本文主要是介绍漫步线性代数四——矩阵符号和矩阵乘法,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!
对于 3×3 的例子,我们能够写出所有的公式。可以列出消去步骤,一个方程减去另一个方程的倍数达到三角矩阵的形式。对于一个大的系统,这种跟踪消去的步骤太长了,所以我们需要更加简洁的记录方式。
我们现在引进矩阵符号来描述开始的系统,用矩阵乘法来描述计算步骤会更简单。注意三种不同类型的量都出现在例子中:
Nine coefficientsThree unknownsThree right−hand sides2u4u−2u+−+v6v7v++w2w===5−29(1)
右边是列向量
b 。左边是未知量
u,v,w。另外,左边有九个系数(其中一个碰巧是零)。自然地,我们用一个向量来表示三个未知量:
The unknown is x=⎡⎣⎢uvw⎤⎦⎥The solution is x=⎡⎣⎢112⎤⎦⎥
九个系数分为三行和三列,得到
3×3 的矩阵:
Coefficient matrixA=⎡⎣⎢24−21−67102⎤⎦⎥
A 是一个方阵,因为方程个数等于未知量的个数。如果
n个方程有
n 个未知量,那么我们有
n×n矩阵。更一般地,可能
m 个方程有
n个未知量。那么
A 是
m行
n 列的长方形。它将是一个
m×n矩阵。
矩阵互相相加,或乘以某个常数值,每一次执行一列的时候,效果和向量完全一样。事实上我们可以将向量看做矩阵的特殊情况;他们是只有一列的矩阵。和向量一样,如果两个矩阵形状相同时,他们才能执行加法:
Additon A+B⎡⎣⎢230104⎤⎦⎥+⎡⎣⎢1−31212⎤⎦⎥=⎡⎣⎢301316⎤⎦⎥
Multiplication 2A⎡⎣⎢230104⎤⎦⎥=⎡⎣⎢460208⎤⎦⎥
矩阵和向量相乘
我们想用三个未知量 u,v,w 重写方程,得到简化的矩阵形式 Ax=b 。全写出来就是,矩阵乘以向量等于向量:
Matrix form Ax=b⎡⎣⎢24−21−67102⎤⎦⎥⎡⎣⎢uvw⎤⎦⎥=⎡⎣⎢5−29⎤⎦⎥(2)
右边
b 是非齐次项列向量。左边是
A×x。我们准确的定义这个乘法以便于它能够重现最初的系统。
Ax 的第一项来自
A 的第一行乘以列向量
x;
Row times column[211]⎡⎣⎢uvw⎤⎦⎥=[2u+v+w]=[5](3)
乘积
Ax 的第二部分是
4u−6v+0w ,来自于
A 的第二行。矩阵方程
Ax=b等价于方程(1)中三个联立的方程组。
行乘列是所有矩阵乘法的基础。两个向量相乘得到一个数。这个数称为两个向量的内积。换句话说, 1×n 矩阵(行向量)和 n×1 矩阵(列向量)相乘得到一个 1×1 矩阵:
Inner product[211]⎡⎣⎢112⎤⎦⎥=[2⋅1+1⋅1+1⋅2]=[5]
这表明给出的解
x=(1,1,2) 满足第一个方程。
矩阵 A 和一个向量x相乘有两种方法。一种方法是一次乘以一行, A 的每行和x结合给出 Ax 的一部分。当 A 有三行是,存在三个内积:
Ax by rows⎡⎣⎢131101614⎤⎦⎥⎡⎣⎢250⎤⎦⎥=⎡⎣⎢1⋅2+1⋅5+6⋅03⋅2+0⋅5+3⋅01⋅2+1⋅5+4⋅0⎤⎦⎥=⎡⎣⎢767⎤⎦⎥(4)
通常这就是
Ax 的解释,但是第二种方法同样重要。事实上,它更重要!它是一次乘以一列。
Ax 乘积一下就计算出来,就像矩阵
A 三列的组合:
Ax by clumns2⎡⎣⎢131⎤⎦⎥+5⎡⎣⎢101⎤⎦⎥+0⎡⎣⎢634⎤⎦⎥=⎡⎣⎢767⎤⎦⎥(5)
答案就是两倍的第1列加5倍的第2列。它对应于线性方程组的列图像。如果右边
b 是7,6,7,那么解就是2,5,0。当然行图像也是如此(我们最终要做相同的乘法)。
列规则将会一遍又一遍的使用,现在我们在强调一遍:
1、Ax的乘积可以利用方程(5)中的列找出来,因此 Ax 是 A 列的组合,其中系数是x的元素。
为了让 A×x 在 n 维空间中,我们需要一个符号来表示A的每一项。第 i 行,第j列的元素用 aij 表示。第一个下标给出行数,第二个下标指示列。(在方程(4)中, a21 是3, a13 是6)如果 A 是一个m×n矩阵,然后索引从1到 m -有m行,索引 j 从1到n。合在一起,矩阵有 mn 个元素并且 amn 位于右下角。
一个下标对向量来说已经足够了。 x 的第j个元素用 xj 表示。(以上的乘法有 x1=2,x2=5,x3=0 )通常 x 写成列向量,就像n×1矩阵。但有时它写成一条线,如 x=(2,5,0) 。括号和逗号强调它不是 1×3 矩阵。而是一个列向量,它只是暂时躺着而已。
为了描述乘积 Ax ,我们使用“sigma”符号求和 Σ 表示和:
Sigma notationThe ith component of Ax is∑j=1naijxj
这个和取
A 的第i行。索引
j 取1到n的所有值,然后将结果加起来-和就是
ai1x1+ai2x2+⋯+ainxn 。
我们再次见到行的长度( A 的列数)必须匹配x的长度。一个 m×n 矩阵乘以 n 维向量(得到m维向量)。求和符号比啥都写满简单许多,但是矩阵符号要更好。(爱因斯坦用“张量符号”,其中重复的索引意味着求和。他写 aijxj 或 ajixj ,我们不是爱因斯坦,所以保持用符号 Σ )
消元的矩阵形式
到目前为止,对方程组,我们有一种方便速记的形式 Ax=b 。 那么在消元过程中是怎么进行操作的呢?在我们的示例中,第一步是中用第二个方程减去第一个方程的2倍。对于右边就是, b 的第二个元素减去第一个元素的2倍。如果我们用初等矩阵(或消元矩阵)乘以b,会取得同样的效果:
Elementary matrixE=⎡⎣⎢1−20010001⎤⎦⎥
根据矩阵和向量乘法的规则得以证实:
Eb=⎡⎣⎢1−20010001⎤⎦⎥⎡⎣⎢5−29⎤⎦⎥=⎡⎣⎢5−129⎤⎦⎥
5和9保持不变(因为
E 的行1,0,0和0,0,1)。第一次消元步骤后,得到新的第二个元素-12。它很容易用矩阵E描述,它单独执行消元步骤。我们也注意到“单位矩阵”,不执行任何操作。
2、单位矩阵 I 主对角线上为1,其余地方为0,不改变向量的值。基本矩阵Eij表示第 i 行减去ℓ倍的 j 行。Eij包含第 i 行第j列的 −ℓ 。
I=⎡⎣⎢100010001⎤⎦⎥has Ib=bE31=⎡⎣⎢10−ℓ010001⎤⎦⎥has E31b=⎡⎣⎢b1b2b3−ℓb1⎤⎦⎥
Ib=b 类似于乘1运算。典型的消元步骤是 E31 。重要的问题是:左边的 A 发生了什么?为了保持相等,Ax=b两边必须使用相同的操作。换句话说,我们也必须用矩阵 E 乘以向量Ax。我们最初的矩阵 E 从第二行减去第一行的2倍,这一步之后,新的简单方程组(等价于旧的)就是E(Ax)=Eb。因为第一个主元下面都是零,所以它更简单。因为我们可以恢复到最初的方程组(通过第二行加上第一行的2倍)所以他们是等价的。所以这两个方程组具有完全相同的解 x 。
矩阵乘法
现在我们来看最重要的问题:我们如何计算两个矩阵相乘?我们可以从高斯消元法中得到部分线索:我们知道最初的系数矩阵A,消元矩阵 E ,而且还知道消元后的结果EA。我们希望并期望
E=⎡⎣⎢1−20010001⎤⎦⎥times A=⎡⎣⎢24−21−67102⎤⎦⎥gives EA=⎡⎣⎢20−21−871−22⎤⎦⎥
矩阵 A 的第二行减去第一行的两倍。矩阵乘法和消元法的行操作比较一致。我们可以将结果写成E(Ax)=Eb或 (EA)x=Eb 。 精确地构造矩阵 EA 使得方程成立,括号不是必须的:
Matrix multiplication(EA×x)equals(E×Ax)We just write EAx
这是”结合律”,就像 2×(3×4)=(2×3)×4 。交换律似乎显而易见,所以很难想象它可能是错的。但是“交换律” 2×3=3×2 对于矩阵来说就不成立 EA≠AE 。 关于矩阵乘法还有另一项要求。我们知道如何计算 Ax ,一个矩阵和一个向量,新的定义应该也使它满足。当矩阵 B 只包含一个列x时,矩阵与矩阵 AB 的乘积应该和矩阵与向量的乘积 Ax 相同。更重要的是:当 B 包含几列b1,b2,b3时, AB 的列应该是 Ab1,Ab2,Ab3 !
Multiplication by columnsAB=A⎡⎣⎢b1b2b3⎤⎦⎥=⎡⎣⎢Ab1Ab2Ab3⎤⎦⎥
我们的第一个要求与行有关,而这个与列有关。 A 的第三种方法是描述AB的每一项。事实上,只有一个可能的规则,不知道是谁发现了它,它恒成立,因为这个规则,我们不用让每对矩阵相乘。如果他们是方形的,他们肯定有相同的大小。如果是矩形的,他们形状肯定不一样; A 的列数必须等于B的行数。然后 A 可以成B的每一列。
如果 A 是m×n, B 是n×p,那么可以做乘法。乘积 AB 是 m×p 。现在我们找出 AB i 行j列的元素。
3、 AB 的 i,j 项是 A 的第i行与 B 的第j列的内积。在图1中, AB 的第3,2项从3行,2列计算得到:
(AB)32=a31b12+a32b22+a33b32+a34b42(6)
图1: 3×4 的矩阵 A 乘以4×2的 矩阵 B 得到3×2的矩阵 AB 注意,当矩阵没有经过消元处理时我们写成 AB 。因为初等矩阵 E ,所以我们前面的示例中写成EA。之后我们有 PA 或 LU 或 LDU 。矩阵乘法的规则都是一样。
例1:
AB=[2430][152−100]=[1741800]
17 就是 (2)(1)+(3)(5) , A 的第一行与B的第一列内积的结果。 8 就是(4)(2)+(0)(1), A 的第二行与B的第二列内积的结果。 B 的第三列是零,所以AB也是零。 B 包含三列,B分别乘以每一列。 AB 的每一列都是 A 列的组合。就像矩阵和向量乘法一样,A列的系数就是 B 中的元素。
例2:
Row exchange matrix[0110][2738]=[7283]
例3:单位矩阵 I 不改变任何矩阵:
Identity matrixIA=AandBI=B
重要提示:乘法 AB 也可以一次计算一行。在例中1中, AB 的第一行可以使用 A 第一行的数字2和3。这些数字给出2[row 1]+3[row 2]=[17 1 0]。就像之前的消元法, AB 的每行是 B 行的组合。
4、(1)AB的元素是行和列的乘积:
(AB)ij=(row i of A)×(column j of B)
(2) AB 的每一列是矩阵和列的乘积:
column j of AB=A×(column j of B)
(3) AB 的每一行是行和矩阵的乘积:
row i of AB=(row of A)×B
这引出了矩阵乘法的一个关键性质。假设三个矩阵 A,B,C 的形状(可能是矩形)可以加倍, A,B 的行乘以 B,C 的列,那么关键性质就是:
5、矩阵乘法满足结合律: (AB)C=A(BC) ,写作 ABC 。
AB×C=A×BC 。如果 C 刚好是一个向量(只有一列的矩阵),这正好就是之前提到的(EA)x=E(Ax),这是矩阵乘法规则的基础。如果 C 有几列,我们可以一列列考虑,所利用几次法则。当计算几个矩阵乘法时,括号是没必要的。
还有两个性质需要提到-一个是矩阵乘法满足的,另一个是它不满足的。
6、矩阵乘法满足分配律:
A(B+C)=AB+ACand(B+C)D=BD+CD
当然这些矩阵的形状必须匹配- B,C 有相同的形状,这样的话他们才可以相加。这个定律的证明太过无聊这里不再陈述。
下面这条性质就不满足了:
7、矩阵乘法不满足交换律:通常\ FE≠EF
例4:假设 E 是第二行减去第一行的2倍,F是第一行加到第三行上:
E=⎡⎣⎢1−20010001⎤⎦⎥andF=⎡⎣⎢101010001⎤⎦⎥
两个矩阵相乘得:
EF=⎡⎣⎢1−21010001⎤⎦⎥=FE
无论是哪种顺序
EF 或
FE ,利用第一行改变了第二和第三行的值。
例5:假设 E 和上面一样,但G是第二行加到第三行上。现在改变他们的顺序,当先执行 E ,再执行G,在改变第三行之前第二行已经改变了。如果反过来,那么第三个等式不会受到第一行的影响,我们将会看到 EG 的(3,1)元素为零,而 GE 的是-2:
EF=⎡⎣⎢100011001⎤⎦⎥⎡⎣⎢1−20010001⎤⎦⎥=⎡⎣⎢1−2−2011001⎤⎦⎥butEG=⎡⎣⎢1−20011001⎤⎦⎥
因此
EG≠GE 。随便举个例子依然如此(大部分矩阵都不满足)。这里的矩阵是有意义的,
EF=FE 而
EG≠GE 是有原因的,我们有必要看看三个消元矩阵放一起会发生什么:
GEF=⎡⎣⎢1−2−1011001⎤⎦⎥andEFG=⎡⎣⎢1−2−1011001⎤⎦⎥
GFE 是消元的正确顺序。将最初的矩阵
A 变成了上三角矩阵U,我会在下一篇文章中再次讲述。
其他矩阵 EFG 更好。对于这个顺序, E 的-2,F的1和 G <script type="math/tex" id="MathJax-Element-369">G</script> 都未受到影响,他们直接得出乘积,而它却是错误的消元顺序。但幸运的是,它是右边消元步骤的逆(我也会在下一篇文章里讲解)。
注意,下三角矩阵的乘积依然是下三角矩阵。
这篇关于漫步线性代数四——矩阵符号和矩阵乘法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!