漫步线性代数四——矩阵符号和矩阵乘法

2024-05-08 16:18

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 righthand sides2u4u2u++v6v7v++w2w===529(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=uvwThe solution is x=112

九个系数分为三行和三列,得到 3×3 的矩阵:
Coefficient matrixA=242167102

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 m 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+B230104+131212=301316

Multiplication 2A230104=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=b242167102uvw=529(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 4u6v+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=[21+11+12]=[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 rows131101614250=12+15+6032+05+3012+15+40=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 clumns2131+5101+0634=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 A 列的组合,其中系数是x的元素。

为了让 A×x 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 isj=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 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=120010001

根据矩阵和向量乘法的规则得以证实:
Eb=120010001529=5129

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 行减去倍的 j 行。Eij包含第 i 行第j列的

I=100010001has Ib=bE31=10010001has E31b=b1b2b3b1

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=120010001times A=242167102gives EA=202187122

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 (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 EAAE

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=Ab1b2b3=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 m×n B n×p,那么可以做乘法。乘积 AB m×p 。现在我们找出 AB i j列的元素。

3、 AB 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)


这里写图片描述
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 LU LDU 。矩阵乘法的规则都是一样。

例1

AB=[2430][152100]=[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\ FEEF

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=120010001andF=101010001

两个矩阵相乘得:
EF=121010001=FE

无论是哪种顺序 EF 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=100011001120010001=122011001butEG=120011001

因此 EGGE 。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 EGGE 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=121011001andEFG=121011001

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!



http://www.chinasem.cn/article/970814

相关文章

numpy求解线性代数相关问题

《numpy求解线性代数相关问题》本文主要介绍了numpy求解线性代数相关问题,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧... 在numpy中有numpy.array类型和numpy.mat类型,前者是数组类型,后者是矩阵类型。数组

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

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

hdu 6198 dfs枚举找规律+矩阵乘法

number number number Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others) Problem Description We define a sequence  F : ⋅   F0=0,F1=1 ; ⋅   Fn=Fn

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

超级 密码加密 解密 源码,支持表情,符号,数字,字母,加密

超级 密码加密 解密 源码,支持表情,符号,数字,字母,加密 可以将表情,动物,水果,表情,手势,猫语,兽语,狗语,爱语,符号,数字,字母,加密和解密 可以将文字、字母、数字、代码、标点符号等内容转换成新的文字形式,通过简单的文字以不同的排列顺序来表达不同的内容 源码截图: https://www.httple.net/152649.html

【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

【UVA】10003-Cutting Sticks(动态规划、矩阵链乘)

一道动态规划题,不过似乎可以用回溯水过去,回溯的话效率很烂的。 13988658 10003 Cutting Sticks Accepted C++ 1.882 2014-08-04 09:26:49 AC代码: #include<cstdio>#include<cstring>#include<iostream>#include<algorithm>#include

算法练习题17——leetcode54螺旋矩阵

题目描述 给你一个 m 行 n 列的矩阵 matrix ,请按照 顺时针螺旋顺序 ,返回矩阵中的所有元素。  代码 import java.util.*;class Solution {public List<Integer> spiralOrder(int[][] matrix) {// 用于存储螺旋顺序遍历的结果List<Integer> result = new ArrayList