线性分组码的最小汉明距为6_第二章 线性代数

1f63bc9a0116134fbe4c99992a0d0e70.png

2.1 标量、向量、矩阵和张量

  • 标量(scalar)
一个标量就是一个单独的数,用斜体表示标量。
  • 向量(vector)
一个向量是一列有序排列的数,用粗写的小写字母表示。
  • 矩阵(matrix)
矩阵式一个二维数组,其中的么一个元素由两个索引(而非一个)所确定,用粗体的大写字母表示。特别地,
表示
中垂直坐标
上的一横排元素,即
的第
行;
表示
的第
列。
转置(transpose)
矩阵的转置是以主对角线为轴的镜像。
广播(broadcasting)
,其中
,即向量b和矩阵的每一行相加,这种操作称为广播。
  • 张量(tensor)
一般地,一个数组中的元素分布在若干维坐标的规则网格中,称之为张量。使用A表示张量。

2.2 矩阵和向量相乘

,定义为
注意
(1) 两个矩阵的标准乘积不是指两个矩阵中对应元素的乘积;
(2) 两个向量的点积
可以看作矩阵的乘积
;

(3) 两个向量的点积满足交换律:
;

(4) 分配律:
;

(5) 结合律:
;

(6)
;

(7)
不常有。
元素对应乘积(element-wise product)或者Hadamard乘积(Hadamard product)。

2.3 单位矩阵和逆矩阵

  • 单位矩阵(identity matrix)
任意向量和单位矩阵相乘都不会改变。
  • 逆矩阵(matrix inversion)
的逆矩阵记为

注意:
只有方阵才具有逆矩阵,否则叫伪逆。

2.4 线性相关和生成子空间

  • 线性组合(linear combination)
理解

如果
存在,则对于每一个向量
恰好存在一个解。但对于方程组而言,对于
的某些值,可能不存在解,也可能存在无限多个解,若
都是某方程组的解,则
也是该方程组的解(
为任意实数)。

为了分析方程有多少个解,可以将
的列向量看作从
原点(origin)(元素都是零的向量)出发的不同方向,确定有多少种方法能够到达向量
。在这一观点下,向量
中的每一个元素表示我们应该沿着这些方向走多远,即
表示我们需要沿着第
个向量的方向走多远:

  • 生成子空间(span)
一组向量的线性组合,是指每个向量乘以对应标量系数之后的和,即:

确定
是否有解,相当于确定向量
是否在
列向量的生成子空间中,这个特殊的子空间被称为
列空间(column space)或者
值域(range)。
  • 线性相关和线性无关
如果一组向量中的任意一个向量能表示成其他向量的线性组合,则这组向量称为线性相关(linear dependence),反之称为线性无关(linear dependence)。
  • 奇异矩阵
列向量线性相关的矩阵称为奇异矩阵,否则称为非奇异矩阵。

2.5 范数

  • 范数定义
,其中
  • 欧几里德范数和
    范数
欧几里德范数:用于衡量向量的大小;
范数:当机器学习中零和非零元素之间的差异非常重要时,通常会使用
范数。每当
中某个元素从0增加
,对应的
范数也会增加
  • Frobenius范数(Frobenius norm)
  • 点积和范数

2.6 特殊类型的矩阵和向量

  • 对角矩阵(diagonal matrix)
并非所有的对角矩阵都为方阵,长方形的矩阵也可能是对角阵,非方阵的对角矩阵没有逆矩阵。对于长方形对角阵
而言,乘法
涉及
中每个元素的缩放,若
为瘦长形矩阵,那么缩放后的末尾加一些零,若
为胖宽形矩阵,那么在缩放后去掉最后一些元素。
  • 对称矩阵(symmetric matrix)
  • 单位向量(unit vector)
单位向量是具有单位范数的向量,即
  • 正交(orthogonal)

标准正交:
,且
  • 正交阵(orthogonal matrix)
,即

2.7 特征分解(eigendecomposition)

  • 特征分解
与整数的分解进行对比,整数分解是为了找整数内在的性质。可通过分解矩阵发现矩阵表示成数组元素时不明显的函数性质。
,其中
的特征向量组成的正交矩阵,
是对角矩阵。特征值
对应的特征向量是矩阵
的第
列,记作
。因为
是正交矩阵,可以将
看作沿方向
延展
倍的空间。
  • 正定(positive definite)
实对称矩阵的特征值分解可以用于优化二次方程
(
),其中限制
。当
等于
的某个特征向量时,
将返回对应的特征值。在限制条件下,函数
的最大值是最大特征值,最小值是最小特征值。

正定:
;

半正定:
;

负定:
;

半负定:
;

2.8 奇异值分解(SVD)

  • 奇异值分解与特征分解
a、每一个实数矩阵都有一个奇异值分解,但不一定都有特征分解;
b、公式
特征分解:

奇异值分解:

2.9 Moore-Penrose伪逆

  • 求伪逆
,其中
为SVD分解,
是对角矩阵
的伪逆,是其非零元素取倒数之后再转置得到。

解的不同情形
a、A的列数多于行数
用伪逆求得的
是众多可能解的一种,
是方程
的可行解中
最小的一个。

b、A的行数多于列数
可能没有解。通过伪逆得到的
使得
的欧几里德距离最小(
最小),这里

2.10 迹运算

  • 定义
  • Frobenius范数
  • 性质
;
;
;

标量的迹为本身:
;

2.11 行列式

  • 计算
行列式等于矩阵特征值的乘积
行列式的绝对值可以用来衡量举证参与矩阵乘法后空间扩大或缩小了多少。

2.12 PCA

空间中有m个点
,要压缩这些点,用更少的内存,损失一些精度去存储这些点。并希望损失的精度尽可能少一些,编码这些点是用低维表示,对于每个点
,会有一个对应的编码向量,
,
则可以用更少的内存存储原数据。

目的:找到编码函数,根输入返回编码
,找到编码函数,给定编码重构输入
。为简化编码器,使用矩阵将编码映射会
,即:
,其中
是解码矩阵,且
中所有列向量都有单位范数,即
,且正交。

首先需要明确如何根据每一个输入
得到一个最有编码
。可以最小化原始输入向量
和重构向量
之间的距离。

范数:

用平方
范数代替
范数:

,故:

为标量,故:

不依赖于
,问题转化为:

,则:

为正交矩阵,且其列向量有单位范数,即
,则:

即求
的最小值

是非负的且平方在非负值上是单调的,因此可以通过向量微积分求最小值:

即编码函数为:

定义PCA重构操作:

推而广之,需要最小化所有维数和所有点上的误差矩阵的Frobenius范数:

时,
为一个单一向量
,则:

因为
为标量,等价于:

将表示个点的向量堆叠成一个矩阵,记为
,其中
。原问题可以重新表述为:

暂不考虑约束问题,可以将Frobenius范数简化成下面的形式:

因为
,上式等于:

因为与
无关的项不影响argmin,迹中相乘矩阵的顺序不影响结果,上式等价于:

此时,再来考虑约束条件:

因为约束条件,上式等价于:

这个优化问题可以通过特征分解来求解,最优的
最大特征值对应的特征向量。

以上
的情况,得到了第一个主成。

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/535089.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

【SpringBoot 2】(十一)单元测试JUnit 5 指标监控

写在前面🛫更多知识总结见SpringBoot 2专栏 🚕本篇知识点总结自尚硅谷雷神的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀🚀…

sklearn中lstm_分别用sklearn和tensorflow做房价预测

原标题:分别用sklearn和tensorflow做房价预测本篇是后面用tensorflow做回归时的一个参照,忍不住要说的是sklearn真是简单好用,要不是他没有卷积cnn等时髦模型,真是不想用其他家的了。经典的sklearn集成模型结果:真是又…

多个containers 共用一个pvc_2020阜新PVC-UH市政管厂家-烟台塑胶

2020阜新PVC-UH市政管厂家烟台金沃泉塑胶有限公司主要产品PVC-U、PVC-M、PVC-UH聚氯乙烯给给水管材、HDPE高密度聚乙烯给水管材、CPVC氯化聚氯乙烯、MPP高压电力电缆护套管、PERT-Ⅱ型热力管道、高分子托辊管、水处理膜壳管。公司为电网、南方电网、电建集团、建筑集团、五矿集…

【SpringBoot 2】(十二) profile功能 自定义starter

写在前面🛫更多知识总结见SpringBoot 2专栏 🚕本篇知识点总结自尚硅谷雷神的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀🚀…

jpa transaction 回滚_我遇到的JPA中事务回滚的问题

在最近的项目中,做的是解析XML文件,解析过程中会有异常,比如:XML文件中节点的数据和与之对应的数据库的字段中数据的类型不匹配;XML中数据长度超过数据库定义的长度;有数据了的重复插入问题;读取…

pb 怎么判断是 小数_考试90分以上的孩子是怎么学数学的?听听老师怎么说?

一二年级,考试上九十分很轻松。但是,不少小朋友一上三年级,成绩就落下来了。那么,我们来看看三年级起,考试还能够保持在90分以上的孩子是怎么学习数学的吧!第一,计算能力过关通过这两张图片的对…

快速上手Mybatis-Plus 入门案例

写在前面🛫更多知识总结见Mybatis-Plus专栏 🚕内容总结自尚硅谷杨博超老师的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀🚀…

交换机分布缓存_网络交换机缓存在数据中心的作用

什么产生了缓存?网络交换机要配置多少缓存才够用?缓存容量是否有标准可以衡量? 当网络交换机接口收到超出其所能处理的流量后,它会选择要么将其缓存,或者将其丢弃。 缓存通常都是因为网络接口速率不同造成的&#xff0…

黑苹果 选择语言 点不了_什么是天然的“黑钻”?—科普贴

天然黑钻也被成为“碳酸氢”,具有与白钻相同的化学成分,然而黑钻石的晶体结构是不同的,这意味着它们由许多小晶体组成,它们以随机的形式粘在一起,而不是一个具有可识别自然线的固体锥形。天然黑钻石有极高的含物&#…

sim卡没坏但苹果手机无服务_解决手机插SIM卡后都显示“无SIM卡”的故障问题

故障现象顾客描述手机插SIM卡后都显示“无SIM卡”。维修过程引起插入SIM卡却显示“无SIM卡”的故障,除了可能是SIM卡座的供电、时钟、复位及SIM卡插入检测信号不正常导致外,还有可能是基带不正常导致的。插上手机卡,左上角提示“无SIM卡”&am…

Mybatis-Plus实现简单的增删改查 实体类上的注解

写在前面🛫更多知识总结见Mybatis-Plus专栏 🚕内容总结自尚硅谷杨博超老师的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀🚀…

webpack 读取文件夹下的文件_webpack基本介绍及使用

1.什么是webpackwebpack是一个前端资源加载/打包工具。它根据模块的依赖关系进行静态分析,然后将这些模块按照指定的规则生成对应的静态资源。从上图看出,webpack可以将多种静态资源js,css,less转换成一个静态文件,减少…

conda失败说没有写权限_爱情中,为什么男生表白失败,女生还说可以继续做朋友,想过没有...

在爱情中,不是每个男生都是幸运的,也不是每次的表白都是如你所愿的。有成功总有失败,成功是喜悦的,但是失败却是痛苦的。不过有的时候男生和女生表白以后,女生对男生说了这样的一段,其实我希望以后我们还是…

Mybatis-Plus中Wrapper条件构造器的使用

写在前面 🛫更多知识总结见Mybatis-Plus专栏 🚕内容总结自尚硅谷杨博超老师的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀&#x1f680…

springboot设置默认值_线上Bug无法复现?老司机教你一招,SpringBoot远程调试不用愁!...

前言在部署线上项目时,相信大家都会遇到一个问题,线上的 Bug 但是在本地不会复现,多么无奈。此时最常用的就是取到前端传递的数据用接口测试工具测试,比如 POSTMAN,复杂不,难受不?今天陈某教你一…

Mybatis-Plus的分页 乐观锁插件 通用枚举 多数据源

写在前面🛫更多知识总结见Mybatis-Plus专栏 🚕内容总结自尚硅谷杨博超老师的视频 🚒博主对于该知识尚在学习阶段 🚄如果发现存在问题请毫不吝啬的指出 🚀🚀扎哇太枣糕的博客首页🚀🚀…

学python哪个网站好-有哪些值得推荐的Python学习网站|

现在那个网站可以学习python爬虫? 为大家分享Python学习经验: 1、寻找一本Python书籍,要求浅显易懂、全面细致程较好,专注于这一本,从头开始研究,把整本书掌握透彻。 2、找一个项目练手,熟悉基础后&#xf…

等待的操作过时_不会过时的6种网站seo优化操作

SEO优化一直在变化,百度和谷歌的算法也在不断的迭代更新,所以竞争永远不会停止。今天小编就来给大家分享一下,6种不会过时的网站seo优化操作。1.保持正常优化为网站访客提供高质量的内容、卓越的用户体验和安全性以及卓越的技术网站。这可能需…

java的for循环取出数据只是拿到最后一个_一问SQL优化就无从藏身?那只是你对原理的精髓掌握不深

​曾几何时,我信誓旦旦的认为只要 SQL 写的好,面试过程永不倒。结果在一次又一次的征途中,「最终还是以完败落下帷幕」。结果都源于注重使用而忽略原理,从而不知也不了解「SQL」优化应如何面对。读文的你,如今可有这样…

SpringBoot前后端分离解决跨域问题的三种解决方案

🚀🚀扎哇太枣糕的博客首页🚀🚀** 文章目录🍊什么是跨域🍊跨域问题的解决策略🍊三种解决方法🍊什么是跨域 想要知道什么是跨域的话,我们可以通过一个小案例简单了解一下跨…