williamgavin的博客

矩阵空间介绍一种新的向量空间：矩阵空间。 在这之前我们遇到的都是n维的向量空间， 对于矩阵空间先了解以下几个问题：Q：为什么矩阵也可以看成向量空间呢？A：因为矩阵可以同向量一样进行各种运算， 比如：加法， 数乘、线性组合等等； Q：矩阵空间与前面提到的实数向量空间有什么区别呢？ A：矩阵空间是n*n维的， 而实数向量空间是n维的， 相当于从以前的n维扩展到n*n维。 下面我们以3*3具体谈谈矩阵空

我们需要行列式的重要原因是：求特征值， 这点我会在后续的文章中介绍。 行列式一般记为detA， 或者写作 |A|， 意思是矩阵的行列式。 注意行列式是一个数。 一个包含很多信息的数， 比如：行列式为零时矩阵是奇异的（也就是没有逆矩阵）； 除此之外， 行列式还包含很多其他的东西。 下面我主要从三个基本性质开始谈起。主要内容性质一：单位矩阵的行列式为 1。 即|I| = 1。性质二：任意交换行列式的两行

上一篇文章主要讲了子空间的投影， 其中一个主要的知识点是：投影矩阵， P = A(ATA)-1AT, 这个公式的作用就是投影， 比如P*b就是将向量b投影到距离它的列空间最近的位置；举两个极端的例子，如果向量b位于它自己的列空间中， 那么向量b在其列空间中的投影就是它自己， 即：Pb = b。如果向量b与它自己的列空间垂直， 那么向量b在其列空间中的投影就是0， 即：Pb = 0。 通常情况下

今天来谈谈正交矩阵和Gram-Schmidt正交化。 先来看看正交矩阵正交矩阵在详细讨论正交矩阵之前， 我们先来看看正交向量。 假设q1, q2……qn 是一组正交向量， 那么每一个q向量都和其他的q向量正交（垂直）。 也就是说：如果一组向量中任一向量与除它自己之外的向量都正交， 那么就称这组向量是正交向量, 易知：qiTqj = 0（i != j）。 在上面那组向量中， 如果所有 q 向量的长度都

前面已经讲过了一维， 这样主要谈谈高维（三维）。高维以三维为例。在三维空间中， 有一个有a1， a2确定的平面， 有不在平面中的b向量。 通过b向量做垂线交平面于p点， 将这个垂线记为向量e， e=b-p。 由前面可知， 该平面是某个矩阵的列空间， 这个矩阵是以a1，a2为列的一个矩阵， 因为只有这样才能保证列空间正好是这个平面。将这个矩阵记为A， 那么p=Ax。 所以e=b-Ax。 因为e=b-A

矩阵的四个基本子空间：列空间， 零空间， 行空间， A的转置零空间（左零空间）。要弄清楚两个基本问题：怎么知道这四个空间的一组基， 以及基的维数主要讨论对于矩阵Am*n来说， 它的四个基本子空间分别位于那些空间里面呢？ 列空间位于：Rm零空间位于：Rn行空间位于：RmA的转置零空间(也叫作左零空间)位于：Rm如果矩阵为Am*n, 秩r=n， 那么列空间的一组基就是主列， 维数就是r。 列空间的维数与

前言Q：为什么要讲投影？A：就像Ax=b有时会出现无解的情况， 但是我又要求出一个解来， 所以我就只能求一个最接近的解， 将Ax=b转化成Ax=P， P就是b在列空间上的投影。 但是记住此时的x并不是原来的x， 只是一个最接近x的解一维我们先来看下面这个一维空间投影的例子要求是在a向量中寻找距离b向量最近的点， 一个容易想到的做法就是通过b做投影， 投影是p点； 那么这个p点就是距离b最近的点， 连

这篇博客主要阐述一下这三个概念及其相关东西线性相关性Q：什么是线性相关性？A：对于x1, x2,……xn这一组向量， 除了零向量外， 不存在结果为零的组合， 则称这一个向量组线性无关； 反之， 则称为线性有关。通俗的说就是：c1x1 + c2x2 + c3x3 +……+cnxn = 0， 如果c1, c2……cn不全为零， 则为线性相关， 如果只有当c1,c2……cn全为零时才成立， 则称线性无关

上一篇博客讨论了Ax=0的情况， 现在来看看Ax=b是怎样的假设A=， 那么如果A组成的方程组有解， b应该满足什么条件? 我们把b放到A矩阵后面去（得到A的增广矩阵）， 然后化成阶梯型得到这个矩阵， 从这个矩阵很容易看出， 只有当b3=b2+b1时， 才有解。如果b有解， 哪么b应该是在A的空间之内也就是说b应该是A的线性组合。 从A矩阵可以看出 行三 = 行一 + 行二， 所以b应该也是这样。

假设有A=矩阵， 要求Ax=b的所有x， 对A进行消元可得U=， 可以看出主元为1， 2。主元数量为2， 矩阵的秩为2。 介绍几个概念： 主列 - - 主元所在的列， 自由列 - - 除了主元所在的列之外的列 变量的个数等用于列的个数（此矩阵为x1, x2, x3, x4）， 主变量是主元所在的列的变量（x1, x3）， 自由变量是除了主元所在的列的变量。（x2, x4） 自由变量是回代时

矩阵的列空间和零空间列空间关注的是使得Ax=b的成立的b， 零空间关注的是当b为零向量时的x的取值举个例子：列空间 A是如下矩阵 ⎡⎣⎢⎢⎢123411112345⎤⎦⎥⎥⎥ \begin{bmatrix} 1 & 1 & 2 \\ 2 & 1 & 3 \\ 3 & 1 & 4\\ 4 & 1 & 5 \end{bmatrix} 因为A是三个三维向量， 不可能

什么是向量的正交？正交是垂直的另外一种说法， 两个向量正交就是说两个向量垂直怎么判断两个向量是否正交（条件）？可以通过做一个点乘来判断， XTy=0, 如果这个式子成立， 那么就说明x， y两个向量正交， 那么这个方法可以推广到n维吗？ 可以为什么这个方法可以判断呢？如果三角形是直角三角形时， 有|x|2 + |y|2 = |(x+y)|2， 也就是xTx+yTy=(x+y)T(x+y), 由于XT

以下面这个图为例， 简单介绍一下图和网络上面这个图是一个电路图， 箭头方向表示的是电流的流向。 节点数 n 为：4； 边 m 为：5；①②③组成了一个回路（loop）， ③④⑤ 也组成了一个回路， 对于一个图来说， 回路的数量和位置至关重要。我们可以用一个5*4的矩阵来描述一下这个图， 用来描述图的矩阵称为关联矩阵（关联矩阵的秩为节点数 - 1）。 可以根据电流的参考方向来判断正负。那么关联矩阵就可

今天简单介绍求解行列式的两个公式， 先来看看第一个。首先以2*2行列式为例：这种方法求解的思想是：把行列式的每一行都化成若干个行列式相加， 一次化解一行， 行列式的结果保持不变（为什么？）。 将所有的行全部化完进行求值运算。再看看3*3行列式 思路:首先固定一行元素， 然后选取该行第一列的数， 再在其他行中选取其他列的数， 要求是每一行和每一列都只能有一个元素（每种选取情况都要考虑到）其他位置补0