2xdx\int_0^{2\pi}f(x)\cos x\mathrm{d}x=a_1\int_0^{2\pi}\cos^2x\mathrm{d}x∫02πf(x)cosxdx=a1∫02πcos2xdx
因为正交性等式右边仅有cosx\cos xcosx项不为零。进一步化简得
a1π=∫02πf(x)cosxdx→a1=1π∫02πf(x)cosxdxa_1\pi=\int_0^{2\pi}f(x)\cos x\mathrm{d}x\rightarrow a_1=\frac{1}{\pi}\int_0^{2\pi}f(x)\cos x\mathrm{d}xa1π=∫02πf(x)cosxdx→a1=π1∫02πf(x)cosxdx。
类似求解其他系数,于是把函数f(x)f(x)f(x)展开到了函数空间的一组标准正交基上。
25.复习二
知识点复习
正交性,有矩阵Q=[q1q2⋯qn]Q=\Bigg[q_1\ q_2\ \cdots\ q_n\Bigg]Q=[q1 q2 ⋯ qn],若其列向量相互正交,则该矩阵满足QTQ=IQ^TQ=IQTQ=I。
投影,我们了解了Gram-Schmidt正交化法,核心思想是求法向量,即从原向量中减去投影向量E=b−P,P=Ax=ATbATA⋅AE=b-P, P=Ax=\frac{A^Tb}{A^TA}\cdot AE=b−P,P=Ax=ATAATb⋅A。
行列式,根据行列式的前三条性质,我们拓展出了性质4-10。
- 我们继续推导出了一个利用代数余子式求行列式的公式。
- 又利用代数余子式推导出了一个求逆矩阵的公式。
- 特征值与特征向量的意义:Ax=λxAx=\lambda xAx=λx,进而了解了通过det(A−λI)=0\det(A-\lambda I)=0det(A−λI)=0求特征值、特征向量的方法。
- 有了特征值与特征向量,我们掌握了通过公式AS=ΛSAS=\Lambda SAS=ΛS对角化矩阵,同时掌握了求矩阵的幂Ak=SΛkS−1A^k=S\Lambda^kS^{-1}Ak=SΛkS−1。
例题复习
求a=[212]a=\begin{bmatrix}2\\1\\2\end{bmatrix}a=⎣⎡212⎦⎤的投影矩阵PPP
解:由a⊥(b−p)→AT(b−Ax^)=0a\bot(b-p)\rightarrow A^T(b-A\hat x)=0a⊥(b−p)→AT(b−Ax^)=0得到x^=(ATA)−1ATb\hat x=\left(A^TA\right)^{-1}A^Tbx^=(ATA)−1ATb,求得p=Ax^=A(ATA)−1ATb=Pbp=A\hat x=A\left(A^TA\right)^{-1}A^Tb=Pbp=Ax^=A(ATA)−1ATb=Pb最终得到
P=A(ATA)−1AT‾=aaaTaTa=19[424212424]\underline{P=A\left(A^TA\right)^{-1}A^T}\stackrel{a}=\frac{aa^T}{a^Ta}=\frac{1}{9}\begin{bmatrix}4&2&4\\2&1&2\\4&2&4\end{bmatrix} P=A(ATA)−1AT=aaTaaaT=91⎣⎡424212424⎦⎤- 求PPP矩阵的特征值:
观察矩阵易知矩阵奇异,且为秩一矩阵,则其零空间为222维,所以由Px=0xPx=0xPx=0x得出矩阵的两个特征向量为λ1=λ2=0\lambda_1=\lambda_2=0λ1=λ2=0;
而从矩阵的迹得知trace(P)=1=λ1+λ2+λ3=0+0+1trace(P)=1=\lambda_1+\lambda_2+\lambda_3=0+0+1trace(P)=1=λ1+λ2+λ3=0+0+1,则第三个特征向量为λ3=1\lambda_3=1λ3=1。
- 求λ3=1\lambda_3=1λ3=1的特征向量:
由Px=xPx=xPx=x我们知道经其意义为,xxx过矩阵PPP变换后不变,又有PPP是向量aaa的投影矩阵,所以任何向量经过PPP变换都会落在aaa的列空间中,则只有已经在aaa的列空间中的向量经过PPP的变换后保持不变,即其特征向量为x=a=[212]x=a=\begin{bmatrix}2\\1\\2\end{bmatrix}x=a=⎣⎡212⎦⎤,也就是Pa=aPa=aPa=a。
- 有差分方程uk+1=Puk,u0=[990]u_{k+1}=Pu_k,\ u_0=\begin{bmatrix}9\\9\\0\end{bmatrix}uk+1=Puk, u0=⎣⎡990⎦⎤,求解uku_kuk:
一般方法是解出特征值、特征向量,这里因为矩阵很特殊(投影矩阵)。
首先观察u1=Pu0u_1=Pu_0u1=Pu0,式子相当于将u0u_0u0投影在了aaa的列空间中,计算得
u1=aaTu0aTa=3a=[636]u_1=a\frac{a^Tu_0}{a^Ta}=3a=\begin{bmatrix}6\\3\\6\end{bmatrix} u1=aaTaaTu0=3a=⎣⎡636⎦⎤这里的333相当于做投影时的系数x^\hat xx^,其意义为u1u_1u1在aaa上且距离u0u_0u0最近。
再来看看u2=Pu1u_2=Pu_1u2=Pu1,这个式子将u1u_1u1再次投影到aaa的列空间中,但是此时的u1u_1u1已经在该列空间中了,再次投影仍不变,所以有
uk=Pku0=Pu0=[636]u_k=P^ku_0=Pu_0=\begin{bmatrix}6\\3\\6\end{bmatrix} uk=Pku0=Pu0=⎣⎡636⎦⎤上面的解法利用了投影矩阵的特殊性质,如果在一般情况下,我们需要使用AS=SΛ→A=SΛS−1→uk+1=Auk=Ak+1u0,u0=Sc→uk+1=SΛk+1S−1Sc=SΛk+1cAS=S\Lambda\rightarrow A=S\Lambda S^{-1} \rightarrow u_{k+1}=Au_k=A^{k+1}u_0, u_0=Sc\rightarrow u_{k+1}=S\Lambda^{k+1}S^{-1}Sc=S\Lambda^{k+1}cAS=SΛ→A=SΛS−1→uk+1=Auk=Ak+1u0,u0=Sc→uk+1=SΛk+1S−1Sc=SΛk+1c
最终得到公式Aku0=c1λ1kx1+c2λ2kx2+⋯+cnλnkxnA^ku_0=c_1\lambda_1^kx_1+c_2\lambda_2^kx_2+\cdots+c_n\lambda_n^kx_nAku0=c1λ1kx1+c2λ2kx2+⋯+cnλnkxn。
题中PPP的特殊性在于它的两个“零特征值”及一个“一特征值”使得式子变为Aku0=c3x3A^ku_0=c_3x_3Aku0=c3x3,所以得到了上面结构特殊的解。
将点(1,4),(2,5),(3,8)(1,4),\ (2,5),\ (3,8)(1,4), (2,5), (3,8)拟合到一条过零点的直线上
解:设直线为y=Dty=Dty=Dt,写成矩阵形式为
[123]D=[458]\begin{bmatrix}1\\2\\3\end{bmatrix}D=\begin{bmatrix}4\\5\\8\end{bmatrix} ⎣⎡123⎦⎤D=⎣⎡458⎦⎤
即AD=bAD=bAD=b,很明显DDD不存在。利用公式ATAD^=ATbA^TA\hat D=A^TbATAD^=ATb得到14D=38,D^=381414D=38,\ \hat D=\frac{38}{14}14D=38, D^=1438,即最佳直线为y=3814ty=\frac{38}{14}ty=1438t。这个近似的意义是将bbb投影在了AAA的列空间中。求a1=[123]a2=[111]a_1=\begin{bmatrix}1\\2\\3\end{bmatrix}\ a_2=\begin{bmatrix}1\\1\\1\end{bmatrix}a1=⎣⎡123⎦⎤ a2=⎣⎡111⎦⎤的正交向量
解:找到平面A=[a1,a2]A=\Bigg[a_1,a_2\Bigg]A=[a1,a2]的正交基,使用Gram-Schmidt法,以a1a_1a1为基准,正交化a2a_2a2,也就是将a2a_2a2中平行于a1a_1a1的分量去除,即
a2−xa1=a2−a1Ta2a1Ta1a1=[111]−614[123]a_2-xa_1=a_2-\frac{a_1^Ta_2}{a_1^Ta_1}a_1=\begin{bmatrix}1\\1\\1\end{bmatrix}-\frac{6}{14}\begin{bmatrix}1\\2\\3\end{bmatrix} a2−xa1=a2−a1Ta1a1Ta2a1=⎣⎡111⎦⎤−146⎣⎡123⎦⎤有4×44\times 44×4矩阵AAA,其特征值为λ1,λ2,λ3,λ4\lambda_1,\lambda_2,\lambda_3,\lambda_4λ1,λ2,λ3,λ4,则矩阵可逆的条件是什么
解:矩阵可逆,则零空间中只有零向量,即Ax=0xAx=0xAx=0x没有非零解,则零不是矩阵的特征值。
detA−1\det A^{-1}detA−1是什么:detA−1=1detA\det A^{-1}=\frac{1}{\det A}detA−1=detA1,而detA=λ1λ2λ3λ4\det A=\lambda_1\lambda_2\lambda_3\lambda_4detA=λ1λ2λ3λ4,所以有detA−1=1λ1λ2λ3λ4\det A^{-1}=\frac{1}{\lambda_1\lambda_2\lambda_3\lambda_4}detA−1=λ1λ2λ3λ41。
trace(A+I)trace(A+I)trace(A+I)的迹是什么:我们知道trace(A)=a11+a22+a33+a44=λ1+λ2+λ3+λ4trace(A)=a_{11}+a_{22}+a_{33}+a_{44}=\lambda_1+\lambda_2+\lambda_3+\lambda_4trace(A)=a11+a22+a33+a44=λ1+λ2+λ3+λ4,所以有trace(A+I)=a11+1+a22+1+a33+1+a44+1=λ1+λ2+λ3+λ4+4trace(A+I)=a_{11}+1+a_{22}+1+a_{33}+1+a_{44}+1=\lambda_1+\lambda_2+\lambda_3+\lambda_4+4trace(A+I)=a11+1+a22+1+a33+1+a44+1=λ1+λ2+λ3+λ4+4。
有矩阵A4=[1100111001110011]A_4=\begin{bmatrix}1&1&0&0\\1&1&1&0\\0&1&1&1\\0&0&1&1\end{bmatrix}A4=⎣⎢⎢⎡1100111001110011⎦⎥⎥⎤,求Dn=?Dn−1+?Dn−2D_n=?D_{n-1}+?D_{n-2}Dn=?Dn−1+?Dn−2
解:求递归式的系数,使用代数余子式将矩阵安第一行展开得
detA4=1⋅∣110111011∣−1⋅∣110011011∣=1⋅∣110111011∣−1⋅∣1111∣=detA3−detA2\det A_4=1\cdot\begin{vmatrix}1&1&0\\1&1&1\\0&1&1\end{vmatrix}-1\cdot\begin{vmatrix}1&1&0\\0&1&1\\0&1&1\end{vmatrix}=1\cdot\begin{vmatrix}1&1&0\\1&1&1\\0&1&1\end{vmatrix}-1\cdot\begin{vmatrix}1&1\\1&1\end{vmatrix}=\det A_3-\det A_2 detA4=1⋅∣∣∣∣∣∣110111011∣∣∣∣∣∣−1⋅∣∣∣∣∣∣100111011∣∣∣∣∣∣=1⋅∣∣∣∣∣∣110111011∣∣∣∣∣∣−1⋅∣∣∣∣1111∣∣∣∣=detA3−detA2可以看出有规律Dn=Dn−1−Dn−2,D1=1,D2=0D_n=D_{n-1}-D_{n-2}, D_1=1, D_2=0Dn=Dn−1−Dn−2,D1=1,D2=0。
使用我们在差分方程中的知识构建方程组
{Dn=Dn−1−Dn−2Dn−1=Dn−1\begin{cases}D_n&=D_{n-1}-D_{n-2}\\D_{n-1}&=D_{n-1}\end{cases} {DnDn−1=Dn−1−Dn−2=Dn−1
用矩阵表达有
[DnDn−1]=[1−110][Dn−1Dn−2]\begin{bmatrix}D_n\\D_{n-1}\end{bmatrix}=\begin{bmatrix}1&-1\\1&0\end{bmatrix}\begin{bmatrix}D_{n-1}\\D_{n-2}\end{bmatrix} [DnDn−1]=[11−10][Dn−1Dn−2]
计算系数矩阵AcA_cAc的特征值
∣1−λ11−λ∣=λ2−λ+1=0\begin{vmatrix}1-\lambda&1\\1&-\lambda\end{vmatrix}=\lambda^2-\lambda+1=0 ∣∣∣∣1−λ11−λ∣∣∣∣=λ2−λ+1=0
解得λ1=1+3i2,λ2=1−3i2\lambda_1=\frac{1+\sqrt{3}i}{2},\lambda_2=\frac{1-\sqrt{3}i}{2}λ1=21+3i,λ2=21−3i,特征值为一对共轭复数。要判断递归式是否收敛,需要计算特征值的模,即实部平方与虚部平方之和14+34=1\frac{1}{4}+\frac{3}{4}=141+43=1。它们是位于单位圆eiθe^{i\theta}eiθ上的点,即cosθ+isinθ\cos\theta+i\sin\thetacosθ+isinθ,从本例中可以计算出θ=60∘\theta=60^\circθ=60∘,也就是可以将特征值写作λ1=eiπ/3,λ2=e−iπ/3\lambda_1=e^{i\pi/3},\lambda_2=e^{-i\pi/3}λ1=eiπ/3,λ2=e−iπ/3。注意,从复平面单位圆上可以看出,这些特征值的六次方将等于一:e2πi=e2πi=1e^{2\pi i}=e^{2\pi i}=1e2πi=e2πi=1。
继续深入观察这一特性对矩阵的影响,λ16=λ6=1\lambda_1^6=\lambda^6=1λ16=λ6=1,则对系数矩阵有Ac6=IA_c^6=IAc6=I。则系数矩阵AcA_cAc服从周期变化,既不发散也不收敛。
有这样一类矩阵A4=[0100102002030030]A_4=\begin{bmatrix}0&1&0&0\\1&0&2&0\\0&2&0&3\\0&0&3&0\end{bmatrix}A4=⎣⎢⎢⎡0100102002030030⎦⎥⎥⎤,求投影到A3A_3A3列空间的投影矩阵
解:
法1:有A3=[010102020]A_3=\begin{bmatrix}0&1&0\\1&0&2\\0&2&0\end{bmatrix}A3=⎣⎡010102020⎦⎤,按照通常的方法求P=A(ATA)ATP=A\left(A^TA\right)A^TP=A(ATA)AT即可,但是这样很麻烦。
法2:可以考察这个矩阵是否可逆,因为如果可逆的话,R4\mathbb{R}^4R4空间中的任何向量都会位于A4A_4A4的列空间,其投影不变,则投影矩阵为单位矩阵III。所以按行展开求行列式detA4=−1⋅−1⋅−3⋅−3=9\det A_4=-1\cdot-1\cdot-3\cdot-3=9detA4=−1⋅−1⋅−3⋅−3=9,所以矩阵可逆,则P=IP=IP=I。
求A3A_3A3的特征值及特征向量:∣A3−λI∣=∣−λ101−λ202−λ∣=−λ3+5λ=0\left|A_3-\lambda I\right|=\begin{vmatrix}-\lambda&1&0\\1&-\lambda&2\\0&2&-\lambda\end{vmatrix}=-\lambda^3+5\lambda=0∣A3−λI∣=∣∣∣∣∣∣−λ101−λ202−λ∣∣∣∣∣∣=−λ3+5λ=0,解得λ1=0,λ2=5,λ3=−5\lambda_1=0,\lambda_2=\sqrt 5,\lambda_3=-\sqrt 5λ1=0,λ2=5,λ3=−5。
猜测这一类矩阵的规律:奇数阶奇异,偶数阶可逆。
线性代数-MIT 18.06-5(b)相关推荐
- 线性代数MIT 18.06 记录(二十)克拉默法则、逆矩阵、体积
逆矩阵 对于2×2矩阵 总的公式: C是代数余子式公式,CTC^TCT是伴随矩阵 怎么得到这个矩阵 目的就是证明这个式子 克拉默法则 根据刚才的推导 这里单独看每个解: 因为CTbC^TbCTb就是某 ...
- 线性代数-MIT 18.06-7(a)
文章目录 31.线性变换及对应矩阵 线性变换定义 线性变换案例 线性变换矩阵 线性变换矩阵案例引入 举例:投影的线性变换矩阵 求解方法总结 特殊的线性变换(求导) 32.基变换和图像压缩 图像压缩 傅 ...
- 线性代数-MIT 18.06-7(b)
文章目录 33.复习三 复习提纲 例题详解 34.左右逆和伪逆 左逆(left inserve) 左逆的由来和定义 最小二乘复习 右逆(right inverse) 伪逆(pseudo inverse ...
- 解方程组的意义和过程 - Strang MIT 18.06 线性代数精髓 2
在本系列中,我们用彩色 Latex 笔记记录下 MIT 18.06 Gilbert Strang 教授经典的线性代数课程的精髓,部分内容也会以动画和代码的形式.后续会覆盖更多人工智能所涉及的数学基础课 ...
- MIT 18.06 Gilbert Strang《线性代数》L2. 矩阵消元
这里是 MIT 18.06 Gilbert Strang<线性代数>笔记汇总. 消元法 有三元方程组 {x+2y+z=23x+8y+z=124y+z=2\begin{cases}x& ...
- MIT 18.06 Gilbert Strang《线性代数》L3. 乘法和逆矩阵
这里是 MIT 18.06 Gilbert Strang<线性代数>笔记汇总. 前面介绍了向量和矩阵的乘法,这一节我们要介绍一下两个矩阵之间的乘法.并讨论逆矩阵存在的条件.最后再介绍求解逆 ...
- MIT 18.06 Gilbert Strang《线性代数》L1. 方程组的几何解释
这里是 MIT 18.06 Gilbert Strang<线性代数>笔记汇总. 从求解线性方程组来开始这门课,教授从"行图像"与"列图像"的角度解方 ...
- MIT 18.06 线性代数公开课笔记 Lecture02 矩阵消元
使用消元法解线性方程组 {x+2y+z=23x+8y+z=12+4y+z=2\begin{cases} x&+&2y&+&z&=2\\[2ex] 3x& ...
- MIT 18.06 线性代数公开课笔记 Lecture07Ax=0: 主变量, 特解
本节课我们将从定义转换到算法, 如何解出 Ax=0A\mathbf{x}=\mathbf{0}Ax=0 . 取矩阵 A=[1222246836810]A=\begin{bmatrix} 1&2 ...
最新文章
- python爬取boss直聘招聘信息_Python笔记-爬取Boss直聘的招聘信息
- 【Android 启动过程】Activity 启动源码分析 ( Activity -> AMS、主线程阶段 )
- Numpy中array和matrix转换
- Javascript 用本页面文本域中的HTML代码打开一个空白窗口来运行
- C/C++插入数据到Mysql数据库中
- 自适应HTML5宽屏物流运输快递货运类网站源码 pbootcms模板
- freecodecamp_freeCodeCamp的服务条款
- 深拷贝与浅拷贝的区别
- 小红书面试题——paddingNum,用逗号分割数字串
- 记一次网络访问故障排查
- 首届InterSystems Idea创意马拉松
- Compact, Redundant, Compressed, Dynamic的作用
- 淘宝/天猫API:upload_img-上传图片到淘宝
- Flutter Sliver系列组件入门
- php百度网盘登录,php登陆状态百度网盘获取文件下载链接【思路|部分代码】
- linux缺页异常,操作系统缺页异常
- 计算机管理文件破坏怎么办,技术丨电脑系统文件损坏,尝试这几步轻松解决
- 【BZOJ5405】platform(二分,SA,线段树)
- 计算机组成原理学习笔记——计算机外围设备
- 从零带你学Linux
热门文章
- c语言5个同学三门成绩,求助:c语言 求5个同学语数外三门功课的总分与均分。大家看我错在哪了...
- Unity用Animation组件制作简单的动画
- java 时间格式 外语,java-如何使用ERA设置日语的英语日期格式
- 李群和李代数以及李代数求导(扰动模型)
- japi项目需求分析阶段
- 功利主义穆勒思维导图_浅析穆勒的功利主义思想及现实意义
- android 分享给好友,如何将安卓手机安装的APP分享给好友简单方法分享
- 竑观资产合伙人孙霄汉:区块链经济三个系统的X关系
- 计算机上硬盘显示不出来怎么办,加装硬盘不显示怎么办_新硬盘装上去了但是没显示这么解决...
- ONF(Open Networking Foundation)