[线性代数]Note3--乘法和逆矩阵

继续是线性代数的学习笔记,第三节课乘法和逆矩阵

矩阵乘法

首先是对于矩阵相乘,如矩阵A和B相乘得到C,即A*B=C;那么如果要得到矩阵C的一个元素,如c34,其求解如下所示:

c34=a31b14+a32b24+=k=1na3kbk4

这里的n是矩阵A的列数,也是矩阵B的行数,所以两者要能相乘得到矩阵C,其要满足矩阵A的大小是 m*n,而B的大小是 n*p,这样得到的矩阵C的大小就是 m*p

所以矩阵相乘的条件是:

  • 如果不是方阵,第一个矩阵的列数要等于第二个矩阵的行数。
  • 如果是方阵,则两者必须大小相同。

    除了上述方法来进行矩阵相乘外,还是有其他方法的。第二种方法就是整列考虑,也就是变成矩阵乘以向量的方法,就是第一节中提到的方法。

    比如对于上述例子,矩阵A乘以矩阵B的第一列会得到矩阵C的第一列,以此类推,就可以得到一个完整的矩阵C,那么矩阵C的每一列都是矩阵A中列的线性组合。

    第三种方法就是根据行向量了,即A的每一行乘以矩阵B得到C对应的行,那么C中每一行就是B的行的线性组合。

    第四种方法就是使用A的一列乘以B的一行,同样可以得到矩阵C。一个例子如下所示:

234789[1060]=234[16]+789[00]=234121824

第五种方法就是分块方法。将矩阵A和矩阵B分别分成若干块,每块大小不需要一定相同,但是必须满足矩阵相乘的条件。其分块乘法规则就是相当于构建一个新的矩阵相乘。例子如下所示:将矩阵A、B都分成4块,如下所示,

A=[A1A3A2A4]B=[B1B3B2B4]

则矩阵A、B相乘得到的C为 [A1B1+A2B3A3B1+A4B2A1B2+A2B4A3B2+A4B4]

接下来介绍逆矩阵的内容。令I表示单位矩阵,则若方阵A可逆,即有逆矩阵A1,则有AA1=A1A=I成立,同时矩阵A被称为可逆的,或者非奇异的矩阵

这里要注意公式一定成立的前提是A必须是一个方阵。

奇异矩阵

首先介绍如何判断奇异矩阵,也就是不可逆的矩阵。

对于一个矩阵A,如果可以找到一个非零向量X,使得AX=0成立,则矩阵A是不可逆的。

所以,假设有一个不可逆的矩阵A=[1236],可以找到一个非零向量X=[31],使得AX=0

可逆矩阵

对于一个可逆矩阵A,我们应该如何找到其逆矩阵A1。这里将用到“Gaussian-Jordan”消元法

假设有一个可逆矩阵A=[1237],令其逆矩阵A1=[abcd],因为AA1=I=[1001],也就是有:

[1237][ab]=[10][1237][cd]=[01]

而利用“Gaussian-Jordan”消元法来解,有如下过程,其中使用到增广矩阵的知识:

[12371001](row2=row22row1)>[10311201](row1=row13row2)>[10017231]

对于上述消元过程,首先第一步给出的矩阵[12371001],就是一个增广矩阵,它用中间的一条竖线分为左右两部分,左边就是矩阵A,右边部分就是单位矩阵I,然后首先是令第二行减去第一行乘以2后的结果,也就是中间部分的矩阵,此时矩阵A部分的第二行变成[0 1]了,然后就是让第一行减去第二行乘以3的结果,得到最后一个矩阵,此时可以发现左边就是一个单位矩阵I,而右边就是我们需要的结果A1,这里可以令AA1来验证是否等于单位矩阵,从而判断得到的是否就是矩阵A的逆矩阵。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/409027.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

数学/sgu 130 Circle

题意 一个圆上有2k点,请输出点于点之间连线使得所分区域块数最小的方案总数以及区域数 分析 2k个点最少能把平面分成k1的区域,易证; 至于方案数,利用递推和乘法原理 令f[i]表示2i个点时的方案数,f[0]f[1]1,则f[i]sigma…

java多线程调用nsq消费_spark-streaming连接消费nsq

spark-streaming连接消费nsq目的使用 NSQ作为消息流使用 spark-streaming 进行消费对数据进行清洗后,保存到hive仓库中连接方案1、编写Spark Streaming Custom Receivers(spark-streaming 自定义接收器),详细见文档2、使用 nsq 官方提供的Java程序连接包…

[线性代数]Note4--A的LU分解转置-置换-向量空间

继续是线性代数的学习笔记,这次的笔记包含第四、五、六节三节课的内容。 第四节课是介绍A的LU分解。A的LU分解是指将矩阵A分解成一个下三角矩阵和一个上三角矩阵的乘积。其主要应用在数值分析中,用来解线性方程、求反矩阵或者计算行列式。 第五节课是介…

java:自定义数据库连接池

http://idata.blog.51cto.com/4581576/1159243转载于:https://www.cnblogs.com/fengjian/archive/2013/03/22/2975366.html

(转)C结构体之位域(位段)

转载自C结构体之位域(位段) 有些信息在存储时,并不需要占用一个完整的字节, 而只需占几个或一个二进制位。例如在存放一个开关量时,只有0和1 两种状态, 用一位二进位即可。为了节省存储空间,并使处理简便,C…

java为何重复调用方法_通过反射调用Java中的getter:重复调用它的最快方法是什么(在性能和可伸缩性方面)?...

小编典典您可以使用MethodHandle。其Javadoc写道:使用Lookup API中的工厂方法,可以将Core ReflectionAPI对象表示的任何类成员转换为行为等效的方法句柄。例如,可以使用Lookup.unreflect将反射方法转换为方法句柄。生成的方法句柄通常提供对底…

表单提交中get 和post方式的区别

两者的区别需要通过提交表单后才看得出来,主要是在数据发送方式和接收方式上 1.在客户端,Get方式在通过URL提交数据,就是把表单内的元素,转化成url参数提交,比如你有一个页面index.html,这个页面有一个文本…

linux mysql5.7.11_在Linux中以命令行方式安装 MySQL 5.7.11 for Linux Generic 二进制版本

转至: http://www.cnblogs.com/cyberniuniu/p/5273961.htmlMySQL 目前的最新版本是 5.7.11,在 Linux 下提供特定发行版安装包(如 .rpm)以及二进制通用版安装包(.tar.gz)。一般情况下,很多项目都倾向于采用二进制通用安装包形式来进行安装配置&#xff0c…

论文阅读(2)--Picking Deep Filter Responses for Fine-grained Image Recognition

这次阅读的文章是Picking Deep Filter Responses for Fine-grained Image Recognition,这篇文章是来自上海交通大学Xiaopeng Zhang等人的工作,该文章提出了一种对深度网络中的filter进行挑选的方法,基于挑选的filter的结果构建复杂特征表达。…

vc2008使用技巧

开发程序自动以管理员的身份运行: 2008里面自带一个选项:属性-配置属性-连接器-清单文件-Uac执行级别,里面可以选转载于:https://www.cnblogs.com/fwycmengsoft/archive/2013/03/26/2982874.html

论文阅读(3)--SPDA-CNN: Unifying Semantic Part Detection and Abstraction for Fine-grained Recognition

这篇文章是来自罗格斯大学的Han Zhang等人的工作。由题目可知与上一篇文章一样,本文的作者也关注到了富有语义的局部(利用Part,Part,Part,重要事情强调三遍),作者不满足于CUB-2011数据库提供的head和body的定位结果&am…

从流水中倒推算出销量为多某值的日期

SELECT rq,spid,chkshl, (SELECT SUM(chkshl) AS chkshl FROM spls_ck WHERE T.plh < plh and spidSPH00009425 having SUM(chkshl)<10 ) AS chkshl FROM spls_ck T where spidSPH00009425 order by plh desc 转载于:https://www.cnblogs.com/bingyuw/archive/2013/03/29…

egg.js java 生产数据_eggjs中,自动从数据库直接生成model.

eggjs中,自动从数据库直接生成model.使用sequelize-auto可以自动生成models直接上命令就可以搞定了# 安装必要的库npm install -g sequelize-auto# MySQL/MariaDB 数据库安装对应的库,其他数据库请看文档npm install -g mysql# 从命令行生成modelssequelize-auto -o ./database…

论文阅读(4)--Part-Stacked CNN for Fine-Grained Visual Categorization

这篇文章是来自悉尼科技大学Shaoli Huang等人的工作&#xff0c;与前两篇文章的出发点类似&#xff0c;本篇文章也是在Parts上寻找Fine-Grained的线索&#xff0c;但与前两篇文章相比&#xff0c;在框架中人工的参与更少。同其它Fine-Grained分类任务相似&#xff0c;这篇文章也…