线性代数-第五课,第六课,第七课,第八课

2024-01-04 05:44

本文主要是介绍线性代数-第五课,第六课,第七课,第八课,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

第五课

判断某向量是否可由某向量组线性表示

把向量组组成一个行列式,计算行列式的秩

把所有向量放在一起构成一个行列式,计算行列式的秩

如果两个行列式的秩相等,表示可以线性表示,写答案的格式如下

线性表示:b=k1a1+k2a2+k3a3

判断某个向量组是否线性相关

把所有向量组成一个行列式,行列式的秩小于向量个数,则线性相关,如果秩等于向量个数,则线性无关

秩一般用R表示

求向量在基底下的坐标

默认线性相关,列出相等的式子,一一对应相等然后进行求解即可

求极大无关组

把所有向量写在一起,然后求秩,把前面三行的序号写下来就是最后的答案,前面的序号随着行的变化需要发生变化

第六课

根据秩的情况判断方程的解

在这里插入图片描述

其实就是把方程的系数列到一个行列式里面,没有系数的补充0,然后计算秩,非齐次方程多计算一个常数,然后就是比较秩和未知数之间的关系,主要是要记住表格,条件和结论是一一对应的

解方程组

步骤如下
1.把所有系数和常数列到行列式里面,求出一个秩
2.以秩作为评价标准,把行列式的前面R行,R列转换为E,R表示的是秩的大小,E表示的是对角线等于1,其余数字都等于0
3.根据2得到一个方程组
4.设n个未知数k,n=未知数个数-R
5.用k代替未知数,从最后一个未知数开始替换,最后算出结果即可,还是需要注意补全系数
在这里插入图片描述

通解,特解,基础解系

通解就是前面求出来的解

特解是随意给k赋值得到的解
(一般令k=0比较方便计算,可以直接写答案了)

基础解系就是把k的系数拿下来作为答案即可

已知特解求通解

设n个k,n=未知数个数-R,R表示秩的数目
然后把已知的条件代入求解,进行各种加减乘除的代数运算,最后的答案是k乘以x

非齐次方程多一个特解,其他的基本上是一样的

线性无关的解向量个数

齐次方程:未知数个数➖秩序,未知数个数等于矩阵列数
非齐次方程:比齐次方程多1

第七课

规范正交化

在这里插入图片描述
中括号的意思是两个向量的数值对应相乘再求和,中括号表示的是最后的这个和,和的数值

双竖线的意思是,每一个元素的平方和取根号,双竖线表示的是最后的结果,是一个数字

其实计算还是不难,最大的问题就是公式是否能记得清楚,考试的时候没有表格可以对照,不是开卷考试

求矩阵的特征值

在这里插入图片描述
代入计算即可,注意次方数是多少,就对应有多少个答案,这个答案可以相等,但是必须有,属于格式问题

求矩阵的特征向量

在这里插入图片描述
把前面的知识代入求解这个方程的通解即可,算是比较综合,因为要求特征值,通解等

方阵是否与对角阵相似

在这里插入图片描述
本质上就是求特征向量,然后看特征向量的个数和方阵的阶数是否相等

求对角阵及可逆变换矩阵

在这里插入图片描述
和前面的联系比较紧密,按部就班计算即可

求复杂式子

在这里插入图片描述
P表示的是可逆变换矩阵

最后的符号表示的是可逆变换矩阵的转置

相关的知识有,特征值,特征向量,转置,矩阵乘法

第八课

求二次型对应的系数矩阵

在这里插入图片描述
先套公式求出系数,对应系数相等的办法求出a,然后把a填入矩阵里,以对角线作为对称轴把整个矩阵补全,就是我们要求的系数矩阵

把二次型化成标准型,求变换矩阵P

在这里插入图片描述
系数矩阵的可逆变换矩阵就是变换矩阵P

规范形

在这里插入图片描述
又是一个需要记忆的公式
在这里插入图片描述
变换矩阵用这个来进行计算,P表示之前求的可逆变换矩阵

配方法

配方直到不存在两个x相乘的项

正定性

在这里插入图片描述
顺序主子式是什么意思,有几行就有几阶顺序主子式,前面一行一列,前面两行两列,前面三行三列

正定的等价条件

在这里插入图片描述
等价条件基本都是大于0的东西

结语

都还是比较简单,主要还是自己要耐心的去记,把例题一遍一遍的算,这样才可以弄熟练,熟能生巧

还是网课视频友好一些,看文档或者pdf速度虽然快一些,但是很容易卡住,因为不具有一定的前置知识,而且看书的难度确实要高一些,就像看题目的题解,远不如看视频讲解直观易懂

因为备考时间有限,准备把例题做熟练之后还有时间就做最多三套以前考试的真题,一方面贪多嚼不烂,另一方面自己还有别的考试科目需要复习哈哈

这篇关于线性代数-第五课,第六课,第七课,第八课的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/568324

相关文章

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

驱动(RK3588S)第七课时:单节点设备树

目录 需求一、设备树的概念1、设备树的后缀名:2、设备树的语法格式3、设备树的属性(重要)4、设备树格式举例 二、设备树所用函数1、如何在内核层种获取设备树节点:2、从设备树上获取 gpio 口的属性3、获取节点上的属性只针对于字符串属性的4、函数读取 np 结点中的 propname 属性的值,并将读取到的 u32 类型的值保存在 out_value 指向的内存中,函数的返回值表示读取到的

线性代数|机器学习-P35距离矩阵和普鲁克问题

文章目录 1. 距离矩阵2. 正交普鲁克问题3. 实例说明 1. 距离矩阵 假设有三个点 x 1 , x 2 , x 3 x_1,x_2,x_3 x1​,x2​,x3​,三个点距离如下: ∣ ∣ x 1 − x 2 ∣ ∣ 2 = 1 , ∣ ∣ x 2 − x 3 ∣ ∣ 2 = 1 , ∣ ∣ x 1 − x 3 ∣ ∣ 2 = 6 \begin{equation} ||x

【线性代数】正定矩阵,二次型函数

本文主要介绍正定矩阵,二次型函数,及其相关的解析证明过程和各个过程的可视化几何解释(深蓝色字体)。 非常喜欢清华大学张颢老师说过的一段话:如果你不能用可视化的方式看到事情的结果,那么你就很难对这个事情有认知,认知就是直觉,解析的东西可以让你理解,但未必能让你形成直觉,因为他太反直觉了。 正定矩阵 定义 给定一个大小为 n×n 的实对称矩阵 A ,若对于任意长度为 n 的非零向量 ,有 恒成

python科学计算:NumPy 线性代数与矩阵操作

1 NumPy 中的矩阵与数组 在 NumPy 中,矩阵实际上是一种特殊的二维数组,因此几乎所有数组的操作都可以应用到矩阵上。不过,矩阵运算与一般的数组运算存在一定的区别,尤其是在点积、乘法等操作中。 1.1 创建矩阵 矩阵可以通过 NumPy 的 array() 函数创建。矩阵的形状可以通过 shape 属性来访问。 import numpy as np# 创建一个 2x3 矩阵mat

线性代数 第六讲 特征值和特征向量_相似对角化_实对称矩阵_重点题型总结详细解析

文章目录 1.特征值和特征向量1.1 特征值和特征向量的定义1.2 特征值和特征向量的求法1.3 特征值特征向量的主要结论 2.相似2.1 相似的定义2.2 相似的性质2.3 相似的结论 3.相似对角化4.实对称矩阵4.1 实对称矩阵的基本性质4.2 施密特正交化 5.重难点题型总结5.1 判断矩阵能否相似对角化5.2 已知两个矩阵相似,求某个矩阵中的未知参数5.3 相似时,求可逆矩阵P,使

【鼠鼠学AI代码合集#5】线性代数

在前面的例子中,我们已经讨论了标量的概念,并展示了如何使用代码对标量进行基本的算术运算。接下来,我将进一步说明该过程,并解释每一步的实现。 标量(Scalar)的基本操作 标量是只有一个元素的数值。它可以是整数、浮点数等。通过下面的 Python 代码,我们可以很容易地进行标量的加法、乘法、除法和指数运算。 代码实现: import torch# 定义两个标量x = torch.tens

【ML--05】第五课 如何做特征工程和特征选择

一、如何做特征工程? 1.排序特征:基于7W原始数据,对数值特征排序,得到1045维排序特征 2. 离散特征:将排序特征区间化(等值区间化、等量区间化),比如采用等量区间化为1-10,得到1045维离散特征 3. 计数特征:统计每一行中,离散特征1-10的个数,得到10维计数特征 4. 类别特征编码:将93维类别特征用one-hot编码 5. 交叉特征:特征之间两两融合,x+y、x-y、

java复习第七课,控制语句

if{}else{}单选多选控制语句 控制语句分个大类,所有的程序都是有以下三个机构组成 1、顺序结构(由上往下的自然顺序) 2、选择结构(单选结构、双选结构、多选结构) 单选结构,if语句对条件表达式进行一次测试,若测试为真,则执行下面的代码,否则跳过该语句。 3、循环结构 /*测试if单选语句*/public class Testif{public static vo

java复习第六课,运算符

java语言支持运算符: 算数运算符:+,-,*,/,%,++,-- 二元运算符(+,-,*,/,%) 整数运算: 如果两个操作数有一个是Long,那么结果就为Long。 没有Long时,结果就为int,即使操作数全为shot,byte,结果也是int。 浮点运算: 如果两个操作数有一个是double,那么结果就为double。 只有两个操作数都是float,则结果才能为float