线性代数 | 分开写 |第二章 矩阵及其运算 |5. 矩阵的分块法——back

2024-04-19 16:28

本文主要是介绍线性代数 | 分开写 |第二章 矩阵及其运算 |5. 矩阵的分块法——back,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!

0 思维导图

在这里插入图片描述

一、矩阵分块法介绍

5.1 概念
对于行数和列数比较多的矩阵A,运算时常采用分块法,
使大的矩阵运算化成小的矩阵运算.将矩阵A用若干个纵线和横线分小矩阵,每一个
小矩阵称为矩阵A的子块,以子块为元素的形式上的矩阵称为分块矩阵

例如将 3 × 4 矩阵 A = ( a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 ) 分成以下三种形式: ( 1 ) ( a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 ) , ( 2 ) ( a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 ) ( 3 ) ( a 11 a 12 a 13 a 14 a 21 a 22 a 23 a 24 a 31 a 32 a 33 a 34 ) . 其中 A 11 = ( a 11 a 12 a 21 a 22 ) , A 12 = ( a 13 a 14 a 23 a 24 ) , A 21 = ( a 31 a 32 ) , A 22 = ( a 33 a 34 ) , \begin{aligned} &例如将3×4矩阵 \\ &\left.A=\left(\begin{array}{llll}{{a_{11}}}&{{a_{12}}}&{{a_{13}}}&{{a_{14}}}\\{{a_{21}}}&{{a_{22}}}&{{a_{23}}}&{{a_{24}}}\\{{a_{31}}}&{{a_{32}}}&{{a_{33}}}&{{a_{34}}}\end{array}\right.\right) \\ &\text{分成以下三种形式:} \\ &(1)\quad\left(\begin{array}{cc:cc}a_{11}&a_{12}&a_{13}&a_{14}\\a_{21}&a_{22}&a_{23}&a_{24}\\\hdashline a_{31}&a_{32}&a_{33}&a_{34}\end{array}\right),\quad(2)\quad\left(\begin{array}{ccc|c}a_{11}&a_{12}&a_{13}&a_{14}\\a_{21}&a_{22}&a_{23}&a_{24}\\\hdashline a_{31}&a_{32}&a_{33}&a_{34}\end{array}\right) \\ &(3)\quad\left(\begin{array}{c:c:c:c}{{a_{11}}}&{{a_{12}}}&{{a_{13}}}&{{a_{14}}}\\{{a_{21}}}&{{a_{22}}}&{{a_{23}}}&{{a_{24}}}\\{{a_{31}}}&{{a_{32}}}&{{a_{33}}}&{{a_{34}}}\end{array}\right). \\ &\text{其中} \\ &A_{11}=\left(\begin{array}{cc}{{a_{11}}}&{{a_{12}}}\\{{a_{21}}}&{{a_{22}}}\end{array}\right),\quad A_{12}=\left(\begin{array}{cc}{{a_{13}}}&{{a_{14}}}\\{{a_{23}}}&{{a_{24}}}\end{array}\right), \\ &\text{} A_{21}=\left(\begin{array}{cc}{{a_{31}}}&{{a_{32}}}\end{array}\right),\quad A_{22}=\left(\begin{array}{cc}{{a_{33}}}&{{a_{34}}}\end{array}\right), \\ &\text{} \end{aligned} 例如将3×4矩阵A= a11a21a31a12a22a32a13a23a33a14a24a34 分成以下三种形式:(1) a11a21a

这篇关于线性代数 | 分开写 |第二章 矩阵及其运算 |5. 矩阵的分块法——back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/918057

相关文章

《offer来了》第二章学习笔记

1.集合 Java四种集合:List、Queue、Set和Map 1.1.List:可重复 有序的Collection ArrayList: 基于数组实现,增删慢,查询快,线程不安全 Vector: 基于数组实现,增删慢,查询快,线程安全 LinkedList: 基于双向链实现,增删快,查询慢,线程不安全 1.2.Queue:队列 ArrayBlockingQueue:

运算放大器(运放)低通滤波反相放大器电路和积分器电路

低通滤波反相放大器电路 运放积分器电路请访问下行链接 运算放大器(运放)积分器电路 设计目标 输入ViMin输入ViMax输出VoMin输出VoMaxBW:fp电源Vee电源Vcc–0.1V0.1V–2V2V2kHz–2.5V2.5V 设计说明 这款可调式低通反相放大器电路可将信号电平放大 26dB 或 20V/V。R2 和 C1 可设置此电路的截止频率。此电路的频率响应与无源 RC 滤

无法解决 equal to 运算中 Chinese_PRC_90_CI_AS 和 Chinese_PRC_BIN 之间的排序规则冲突

这是因为数据库 oa 和 hh 的编码格式不一样导致的 select  groupname as oper_id,name as oper_name from security_users where name collate Chinese_PRC_CI_AS not in (select oper_name from PDA_UsersAndPWD )

计算广告:第二章——计算广告基础

一、广告有效性原理 二、互联网广告的技术特点 1、技术和计算向导 2、效果的可衡量性 3、创意和投放方式的标准化 4、媒体概念的多样化 5、数据驱动的投放决策 三、计算广告的核心问题 1、广告收入的分解 2、结算方式与ECMP估计关系 四、在线广告相关行业协会 五、问题 可衡量的效果以及相应的计算优化是在线广告区别线下广告的主要特点,千次展示期望收入(expect

推荐算法之矩阵分解实例

矩阵分解的数据利用的上篇文章的数据,协同过滤 用到的知识 python的surprise k折交叉验证 SVD SVDpp NMF 算法与结果可视化 # 可以使用上面提到的各种推荐系统算法from surprise import SVD,SVDpp,NMFfrom surprise import Datasetfrom surprise import print_perf

江协科技51单片机学习- p16 矩阵键盘

🚀write in front🚀   🔎大家好,我是黄桃罐头,希望你看完之后,能对你有所帮助,不足请指正!共同学习交流 🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝​  💬本系列哔哩哔哩江科大51单片机的视频为主以及自己的总结梳理📚  前言: 本文是根据哔哩哔哩网站上“江协科技51单片机”视频的学习笔记,在这里会记录下江协科技51单片机开发板的配套视频教程所作的实验和学习

使用matlab的大坑,复数向量转置!!!!!变量区“转置变量“功能(共轭转置)、矩阵转置(默认也是共轭转置)、点转置

近期用verilog去做FFT相关的项目,需要用到matlab进行仿真然后和verilog出来的结果来做对比,然后计算误差。近期使用matlab犯了一个错误,极大的拖慢了项目进展,给我人都整emo了,因为怎么做仿真结果都不对,还好整体的代码都是我来写的,慢慢往下找就找到了问题的来源,全网没有看到多少人把这个愚蠢的错误写出来,我来引入一下。 代码错误的表现:复数向量的虚部被取反,正数变成负数,负数

「学转录组入门生信」第二周来获取表达量矩阵

我们第二周目标有四个: 整理数据RNA-seq格式了解数据质控数据比对read定量 首先,我们得要知道我们在转录组分析过程中会遇到很多格式,建议先通过搜索查找了解这些格式是什么 fasta/fas/fagtf/gffbedsam/bamcsv/tsv/txt 接着,我们会在分析过程中时刻检查我们的数据质量,所以你要尝试回答下面这几个问题 数据质控要在哪个阶段做不同阶段要看什么标准质控有哪

「单细胞转录组系列」如何从稀疏矩阵中提取部分数据进行分析

这一篇文章是回答知识星球中一位星友的提问,她的电脑内存有限,无法直接使用所有数据,只能分析部分数据。 数据来源: https://content.cruk.cam.ac.uk/jmlab/atlas_data.tar.gz 解压缩之后,得到下面数据 数据清单 其中raw_counts.mtx是以稀疏矩阵格式存放的表达量数据,文件为6.5G, 用普通的文本编辑器无法打开,

Strassen矩阵乘法简要解析(第4章:分治策略)

Strassen矩阵乘法简要解析 Strassen矩阵乘法具体描述如下: 两个n×n 阶的矩阵A与B的乘积是另一个n×n 阶矩阵C,C可表示为假如每一个C(i, j) 都用此公式计算,则计算C所需要的操作次数为n3 m+n2 (n- 1) a,其中m表示一次乘法,a 表示一次加法或减法。 为了使讨论简便,假设n 是2的幂(也就是说, n是1,2,4,8,1 6,...)。 首先,假设