矩阵的一些性质

(线代这块儿菜的要死,而矩阵又是基础,单独列出来吧)


几个定义

  • 转置矩阵

    • 转置矩阵相当于把矩阵顺时针旋转了90度之后再180度翻转过来。
    • 例如:

  • 单位矩阵

    • 一个n阶的矩阵为单位矩阵,ai j=[i==j]。
    • 设n阶单位矩阵为I,则AI=IA=A。
  • 行列式

    • 矩阵A的行列式记为det(A)或|A|。它等于Σ (-1)^t * a(1,p1)a(2,p2)……a(n,pn),其中p是1~n的一种排列,t是这个排列的逆序对个数。
    • 通过上述定义,我们可以发现矩阵的几个简单初等变换:
      • 交换两行/两列:det(A)——> -det(A);
      • 给其中一行或一列乘上一个非零整数k:det(A)——> k*det(A);
      • 一行/列的k倍加到另一行/列上:det(A)——>det(A)。
    • 余子式
    • 定义 n阶矩阵A去掉第i行第j列之后剩下的n-1阶矩阵的行列式为矩阵的余子式Ai j
    • 代数余子式
    • 代数余子式 Mi j=(-1)^(i+j) Ai j ;
    • 回过头来,矩阵的行列式是可以在行/列上展开的:
      • 行列式在行上的展开:det=ai j*Mi j(其中i任意一行,j从1~n);
      • 行列式在列上的展开:det=ai j*Mi j(其中j任意一列,i从1~n)。
    • 从而我们得到了一个递归求解行列式的方法,它的复杂度为O(n!)。
  • 上三角矩阵

    下三角矩阵

    LU分解:

    • 将一个n阶矩阵A拆分成一个上三角矩阵L和一个下三角矩阵U,A=LU。
    • 一个n阶矩阵存在LU分解当且仅当这个矩阵存在逆矩阵。
    • 分别进行初等变换即可求出上三角矩阵和下三角矩阵。(通常我们所说的那个高斯消元其实就是LU分解)

      LU分解与行列式

    • 我们已经知道了高斯消元的过程就是通过初等变换把当前矩阵分解成一个上三角矩阵的过程,这其中初等变换的过程我们可以记录下来,通过三个性质,保留下行列式,然后我们看看上三角矩阵的性质“
      • 重新回到行列式的定义:det=Σ (-1)^t * a(1,p1)a(2,p2)……a(n,pn)。如果我们想让一个排列对行列式产生非零的贡献,那么对于所有的a(i,pj)都需要满足p j>=i,只有一种情况就是1~n的这个排列,所以上三角矩阵的行列式就是Π ai i。

原文地址:https://www.cnblogs.com/kgxw0430/p/10327391.html

时间: 2024-10-12 03:39:21

矩阵的一些性质的相关文章

[WebGL入门]五,矩阵的基础知识

注:文章译自http://wgld.org/,原作者杉本雅広(doxas),文章中如果有我的额外说明,我会加上[lufy:],另外,鄙人webgl研究还不够深入,一些专业词语,如果翻译有误,欢迎大家指正. 不是让你到店前面排队 lufy:你一定奇怪,为什么叫这个题目,因为日语中的矩阵叫做"行列",所以作者就给读者们开了个玩笑,我就这么直接翻译了,大家知道什么意思就行了. 在3D渲染的世界里,会很频繁的用到矩阵. 这里所说的矩阵,是数学里的矩阵.英语中叫做Matrix. 矩阵虽然听起来好

机器学习中的矩阵方法03:QR 分解

1. QR 分解的形式 QR 分解是把矩阵分解成一个正交矩阵与一个上三角矩阵的积.QR 分解经常用来解线性最小二乘法问题.QR 分解也是特定特征值算法即QR算法的基础.用图可以将分解形象地表示成: 其中, Q 是一个标准正交方阵, R 是上三角矩阵. 2. QR 分解的求解 QR 分解的实际计算有很多方法,例如 Givens 旋转.Householder 变换,以及 Gram-Schmidt 正交化等等.每一种方法都有其优点和不足.上一篇博客介绍了 Givens 旋转和 Householder

么正矩阵(酉矩阵)

Posted on 09/03/2009 by ccjou 本文的阅读等级:中级 一实(或复) 正交矩阵(orthogonal matrix) 是一个实(或复) 方阵满足 , 即 . 写出 阶实正交矩阵的行向量(column vector) 表达, ,则 ,矩阵乘积 的 元等于 与 的内积. 因此, 若 , 若 . 换句话说,实正交矩阵 的行向量 是向量空间 的一组单范正交基底(orthonormal basis),单范表示归一, 是单位向量,正交意味 垂直 . 不过,复正交矩阵的行向量并非 的

第二节、矩阵消元

一.矩阵消元 在解方程组时我们经常用到消元法,通过对方程的倍乘.加减等操作可以得到所求方程的解.既然方程组可以用消元法进行求解,那么方程组变成矩阵自然也可以使用消元法. 我们召唤一个方程组 ,本来想先用方程组演示消元法的,但是方程组书写上太麻烦,所以,直接用矩阵演示了~~ 我们拿出它的系数矩阵 消元的知识准备:对系数矩阵消元 我们保留矩阵的第一行,然后消去下方所有行的多余变量 先从x位置开始. 既然要消去x,那么我们只需要关心矩阵的第一列,如图. 在图中我们可以看到,关键的位置是红色标记的1(我

拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)

作者:桂. 时间:2017-04-13  07:43:03 链接:http://www.cnblogs.com/xingshansi/p/6702188.html 声明:欢迎被转载,不过记得注明出处哦~ 前言 前面分析了非负矩阵分解(NMF)的应用,总觉得NMF与谱聚类(Spectral clustering)的思想很相似,打算分析对比一下.谱聚类更像是基于图(Graph)的思想,其中涉及到一个重要概念就是拉普拉斯矩阵(Laplace matrix),想着先梳理一下这个矩阵: 1)拉普拉斯矩阵基

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD) 最近在学习高动态图像(HDR)合成的算法,其中需要求解一个超定方程组,因此花了点时间研究了一下如何用 GSL 来解决这个问题. GSL 里是有最小二乘法拟合(Least-Squares Fitting)的相关算法,这些算法的声明在 gsl_fit.h 中,所以直接用 GSL 提供的 gsl_fit_linear 函数就能解决这个问题.不过我想顺便多学习一些有关 SVD 的知识.所以就没直接使用 gsl_fit_linear 函数. SVD

线性代数笔记(特征问题与矩阵相似)

1)一元多项式,多项式,第i次项系数,常数项,首项,首项系数,n次多项式,零次多项式,零多项式,多项式相等,多项式的加减2)多项式的向量表示法:向量的元素代表多项式的系数,次数隐含在元素的顺序上,比如f(x)=x^2+2x+1 可表示为(1,2,1).n次多项式是一个具有n+1个分量的向量.3)多项式整除,复根,根,零点,实根,重因式,重根,单因式,单根:n次多项式最多有n个不同的根:4)代数基本定义:在复数域上,n次代数方程至少有一个根;5)在复数域上,f(x)总可以分解成k(x-c1)(x-

【LeetCode-面试算法经典-Java实现】【074-Search a 2D Matrix(搜索二维矩阵)】

[074-Search a 2D Matrix(搜索二维矩阵)] [LeetCode-面试算法经典-Java实现][所有题目目录索引] 原题 Write an efficient algorithm that searches for a value in an m x n matrix. This matrix has the following properties: Integers in each row are sorted from left to right. The first

转载+整理 - 计算机图形学 - 模型视图矩阵和投影矩阵

出处:http://blog.csdn.net/qb371/article/details/8650094 根据原文,我将其中关于模型视矩阵和投影矩阵的比较重要的知识整理出来再加工一下,如果有什么地方看得不适合明白的话还是去看一下原文吧. 模型矩阵 我们必须考虑,当空间中点的位置会发生变化的时候,其坐标如何变化.考虑三种基本的变换:平移.旋转和缩放. “变换”的含义就是,将点的初始位置的坐标P映射到平移.旋转.缩放后的位置坐标P’,即: 平移变换是最简单的变换: 旋转变换有一些复杂,先看在二维平