矩阵基础概念之行列式与秩
矩阵基础概念及运算
1. 矩阵的线性运算
性质 1.1 设矩阵A,B,C,DA,B,C,DA,B,C,D为同型矩阵,OOO为零矩阵,k,lk,lk,l为任意常数,则有
- A+B=B+AA+B = B+AA+B=B+A (交换律)
- (A+B)+C=A+(B+C)(A+B)+C = A+(B+C)(A+B)+C=A+(B+C) (结合律)
- A+O=O+A=AA+O = O+A = AA+O=O+A=A
- k(A+B)=kA+kBk(A+B) = kA+ kBk(A+B)=kA+kB
- (k+l)A=kA+lA(k+l)A = kA + lA(k+l)A=kA+lA
- (kl)A=k(lA)(kl)A = k(lA)(kl)A=k(lA)
- (−1)A=−A,0A=O(-1)A = -A, 0A = O(−1)A=−A,0A=O
2. 矩阵的乘法运算
性质 2.1 设矩阵A,B,CA,B,CA,B,C能满足相乘维度要求,kkk为常数,EEE为单位矩阵,则有
- (AB)C=A(BC)(AB)C=A(BC)(AB)C=A(BC)
- A(B+C)=AB+ACA(B+C) = AB + ACA(B+C)=AB+AC
- (B+C)A=BA+CA(B+C)A = BA + CA(B+C)A=BA+CA
- k(AB)=(kA)B=A(kB)k(AB)=(kA)B=A(kB)k(AB)=(kA)B=A(kB)
- EmAm×n=Am×nEn=Am×nE_mA_{m \times n} = A_{m \times n} E_n = A_{m \times n}EmAm×n=Am×nEn=Am×n
需要注意的是,矩阵乘法与算数乘法有以下几点不同:
- 一般的说AB≠BAAB \neq BAAB̸=BA,即矩阵乘法不满足交换律
- 由AB=OAB = OAB=O不能推出A=OA=OA=O或B=OB=OB=O,即两个非零矩阵的乘积可以是零矩阵
- 由AB=ACAB=ACAB=AC且A≠OA \neq OA̸=O,不能推出 B=CB=CB=C,即矩阵乘法不满足消去律
3. 矩阵的转置
性质 3.1 kkk为常数
- (AT)T=A(A^T)^T =A(AT)T=A
- (A+B)T=AT+BT(A+B)^T =A^T + B^T(A+B)T=AT+BT
- (kA)T=kAT(kA)^T = kA^T(kA)T=kAT
- (AB)T=BTAT(AB)^T = B^TA^T(AB)T=BTAT
定义 3.1 设AAA为nnn阶方阵,若AT=AA^T = AAT=A,则称AAA为对称阵;若AT=−AA^T = -AAT=−A,则称AAA为反对称阵。
4. 方阵的行列式
4.1 行列式计算方法
方法1 对角线规则(沙流氏规则)
三阶矩阵的行列式为每条红线上的元素的乘积之和,减去蓝线上元素乘积之和。
det(A)=∣a11a12a13a21a22a23a31a32a33∣=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a11a23a32−a12a21a33det(A) = \left | \begin{matrix} a_{11} & a_{12} & a_{13}\\ a_{21} & a_{22} & a_{23}\\ a_{31} & a_{32} & a_{33} \end{matrix} \right | =a_{11}a_{22}a_{33}+a_{12}a_{23}a_{31}+a_{13}a_{21}a_{32}-a_{13}a_{22}a_{31}-a_{11}a_{23}a_{32}-a_{12}a_{21}a_{33} det(A)=∣∣∣∣∣∣a11a21a31a12a22a32a13a23a33∣∣∣∣∣∣=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a11a23a32−a12a21a33
方法2 分解降阶法(某一行(或列)每个元素和其代数余子式的乘积再乘以系数的和)
det(A)=∣a11a12a13a21a22a23a31a32a33∣=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a11a23a32−a12a21a33=(−1)1+1a11∣a22a23a32a33∣+(−1)1+2a12∣a21a23a31a33∣+(−1)1+3a13∣a21a22a31a32∣\begin{aligned} det(A) &= \left | \begin{matrix} a_{11} & a_{12} & a_{13}\\ a_{21} & a_{22} & a_{23}\\ a_{31} & a_{32} & a_{33} \end{matrix} \right | \\ &=a_{11}a_{22}a_{33}+a_{12}a_{23}a_{31}+a_{13}a_{21}a_{32}-a_{13}a_{22}a_{31}-a_{11}a_{23}a_{32}-a_{12}a_{21}a_{33}\\ &=(-1)^{1+1}a_{11}\left|\begin{matrix}a_{22}&a_{23}\\a_{32}&a_{33}\end{matrix}\right| + (-1)^{1+2}a_{12}\left|\begin{matrix}a_{21}&a_{23}\\a_{31}&a_{33}\end{matrix}\right| + (-1)^{1+3}a_{13}\left|\begin{matrix}a_{21}&a_{22}\\a_{31}&a_{32}\end{matrix}\right| \end{aligned} det(A)=∣∣∣∣∣∣a11a21a31a12a22a32a13a23a33∣∣∣∣∣∣=a11a22a33+a12a23a31+a13a21a32−a13a22a31−a11a23a32−a12a21a33=(−1)1+1a11∣∣∣∣a22a32a23a33∣∣∣∣+(−1)1+2a12∣∣∣∣a21a31a23a33∣∣∣∣+(−1)1+3a13∣∣∣∣a21a31a22a32∣∣∣∣
则该方法总结为:
∣A∣=ai1Ai1+ai2Ai2+ai3Ai3+⋯+ainAin,i=1,2,3,…,n|A| = a_{i1}A_{i1} + a_{i2}A_{i2}+ a_{i3}A_{i3} + \dots + a_{in}A_{in}, i = 1,2,3, \dots , n∣A∣=ai1Ai1+ai2Ai2+ai3Ai3+⋯+ainAin,i=1,2,3,…,n
∣A∣=a1jA1j+a2jA2j+a3jA3j+⋯+ajnAjn,i=1,2,3,…,n|A| = a_{1j}A_{1j} + a_{2j}A_{2j}+ a_{3j}A_{3j} + \dots + a_{jn}A_{jn}, i = 1,2,3, \dots , n∣A∣=a1jA1j+a2jA2j+a3jA3j+⋯+ajnAjn,i=1,2,3,…,n
其中AinA_{in}Ain为元素aina_{in}ain的代数余子式
方法3 三角形行列式
根据行列式的性质,将原矩阵转换为三角矩阵,然后计算对角线上元素的乘积,即为该矩阵行列式的值
4.2 行列式的性质
- ∣A∣=∣AT∣|A| = |A^T|∣A∣=∣AT∣
- ∣kA∣=kn∣A∣|kA| = k^n|A|∣kA∣=kn∣A∣
- ∣AB∣=∣A∣∣B∣|AB| = |A||B|∣AB∣=∣A∣∣B∣
推论:∣Ak∣=∣A∣k|A^k| = |A|^k∣Ak∣=∣A∣k - 互换行列式的两行(列),行列式变号
推论:若行列式中某两行(列)的对应元素相等,则该行列式的值为零 - 用数kkk去乘以行列式中某一行(列)的所有元素,等于乘以该行列式
推论:若行列式中有两行(列)对应元素成比例,则此行列式为零
推论:行列式中某一行(列)元素与另一行(列)对应元素的代数余子式的乘积之和为零 - 若行列式中某一行(列)的所有元素都是两个数的和,则此行列式可以写成两个行列式的和。
推论:在行列式某一行(列)元素上加上另一行(列)对元素的kkk倍,行列式的值不变
4.3 什么是奇异矩阵?
定义 4.1 若方阵AAA的行列式∣A∣≠0|A| \neq 0∣A∤=0,称AAA为非奇异矩阵;若方阵AAA的行列式∣A∣=0|A| = 0∣A∣=0,称AAA为奇异矩阵。
4.4 什么是伴随矩阵?
定义 4.2 设方阵A=(aij)n×nA = (a_{ij})_{n \times n}A=(aij)n×n,行列式∣A∣|A|∣A∣的各个元素的代数余子式AijA_{ij}Aij(代数余子式不是一个矩阵,而是相应的行列式)所构成的矩阵称为矩阵AAA的伴随矩阵,记作A∗A^*A∗。
A∗=[A11A12⋯A1nA21A22⋯A2n⋮⋮⋱A11A12⋯A1n]A^*= \left [ \begin{matrix} A_{11}&A_{12} &\cdots& A_{1n}\\ A_{21}&A_{22} &\cdots& A_{2n}\\ \vdots&\vdots &\ddots& \\ A_{11}&A_{12} &\cdots& A_{1n}\\ \end{matrix} \right ] A∗=⎣⎢⎢⎢⎡A11A21⋮A11A12A22⋮A12⋯⋯⋱⋯A1nA2nA1n⎦⎥⎥⎥⎤
对于伴随矩阵,有 AA∗=A∗A=∣A∣EAA^* = A^*A = |A|EAA∗=A∗A=∣A∣E,其中EEE为单位矩阵。
4.5 行列式的应用(克莱姆法则)
使用行列式,我们可以求解nnn元一次方程组。
对于下列nnn元一次方程组:
{a11x1+a12x2+⋯+a1nxn=b1,a21x1+a22x2+⋯+a2nxn=b2,⋯an1x1+an2x2+⋯+annxn=bn,\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_{n1}x_{1}+ a_{n2}x_{2}+ \cdots +a_{nn}x_{n} = b_n, \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=b1,a21x1+a22x2+⋯+a2nxn=b2, ⋯an1x1+an2x2+⋯+annxn=bn,
其中b1,b2,⋯ ,bnb_1,b_2,\cdots,b_nb1,b2,⋯,bn我们称之为线性方程组的常数项。
方程组的系数行列式为:
D=∣a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮a31a32⋯a3n∣D= \left | \begin{matrix} a_{11} & a_{12} &\cdots& a_{1n}\\ a_{21} & a_{22} & \cdots& a_{2n}\\ \vdots&\vdots&\ddots&\vdots\\ a_{31} & a_{32} & \cdots& a_{3n} \end{matrix} \right | D=∣∣∣∣∣∣∣∣∣a11a21⋮a31a12a22⋮a32⋯⋯⋱⋯a1na2n⋮a3n∣∣∣∣∣∣∣∣∣
克莱姆法则为若nnn元一次方程组的系数行列式D≠0D \neq 0D̸=0(非奇异矩阵),则方程组一定有解,而且解是唯一的:
xj=DjD,j=1,2,⋯ ,nx_j = \frac{D_j}{D}, j = 1,2,\cdots,n xj=DDj,j=1,2,⋯,n
其中,DjD_jDj是将DDD中的第jjj列换成方程组的常数项而得到的行列式。
Dj=∣a11⋯a1,j−1b1a1,j+1⋯a1na21⋯a2,j−1b2a2,j+1⋯a2n⋮⋮⋮⋮⋮⋱⋮an1⋯an,j−1bnan,j+1⋯ann∣D_j= \left | \begin{matrix} a_{11} &\cdots &a_{1,j-1} &b_1&a_{1,j+1}&\cdots& a_{1n}\\ a_{21} &\cdots &a_{2,j-1} &b_2&a_{2,j+1}&\cdots& a_{2n}\\ \vdots&\vdots&\vdots&\vdots&\vdots&\ddots&\vdots\\ a_{n1} &\cdots &a_{n,j-1} &b_n&a_{n,j+1}&\cdots& a_{nn}\\ \end{matrix} \right | Dj=∣∣∣∣∣∣∣∣∣a11a21⋮an1⋯⋯⋮⋯a1,j−1a2,j−1⋮an,j−1b1b2⋮bna1,j+1a2,j+1⋮an,j+1⋯⋯⋱⋯a1na2n⋮ann∣∣∣∣∣∣∣∣∣
克莱姆法则适用的方程组有:1)方程的个数等于未知量个数(系数矩阵为方阵)2)系数行列式不等于零(等于零时方程组有多个解,不满足克莱姆法则)
4.6 什么是nnn元齐次线性方程组?
若nnn元一次方程组的常数项均为0,那么方程组为n元齐次线性方程组
{a11x1+a12x2+⋯+a1nxn=0,a21x1+a22x2+⋯+a2nxn=0,⋯an1x1+an2x2+⋯+annxn=0,\begin{cases} a_{11}x_{1}+ a_{12}x_{2}+ \cdots +a_{1n}x_{n} = 0,\\ a_{21}x_{1}+ a_{22}x_{2}+ \cdots +a_{2n}x_{n} = 0,\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \cdots \\ a_{n1}x_{1}+ a_{n2}x_{2}+ \cdots +a_{nn}x_{n} = 0, \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧a11x1+a12x2+⋯+a1nxn=0,a21x1+a22x2+⋯+a2nxn=0, ⋯an1x1+an2x2+⋯+annxn=0,
根据方程组我们能看到,x1=x2=x3=⋯=xn=0x_1=x_2=x_3=\cdots = x_n=0x1=x2=x3=⋯=xn=0是方程组的一个解。那么,当与克莱姆法则相结合时,我们能得到一下结论:
- 若齐次线性方程组的系数行列式D≠0D\neq 0D̸=0时,则它仅有零解
- 若齐次线性方程组有非零解,则它的系数行列式D=0D=0D=0
4.7 行列式的几何意义
二维向量组的行列式为两个向量X,X′X,X'X,X′形成的平行四边形的面积。
X=(a,c),X′=(b,d)X=(a,c),X'=(b,d)X=(a,c),X′=(b,d)
S=(a+b)(c+d)−2bc−ac−bd=ad−bc=∣abcd∣S = (a+b)(c+d)-2bc-ac-bd=ad-bc=\left |\begin{matrix}a&b\\c&d\end{matrix}\right|S=(a+b)(c+d)−2bc−ac−bd=ad−bc=∣∣∣∣acbd∣∣∣∣
同样的,三维向量组的行列式为三向量形成的平行六面体的体积。
行列式意义的清晰解释
矩阵的行列式是用该矩阵进行线性变换的伸缩因子。
先来看什么是线性变换
扩展到多维的情况下,我们有一个矩阵Am×nA_{m\times n}Am×n,代表着在mmm维空间中的nnn个点的集合。我们要对该矩阵进行线性变换,也就是对该矩阵中的各个点进行线性变化,则我们有变换矩阵Tm×mT_{m\times m}Tm×m。
为了示例,我们假设:
Am×n=[adbecf]=[a[100]+b[010]+c[001]d[100]+e[010]+f[001]]A_{m\times n}= \left [\begin{matrix} a&d\\ b&e\\ c&f \end{matrix}\right]= \left[\begin{matrix} a\left[\begin{matrix} 1\\0\\0 \end{matrix}\right]+ b\left[\begin{matrix} 0\\1\\0 \end{matrix}\right]+ c\left[\begin{matrix} 0\\0\\1 \end{matrix}\right] \ \ \ d\left[\begin{matrix} 1\\0\\0 \end{matrix}\right]+ e\left[\begin{matrix} 0\\1\\0 \end{matrix}\right]+ f\left[\begin{matrix} 0\\0\\1 \end{matrix}\right] \end{matrix}\right] Am×n=⎣⎡abcdef⎦⎤=⎣⎡a⎣⎡100⎦⎤+b⎣⎡010⎦⎤+c⎣⎡001⎦⎤ d⎣⎡100⎦⎤+e⎣⎡010⎦⎤+f⎣⎡001⎦⎤⎦⎤
其中i⃗=[100],j⃗=[010],z⃗=[001]\vec{i}=\left[\begin{matrix} 1\\0\\0 \end{matrix}\right], \vec{j}=\left[\begin{matrix} 0\\1\\0 \end{matrix}\right], \vec{z}=\left[\begin{matrix} 0\\0\\1 \end{matrix}\right]i=⎣⎡100⎦⎤,j=⎣⎡010⎦⎤,z=⎣⎡001⎦⎤是初始的基向量(对应三维坐标系中的三个轴上的单位向量),
[abc],[def]\left[\begin{matrix} a\\b\\c \end{matrix}\right],\left[\begin{matrix} d\\e\\f \end{matrix}\right]⎣⎡abc⎦⎤,⎣⎡def⎦⎤是在三维坐标系中的两个点。
Tm×m=[123456789]T_{m\times m}= \left [\begin{matrix} 1&2&3\\ 4&5&6\\ 7&8&9 \end{matrix}\right] Tm×m=⎣⎡147258369⎦⎤
则
Tm×mAm×n=[1a+2b+3c1d+2e+3f4a+5b+6c4d+5e+6f7a+8b+9c7d+8e+9f]=[a[147]+b[258]+c[369]d[147]+e[258]+f[369]]T_{m\times m}A_{m\times n}= \left [\begin{matrix} 1a+2b+3c&1d+2e+3f\\ 4a+5b+6c&4d+5e+6f\\ 7a+8b+9c&7d+8e+9f \end{matrix}\right]= \left[\begin{matrix} a\left[\begin{matrix} 1\\4\\7 \end{matrix}\right]+ b\left[\begin{matrix} 2\\5\\8 \end{matrix}\right]+ c\left[\begin{matrix} 3\\6\\9 \end{matrix}\right] \ \ \ d\left[\begin{matrix} 1\\4\\7 \end{matrix}\right]+ e\left[\begin{matrix} 2\\5\\8 \end{matrix}\right]+ f\left[\begin{matrix} 3\\6\\9 \end{matrix}\right] \end{matrix}\right] Tm×mAm×n=⎣⎡1a+2b+3c4a+5b+6c7a+8b+9c1d+2e+3f4d+5e+6f7d+8e+9f⎦⎤=⎣⎡a⎣⎡147⎦⎤+b⎣⎡258⎦⎤+c⎣⎡369⎦⎤ d⎣⎡147⎦⎤+e⎣⎡258⎦⎤+f⎣⎡369⎦⎤⎦⎤
则对于线性变换后的矩阵,我们有:
i′⃗=[147],j′⃗=[258],z′⃗=[369]\vec{i'}=\left[\begin{matrix} 1\\4\\7 \end{matrix}\right], \vec{j'}=\left[\begin{matrix} 2\\5\\8 \end{matrix}\right], \vec{z'}=\left[\begin{matrix} 3\\6\\9 \end{matrix}\right]i′=⎣⎡147⎦⎤,j′=⎣⎡258⎦⎤,z′=⎣⎡369⎦⎤为新的基向量。所以说线性变换改变了原始矩阵的基向量,而变换矩阵中的每一列,其实就是变换后的新的基向量。
在了解了矩阵的线性变换后,再看矩阵的行列式。对于变换矩阵,其行列式的含义就是如上所述的矩阵的行列式是用该矩阵进行线性变换的伸缩因子。
- 当行列式大于1,对图形体积有放大作用
- 当行列式等于1,图形体积不放大和缩小
- 当行列式大于0小于1,对图形体积有缩小作用
- 当行列式等于0,将使得图形在其所在的nnn维空间的体积降为0。但是该变换后的图形在低于nnn为的空间里体积不一定为0。(我靠,三体里面的超强的二向箔,降维打击有木有?)。由于通过该变换矩阵使得原矩阵体积降为0,因此没有另一个变换矩阵能使得降维后的矩阵恢复成原矩阵,因此该变换矩阵没有逆矩阵。
- 当行列式小于0,改变基向量的方向
4. 矩阵的秩
4.1 矩阵秩的定义
定义 4.1 在一个m×nm \times nm×n的矩阵AAA中,任取kkk行kkk列(k≤min{m,n})(k \leq min\{m,n\})(k≤min{m,n}),位于这些行列相交处的元素按原来的次序所构成的kkk阶行列式,称为矩阵AAA的kkk阶子式。
定义 4.2 矩阵Am×nA_{m\times n}Am×n中所有不等于零的子式的最高阶数称为矩阵AAA的秩,记为r(A)r(A)r(A)。
性质 4.1
- r(Am×n)≤min{m,n}r(A_{m\times n}) \leq min\{m,n\}r(Am×n)≤min{m,n}
- r(AT)=r(A)r(A^T)=r(A)r(AT)=r(A)
- 若有一个rrr阶子式不为0,则r(A)≥rr(A) \geq rr(A)≥r;若有一个rrr阶子式为0,则r(A)≤rr(A) \leq rr(A)≤r
4.2 矩阵秩的计算
利用初等变换,将矩阵AAA转换为行阶梯形矩阵,则矩阵中非0行的个数为该矩阵的秩。
(矩阵AAA通过有限次初等变换,得到矩阵BBB,则称AAA与BBB是等价的。每个矩阵,都能通过初等变换,转换为其对应的标准形)
4.3 满秩矩阵
- 对于矩阵Am×nA_{m\times n}Am×n,其r(A)=mr(A) = mr(A)=m,则称矩阵AAA为行满秩矩阵。
- 对于矩阵Am×nA_{m\times n}Am×n,其r(A)=nr(A) = nr(A)=n,则称矩阵AAA为列满秩矩阵。
- 对于矩阵An×nA_{n\times n}An×n,其r(A)=nr(A) = nr(A)=n,则称矩阵AAA为满秩矩阵(可逆矩阵、非奇异矩阵)。
- 对于矩阵An×nA_{n\times n}An×n,其r(A)≤nr(A) \leq nr(A)≤n,则称矩阵AAA为降秩矩阵(不可逆矩阵、奇异矩阵)。
对于nnn阶方阵AAA,下面的表述等价:
- AAA是nnn阶满秩矩阵
- AAA等价于EnE_nEn(标准形为单位阵)
- ∣A∣≠0|A| \neq 0∣A∤=0
- AAA是非奇异矩阵
5. 逆矩阵
5.1 什么是逆矩阵?
定义 5.1 设AAA为nnn阶方阵,若存在一个nnn阶方阵BBB,使得
AB=BA=EAB=BA=E AB=BA=E
则称AAA是可逆矩阵,BBB称为AAA的逆矩阵。
定理 5.1 nnn阶方阵AAA可逆的充要条件为AAA是非奇异矩阵,即(∣A∣≠0)(|A|\neq0)(∣A∤=0)
则有
A−1=1∣A∣A∗A^{-1} = \frac{1}{|A|}A^* A−1=∣A∣1A∗
其中A∗A^*A∗是方阵AAA的伴随矩阵。
对于nnn阶方阵AAA,下面的表述等价:
- AAA是nnn阶满秩矩阵
- AAA等价于EnE_nEn(标准形为单位阵)
- ∣A∣≠0|A| \neq 0∣A∤=0
- AAA是非奇异矩阵
- AAA可逆
- AAA可以表示成一组初等矩阵的乘积
5.2 逆矩阵的性质
- 若AAA可逆,则∣A−1∣=∣A∣−1=1∣A∣|A^{-1}|=|A|^{-1}=\frac{1}{|A|}∣A−1∣=∣A∣−1=∣A∣1
- 若AAA可逆,则A−1A^{-1}A−1也可逆且(A−1)−1=A(A^{-1})^{-1}=A(A−1)−1=A
- (AT)−1=(A−1)T(A^T)^{-1}=(A^{-1})^T(AT)−1=(A−1)T
- 若A,BA,BA,B为同阶可逆阵,则ABABAB也可逆且(AB)−1=B−1A−1(AB)^{-1}=B^{-1}A^{-1}(AB)−1=B−1A−1;扩展到多维(ABC)−1=C−1B−1A−1(ABC)^{-1}=C^{-1}B^{-1}A^{-1}(ABC)−1=C−1B−1A−1
- 若AAA可逆且k≠0k\neq 0k̸=0,则kAkAkA也可逆且(kA)−1=1kA−1(kA)^{-1}=\frac{1}{k}A^{-1}(kA)−1=k1A−1
矩阵基础概念之行列式与秩相关推荐
- 矩阵的秩,特征值和特征向量 矩阵基础概念
矩阵是非常重要而基础的数学知识了.大学课上学线性代数基本就是在学矩阵的各种操作和运算.在深度学习里,几乎所有的参数也都是存放在矩阵中,并通过矩阵来做各种运算.大概把矩阵的基本知识点复习和总结一下. 行 ...
- 视觉SLAM 第7讲 本质矩阵 基础矩阵 单应矩阵 知识点/证明/理解/秩/自由度
视觉SLAM 第7讲 本质矩阵 基础矩阵 单应矩阵 证明/理解/秩/自由度 1. 基础知识 2. 本质矩阵E 2.1 本质矩阵的秩为什么是2 2.2 本质矩阵的自由度为什么是5 3. 基础矩阵F 3. ...
- 【线性代数】矩阵、向量、行列式、特征值与特征向量(掌握这些概念一篇文章就够了)
在数学领域中,线性代数是一门十分有魅力的学科,首先,它不难学:其次,它能广泛应用于现实生活中:另外,在机器学习越来越被重视的现在,线性代数也能算得上是一个优秀程序员的基本素养吧? 一.线性代数的入门知 ...
- Matlab之矩阵行列式、秩、迹的求解
1.函数功能 行列式:det(A),求解方阵A的行列式,矩阵A必须为方阵. 秩:rank(A),求解矩阵A的秩,矩阵线性无关的行数或者列数称为矩阵的秩. 迹:trace(A),求解矩阵A的迹,矩阵的迹 ...
- 矩阵的行列式、秩的意义
线性代数真是一个很抽象的东西,即使我们很多人都学过,但是我相信绝大部分的都不知道这是干嘛用的,找了不少资料,终于发现了这么一篇好文章,于是强烈希望可以和大家分享,帮助大伙进一步理解 ...
- MATLAB笔记5:矩阵的转置、求逆、旋转、翻转;矩阵的行列式、秩、迹;矩阵的特征值、特征向量
矩阵的转置.求逆.旋转.翻转 inv(A):求矩阵A的逆矩阵: 转置:A.'为矩阵A的转置,A'为矩阵A的共轭转置: rot90(A,k):将矩阵A逆时针方向旋转90°的k倍,k为1时可省略: fli ...
- 矩阵基础知识------秩+线性相关和线性无关
秩 矩阵的秩.秩 就是矩阵中 极大线性无关组的向量个数. 也就是 以这个矩阵的元素作为系数的方程组中,线性无关的方程个数. 线性无关,就是 a,b,c个方程中,谁也不能通过自己或者另外两个方程表示谁. ...
- 线性代数基础概念与重要定义汇总
马上要开始一大波夏令营面试了,前不久thu叉院的一面问到了概率分布,没有准备好,用了一周左右的时间断断续续的复习了一下线性代数,后面再概率论吧,主要总结了一些基础知识,概念和性质. 文章目录 一.行列 ...
- 机器学习的9个基础概念和10种基本算法总结
https://blog.csdn.net/libaqiangdeliba/article/details/41901387 1.基础概念: (1) 10折交叉验证:英文名是10-fold cross ...
- TF学习——Tensorflow框架之基础概念、设计思路、常用方法之详细攻略
TF学习--tensorflow框架之基础概念.设计思路.常用方法之详细攻略 目录 Tensorflow框架基础概念 Tensorflow框架设计思路 Tensorflow框架常用方法 Tensorf ...
最新文章
- R语言使用ggpubr包可视化分组条形图(grouped bar plot)、并添加误差条(error bar、误差条显示平均值+/-sd)、添加分组填充色、添加jitter、自定义分组抖动数据点形状
- cdoj841-休生伤杜景死惊开 (逆序数变形)【线段树 树状数组】
- 在Linux下编写并运行C文件
- trietree的一个小练习
- MySQL查询结果纵向输出标识符\G
- 局域网技术与组网工程实训
- Linux取消挂载,删除用户及其目录
- MySQL安装到mac还是linux_MySql在Linux下安装和Mac下的配置
- 圆周移位是怎么移的_【装修干货】马桶移位改造全攻略,总有一天你能用得上!赶紧收藏...
- 【电子电路】电子基础基本知识和面试要点
- 【转】程序员这口饭-职业规划解决方案
- 深度学习之CNN反向传播
- html nav标签无序排列,web前端分享HTML5中的nav标签
- ietester测试本地html,win7系统用IETester测试网站兼容性的方法
- 李宏毅2023春季机器学习笔记 - 01生成AI(ChatGPT)
- linux shell遍历多个数组
- 2022-10-15(Linux应急响应、配置漏洞之DNS域传送、内网渗透之内网主机发现技巧)
- 最纯净的重装系统,不需要各种重装非官方的工具(U盘启动,附分区方法)
- 中达优控plc触摸屏一体机笔记
- 硬盘-磁盘-分区-格式化-lvm-raid