数学-线性代数导论-#11 基于矩阵A生成的空间:列空间、行空间、零空间、左零空间

线性代数导论-#11 基于矩阵A生成的空间:列空间、行空间、零空间、左零空间

本节课介绍和进一步总结了如何求出基于一个m*n矩阵A生成的四种常见空间的维数和基:

  • 列空间C(A),dim C(A) = r,基 = { U中主元列对应的原列向量 };
  • 行空间C(AT), dim C(AT) = r,基 = { U中的主元行 }:

1.为什么行空间不表示为R(A)而表示为C(AT)?

因为转置是矩阵的行与列之间的桥梁。

既然我们已经研究过列空间,通过转置,我们可以将行空间视为转置矩阵的列空间。

2.行空间与列空间之间有什么联系?

因为主元在转置过程中数目不会发生变化,所以行空间和列空间的维数是相同的。

请思考:如何证明下图中Prof. Strang右侧的三个向量线性相关?

3.为什么行空间的基可以直接取消元结果U中的主元行?

消元的过程中所进行的“行变换”,实质上是对各行的多次线性组合。

#10中我们已经学到,同一空间的两个不同的基A、B联系就是:B(或A)可以视为A(或B)的线性组合。

相反地,列空间会随着消元发生变化,列空间的基不能够直接取主元列。

  • 零空间N(A),dim N(A) = n-r,基 = { Ax=0的n-r个特解 };
  • 左零空间N(AT),dim N(AT) = m-r,基 = { EA=U中的E的倒数m-r行 }:

    1.为什么N(AT)叫“左零”空间?它与零空间有什么联系?

      其实零空间也可以叫“右零”空间。

      因为零空间是基于Ax=0的特解生成的,而左零空间是基于xA=0的特解生成的。

      换言之,零空间包含对列重组得到零向量的系数向量。左零空间包含对行重组得到零向量的系数向量。

     2.为什么左零空间的基这样求?

      这其实是一种特殊的技巧,利用了消元结果U中含有m-r个零行且零行位于底部的特征。

为了进一步理解这四种空间生成的本质、联系与区别,在复杂情景下进行分析,请尝试解出下面这题:

原文地址:https://www.cnblogs.com/samaritan-z/p/8442651.html

时间: 2024-10-24 07:37:40

数学-线性代数导论-#11 基于矩阵A生成的空间:列空间、行空间、零空间、左零空间的相关文章

数学-线性代数导论-#10 线性相关性、向量空间的基和维数

线性代数导论-#10 线性相关性.向量空间的基和维数 这节课中,我们先讲了前面的课程中一直提及的线性相关性的具体定义,并以此为基础建立了向量空间的"基"和"维数"的定义,最后归纳为一种已知若干向量求其生成的空间的基和维数的系统方法. 首先是线性相关性的定义. 已知一个由n个向量构成的向量组[V1,V2,-,Vn],如果存在n个系数[C1,C2,-,Cn],使得各CiVi(i=1,2,3,-,n)的和为0,则称这组向量线性相关.反之,如不存在,则称其线性无关. 当然,

数学-线性代数导论-#9 Ax=b的解:存在性、解法、解的数量、解的结构

线性代数导论-#9 Ax=b的解:存在性.解法.解的结构.解的数量 终于,我们在b为参数的一般情况下,开始分析Ax=b的解,包括标题中的四个方面. 首先是解的存在性. 从几何上说,当且仅当向量b位于列空间C(A)内时,Ax=b有解: 从代数上说,不能出现类似于"非0数=0"的矛盾方程: 1.这为我们判定是否有解提供了一个简便的途径: 根据Gauss消元法中对A和b进行行变换的同步性,行的相同线性组合其值一定相同. 所以加入A中各行可以通过简单的线性组合得到零行,而b进行相同线性组合的结

线性代数导论1——方程组的几何解释

本文是Gilbert Strang的线性代数导论课程笔记.课程地址:http://v.163.com/special/opencourse/daishu.html 第一课时:方程组的几何解释   一.线性方程组的两种理解方式:行图像和列图像 对于方程组: 我们可以表示成矩阵形式: 系数矩阵A,未知数向量x,右侧向量为b,则可写成 Ax=b 1)行图像的理解方式:试图将每一个完整方程所表示的图像表示出来. 交点即方程的解为(1,2). 2)列图像的理解方式:关注矩阵的列所表示的向量,把两个方程组放

基于矩阵分解的隐因子模型

推荐系统是现今广泛运用的一种数据分析方法.常见的如,“你关注的人也关注他”,“喜欢这个物品的用户还喜欢..”“你也许会喜欢”等等. 常见的推荐系统分为基于内容的推荐与基于历史记录的推荐. 基于内容的推荐,关键在于提取到有用的用户,物品信息,以此为特征向量来进行分类,回归. 基于历史记录的推荐,记录用户的评分,点击,收藏等等行为,以此来判断. 基于内容的推荐对于用户物品的信息收集度要求比较高,而许多情况下很难得到那么多的有用信息.而基于历史记录的方法,则利用一些常见的历史记录,相比与基于内容的方法

数学图形(2.11) 帖在球上的曲线图形

前面发布了很多种二维的曲线图形,其实所有的二维图形再加一个维度值就可以变成三维图形.那么这一节的内容是将一个二维曲线帖到一个球面上,以生成三维曲线. 帖到球上的方式是以如下公式生成第三个维度的数值: y = sqrt(a*a - x*x - z*z) 这里举个例子是之前发的一种二维曲线: 数学图形(1.27) 花 Cyclic-harmonic_sphere vertices = 12000 t = from 0 to (40*PI) a = 10 e = 1 n = rand2(0.1, 10

数学 - 线性代数 - #12 向量空间的衍生:矩阵空间、微分方程的解、图

线性代数导论-#12 向量空间的衍生:矩阵空间.微分方程的解.图 凡是可以进行加法和数乘运算的对象,我们都可以将其视为向量. 凡是对加法和数乘封闭的集合,我们都可以将其视为空间. 分析空间时,我们着眼于其维度和基. 矩阵空间:把矩阵视为向量 矩阵空间的维度与基 矩阵空间的交集与"合集" 秩1矩阵:rank = 1 的矩阵 特性 用途 微分方程的解:把函数视为向量 图: 图的概念 Graph = { Nodes, Edges } Small World Graph 图的两个任意节点之间最

简单的基于矩阵分解的推荐算法-PMF, NMF

介绍: 推荐系统中最为主流与经典的技术之一是协同过滤技术(Collaborative Filtering),它是基于这样的假设:用户如果在过去对某些项目产生过兴趣,那么将来他很可能依然对其保持热忱.其中协同过滤技术又可根据是否采用了机器学习思想建模的不同划分为基于内存的协同过滤(Memory-based CF)与基于模型的协同过滤技术(Model-based CF).其中基于模型的协同过滤技术中尤为矩阵分解(Matrix Factorization)技术最为普遍和流行,因为它的可扩展性极好并且易

算法导论 之 动态规划 - 矩阵链相乘

1 引言 在大学期间,我们学过高等数学中的线性规划,其中有关于矩阵相乘的章节:只有当矩阵A的列数与矩阵B的行数相等时,A×B才有意义.一个m×n的矩阵A(m,n)左乘一个n×p的矩阵B(n,p),会得到一个m×p的矩阵C(m,p).矩阵乘法满足结合律,但不满足交换律. 假设现要计算A×B×C×D的值,因矩阵乘法满足结合律,不满足交换律,即:A.B.C.D相邻成员的相乘顺序不会影响到最终的计算结果,比如: A×(B×(C×D)).A×((B×C)×D).(A×B)×(C×D).A×(B×C)×D.

《漫画线性代数》读书笔记 矩阵

太阳火神的美丽人生 (http://blog.csdn.net/opengl_es) 本文遵循"署名-非商业用途-保持一致"创作公用协议 转载请保留此句:太阳火神的美丽人生 -  本博客专注于 敏捷开发及移动和物联设备研究:iOS.Android.Html5.Arduino.pcDuino,否则,出自本博客的文章拒绝转载或再转载,谢谢合作. 行与列对应位置相乘!!! <漫画线性代数>读书笔记 矩阵