线代强化NO1|行列式及矩阵

运维系列【仅供参考】: Windos10和Windos11 配置intel网卡vlan的方法 Windos10和Windos11 配置intel网卡vlan的方法 阅读详情

在这里插入图片描述

行列式

概念

  • 排列与逆序
    • 内容:n 级排列,逆序,奇排列,偶排列;
    • 注:
      1. 常见的排列逆序数;
      2. 交换两个数改变逆序的奇偶性;
      3. 顺序数 + 逆序数=Cn2=n(n−1)2=C_n^2 = \frac{n(n-1)}{2}=Cn2​=2n(n−1)​
  • 行列式
    • 内容:不同行不同列元素乘积的代数和
    • 注:
      1. 本质:数
      2. 公式(二阶,三阶,上下三角,斜上下三角);
      3. 某一个行 (列) 全为零,行列式为零
  • 余子式与代数余子式
    • 内容:划掉第 i 行和第 j 列的行列式称为余子式,代数余子式Aij=(−1)i+jMijA_{ij} = (-1)^{i+j} M_{ij}Aij​=(−1)i+jMij​
    • 注:
      1. 本质:是个行列式(数)
      2. 与元素内容无关,只与元素位置有关
    • Mij=(−1)i+jAijM_{ij} = (-1)^{i+j} A_{ij}Mij​=(−1)i+jAij​
    • 推导:(−1)i+jAij=(−1)i+j(−1)i+jMij=((−1)2)i+jMij(-1)^{i+j} A_{ij} = (-1)^{i+j} (-1)^{i+j} M_{ij} = ((-1)^2)^{i+j} M_{ij}(−1)i+jAij​=(−1)i+j(−1)i+jMij​=((−1)2)i+jMij​

性质

  • 非降阶性质
    • 性质 1:行列互换,行列式的值不变
    • 注:
      1. 行和列具有相同的地位,对行成立对列也成立
      2. 用到抽象型行列式中
    • 性质 2:两行(列)互换,行列式变号
    • 推论 1:两行(列)相等,行列式为零
    • 性质 3:某行乘以 k,行列式乘以 k(k可为0)
    • 注:
      1. 与矩阵数乘的区别与联系
      2. 矩阵初等行变换的区别与联系
    • 推论 2:两行对应成比例,行列式为零
    • 注:
      1. 推论2=推论1+性质3
    • 性质 4:按某一行拆分成两个行列式的和
    • 推论 3:某行的 k 值加到另外一行,行列式不变
  • 降阶性质
    • 1:某行元素乘以自己的代数余子式之和为行列式的值
    • 2:某行元素乘以以别的行的代数余子式之和为零

计算

  • 低阶(4阶及以下)
    • 概念:二阶;3阶含字母且含0
    • 性质:
      1. 非降阶性质:性质 2(互换),性质3(数乘),推论 3(倍加);
      2. 降阶性质:
        1. 内容:某行元素乘以自己的代数余子式
        2. 步骤:找 1,化零,展开
    • 公式:
      1. 四个公式(2阶,2阶,上下三角,斜上下三角)
      2. 范德蒙
        1. 识别:首行为1,每列等比 ∣111123149∣=(2−1)(3−1)(3−2)=2\begin{vmatrix} 1 & 1 & 1 \\ 1 & 2 & 3 \\ 1 & 4 & 9 \end{vmatrix} = (2-1)(3-1)(3-2) = 2​111​124​139​​=(2−1)(3−1)(3−2)=2
        2. 公式
        3. 2种变形
          1. 破坏首行为1: ∣1231491827∣=2∣1131291427∣=2⋅3∣111123149∣=6⋅2=12\begin{vmatrix} 1 & 2 & 3 \\ 1 & 4 & 9 \\ 1 & 8 & 27 \end{vmatrix} = 2\begin{vmatrix} 1 & 1 & 3 \\ 1 & 2 & 9 \\ 1 & 4 & 27 \end{vmatrix} = 2 \cdot 3\begin{vmatrix} 1 & 1 & 1 \\ 1 & 2 & 3 \\ 1 & 4 & 9 \end{vmatrix} = 6 \cdot 2 = 12​111​248​3927​​=2​111​124​3927​​=2⋅3​111​124​139​​=6⋅2=12
            1. 首列是 1,但每行不是等比;每列是等比,但首行不是 1
          2. 破坏等比数列:
            ∣1111123x149x21827x3∣=1⋅(−1)1+4∣1231491827∣+x⋅(−1)2+4∣1111491827∣+x2⋅(−1)3+4∣1111231827∣+x3⋅(−1)4+4∣111123149∣ \begin{vmatrix} 1 & 1 & 1 & 1 \\ 1 & 2 & 3 & x \\ 1 & 4 & 9 & x^2 \\ 1 & 8 & 27 & x^3 \end{vmatrix} = 1 \cdot (-1)^{1+4} \begin{vmatrix} 1 & 2 & 3 \\ 1 & 4 & 9 \\ 1 & 8 & 27 \end{vmatrix} + x \cdot (-1)^{2+4} \begin{vmatrix} 1 & 1 & 1 \\ 1 & 4 & 9 \\ 1 & 8 & 27 \end{vmatrix} + x^2 \cdot (-1)^{3+4} \begin{vmatrix} 1 & 1 & 1 \\ 1 & 2 & 3 \\ 1 & 8 & 27 \end{vmatrix} + x^3 \cdot (-1)^{4+4} \begin{vmatrix} 1 & 1 & 1 \\ 1 & 2 & 3 \\ 1 & 4 & 9 \end{vmatrix} ​1111​1248​13927​1xx2x3​​=1⋅(−1)1+4​111​248​3927​​+x⋅(−1)2+4​111​148​1927​​+x2⋅(−1)3+4​111​128​1327​​+x3⋅(−1)4+4​111​124​139​​
            又
            ∣1111123x149x21827x3∣=(2−1)(3−1)(x−1)(3−2)(x−2)(x−3)=(x−1)(x−2)(x−3)⋅2=x3−12x2+⋯ \begin{vmatrix} 1 & 1 & 1 & 1 \\ 1 & 2 & 3 & x \\ 1 & 4 & 9 & x^2 \\ 1 & 8 & 27 & x^3 \end{vmatrix} = (2-1)(3-1)(x-1)(3-2)(x-2)(x-3) \\ =(x-1)(x-2)(x-3) \cdot 2 \\ = x^3 - 12x^2 + \cdots ​1111​1248​13927​1xx2x3​​=(2−1)(3−1)(x−1)(3−2)(x−2)(x−3)=(x−1)(x−2)(x−3)⋅2=x3−12x2+⋯
            则
            −∣1111231827∣=−12 -\begin{vmatrix} 1 & 1 & 1 \\ 1 & 2 & 3 \\ 1 & 8 & 27 \end{vmatrix} = -12 −​111​128​1327​​=−12
  • 高阶
    • 三线型:
      1. 平斜竖型(爪形):斜爪消平爪
      2. 两斜一平:按平展开;
      3. 三斜形:按照一头一尾建立递推式
    • 对角线型:
      1. 定义:通过改变对角线元素的值使其成为每行元素对应成比例的行列式
      2. 计算:利用推论 3 (倍加)化为爪形

矩阵

概念

  • 数表,m 行 n 列,实矩阵,方阵,同型,相等
  • 注:
    1. 三个视角(m 行 n 列,m 个 1 行 n 列,n 个 m 行 1 列);
    2. 矩阵与行列式的三个区别:
      1. 本质不同;
      2. 形式不同;
      3. 蕴含信息不同。

常见矩阵

  • 非方阵:零矩阵,阶梯型矩阵,简单阶梯型
  • 方阵:对角,数量,单位,上(下)三角,对称,反对称,正交
  • 注:
    1. 严格单调递增;
    2. 单位包含于数量 包含于对角;
    3. 反对称矩阵对角线全为零

运算及运算规则

  • 运算
    • 内容:加法与数乘,乘法,转置
    • 注:
      1. 矩阵数乘和行列式数乘的区别与联系(区别、联系)
      2. 乘法:
        1. 区分左乘和右乘,
        2. 左乘和右乘 E 矩阵不变,
        3. 两个非零矩阵相乘可能为零矩阵,
        4. 快速乘法
      3. 转置,3条
      4. 公式,
        1. AnA^nAn的两个公式
          1. 各行成比例
          2. 对角线元素相等的上(下)三角
  • 运算规则
    • 加法与数乘,转置,(穿脱律)
    • 乘法
      1. 成立:内容(交换律,消去律)
      2. 不成立:
        • 注:
          1. 两个改变(左乘和右乘,常用公式不再成立);
          2. 满足交换律四种情况

分块矩阵

  • 内容:
    1. 分成四块;
    2. 按列分块,按行分块
  • 注:
    1. 整体:把每一个子块看作一个数;
    2. 微观:小的子块也得能乘

方阵的行列式

  1. 三个公式
    ∣AT∣=∣A∣,∣kA∣=kn∣A∣∣AB∣=∣A∣∣B∣ \begin{align*} |A^T| &= |A|, \quad |kA| = k^n |A| \\ |AB| &= |A||B| \end{align*} ∣AT∣∣AB∣​=∣A∣,∣kA∣=kn∣A∣=∣A∣∣B∣​
  2. 拉普拉斯展开定理

∣A00B∣=∣AC0B∣=∣A0CB∣=∣A∣∣B∣∣0AB0∣=∣0ABC∣=∣CAB0∣=(−1)m⋅n∣A∣∣B∣ \begin{align*} \begin{vmatrix} A & 0 \\ 0 & B \end{vmatrix} &= \begin{vmatrix} A & C \\ 0 & B \end{vmatrix} = \begin{vmatrix} A & 0 \\ C & B \end{vmatrix} = |A||B| \\ \begin{vmatrix} 0 & A \\ B & 0 \end{vmatrix} &= \begin{vmatrix} 0 & A \\ B & C \end{vmatrix} = \begin{vmatrix} C & A \\ B & 0 \end{vmatrix} = (-1)^{m \cdot n} |A||B| \end{align*} ​A0​0B​​​0B​A0​​​=​A0​CB​​=​AC​0B​​=∣A∣∣B∣=​0B​AC​​=​CB​A0​​=(−1)m⋅n∣A∣∣B∣​

逆矩阵

概念

  • 内容:若 A,B 均为 n 阶方阵,且 AB=E,则称 A 可逆
  • 推论:若 A 为n阶方阵,且 AB=E,则 BA=E
  • 注:
    1. 方阵专属,类似:行列式,对角,数量,单位,上(下)三角,对称,反对称,正交,伴随,初等,特征值,相似,合同,正定
    2. 逆是双向(转置,倒数,相反数)
    3. 插队原理
      ABCD=EABCDD−1=ED−1ABC=D−1DABC=DD−1=E \begin{align*} ABCD &= E \\ ABCDD^{-1} &= ED^{-1} \\ ABC &= D^{-1} \\ DABC &= DD^{-1} = E \end{align*} ABCDABCDD−1ABCDABC​=E=ED−1=D−1=DD−1=E​

性质

    1. 唯一性(证明方法,意义,判定正确)
    1. 自反性(A−1)−1=A(A^{-1})^{-1}=A(A−1)−1=A
    1. 穿脱律(AB)−1=B−1A−1, (A1A2⋯An)−1=An−1An−1−1⋯A1−1(AB)^{-1} = B^{-1}A^{-1},\ (A_1A_2\cdots A_n)^{-1} = A_n^{-1}A_{n-1}^{-1}\cdots A_1^{-1}(AB)−1=B−1A−1, (A1​A2​⋯An​)−1=An−1​An−1−1​⋯A1−1​
    1. 数乘(kA)−1=1kA−1 (k≠0)(kA)^{-1} = \frac{1}{k}A^{-1} \ (k \neq 0)(kA)−1=k1​A−1 (k=0)
    1. 行列式∣A−1∣=1∣A∣|A^{-1}| = \frac{1}{|A|}∣A−1∣=∣A∣1​
    1. 分块矩阵(A00B)−1=(A−100B−1),(0AB0)−1=(0B−1A−10)\begin{pmatrix} A & 0 \\ 0 & B \end{pmatrix}^{-1} = \begin{pmatrix} A^{-1} & 0 \\ 0 & B^{-1} \end{pmatrix},\begin{pmatrix}0 & A \\B & 0\end{pmatrix}^{-1}=\begin{pmatrix}0 & B^{-1} \\A^{-1} & 0\end{pmatrix}(A0​0B​)−1=(A−10​0B−1​),(0B​A0​)−1=(0A−1​B−10​)

可逆的充要条件

  • 伴随

    • 定义:每行元素的代数余子式放在列的位置
    • 注:
      1. 存在性(方阵);
      2. 独特性;
      3. 四个符号(n,T,-1,*);
      4. 二阶矩阵伴随:主对调,副变号
  • 性质

    • 内容:AA∗=A∗A=∣A∣EAA^* = A^*A = |A|EAA∗=A∗A=∣A∣E
      1. 关键;
      2. 得出可逆的充要条件的关键
    • 意义:可逆的充要条件 ∣A∣≠0  ⟺  A 可逆|A| \neq 0 \iff A \text{ 可逆}∣A∣=0⟺A 可逆
  • 计算

    • 伴随矩阵:二阶A−1=A∗∣A∣A^{-1} = \frac{A^*}{|A|}A−1=∣A∣A∗​
    • 利用初等行变换:(A∣E)→初等行变换(E∣A−1)(A \mid E) \xrightarrow{\text{初等行变换}} (E \mid A^{-1})(A∣E)初等行变换​(E∣A−1)

初等矩阵

概念

  • 矩阵的三种初等变换
    • 内容:
      1. 交换矩阵的两行;
      2. 某一行乘以非零数 k;
      3. 某行的 k 倍加到另外一行
    • 注:
      • 区别:
        1. 行列式用等号,矩阵用箭头;
        2. 行列式的 k 可能为零,矩阵 k 不能为零
      • 联系:矩阵初等变换不改变行列式的零性
  • 初等矩阵
    • 分类:对E做一次初等变换
      1. 一类
      2. 二类
      3. 三类
    • 性质:
      1. 转置;
      2. 行列式;
      3. 逆矩阵;
      4. 幂矩阵(当 n=1 时,可联想记忆逆矩阵)
    • 重要定理:左行右列
    • 注:初等矩阵与初等变换建立联系
  • 矩阵等价
    • 内容:A 通过有限次初等列变换化为 B
    • 充要条件:A 与 B 等价  ⟺  r(A)=r(B)A \text{ 与 } B \text{ 等价} \iff r(A) = r(B)A 与 B 等价⟺r(A)=r(B)
  • 矩阵与符号
    • 符号内部

行列式数乘自反性穿脱律T∣AT∣=∣A∣(kA)T=kAT(AT)T=A(AB)T=BTAT−1∣A−1∣=1∣A∣(kA)−1=1kA−1(A−1)−1=A(AB)−1=B−1A−1∗∣A∗∣=∣A∣n−1(kA)∗=kn−1A∗(A∗)∗=∣A∣n−2A(AB)∗=B∗A∗ \begin{array}{c|c|c|c|c} & \text{行列式} & \text{数乘} & \text{自反性} & \text{穿脱律} \\ \hline T & |A^T| = |A| & (kA)^T = kA^T & (A^T)^T = A & (AB)^T = B^T A^T \\ \hline -1 & |A^{-1}| = \frac{1}{|A|} & (kA)^{-1} = \frac{1}{k}A^{-1} & (A^{-1})^{-1} = A & (AB)^{-1} = B^{-1} A^{-1} \\ \hline* & |A^*| = |A|^{n-1} & (kA)^* = k^{n-1}A^* & (A^*)^* = |A|^{n-2}A & (AB)^* = B^* A^* \\ \hline \end{array} T−1∗​行列式∣AT∣=∣A∣∣A−1∣=∣A∣1​∣A∗∣=∣A∣n−1​数乘(kA)T=kAT(kA)−1=k1​A−1(kA)∗=kn−1A∗​自反性(AT)T=A(A−1)−1=A(A∗)∗=∣A∣n−2A​穿脱律(AB)T=BTAT(AB)−1=B−1A−1(AB)∗=B∗A∗​​

AA∗=∣A∣EA∗(A∗)∗=∣A∗∣E=∣A∣n−1E(A∗)∗=∣A∣n−1⋅(A∗)−1=∣A∣n−1⋅A∣A∣=∣A∣n−2A \begin{align*} AA^* &= |A|E \\ A^*(A^*)^* &= |A^*|E = |A|^{n-1}E \\ (A^*)^* &= |A|^{n-1} \cdot (A^*)^{-1} \\ &= |A|^{n-1} \cdot \frac{A}{|A|} = |A|^{n-2}A \end{align*} AA∗A∗(A∗)∗(A∗)∗​=∣A∣E=∣A∗∣E=∣A∣n−1E=∣A∣n−1⋅(A∗)−1=∣A∣n−1⋅∣A∣A​=∣A∣n−2A​

  • 符号之间:两两可交换位置
ADS基础教程23 - 有限元电磁仿真(FEM)可视化操作 一、引言 二、FEM可视化操作流程1.打开可视化界面2.查看介质的网格3.设置网格颜色4.选择网格5.传感器选择6.编辑传感器7.选择频率8.动画 三、总结介绍了在ADS中如何进行FEM仿真场视图操作过程。 阅读详情

相关推荐

大模型选型实战指南|教育行业:108个模型「闭卷考试」实测,这3类应用场景直接抄作业!

教育行业大模型选型必读 1.闭卷考试!独家评测集:用最新K12真题(小学-高中全学科)构建“闭卷考场”,108个模型同台竞技,数据污染率<5%(传统评测集污染率超60%) 2.价格透明对比:40元/M tokens的阿里系模型VS 2元/M tokens的字节系、腾讯系模型,谁更值? 3.四大选型禁区:>60元但得分<75的模型被列入不推荐名单(附避坑清单) 4.核心结论直出:教学核心环节必须用专用模型,90%场景用通用模型可降本50%+

easyllm的博客 1523

线代强化NO4|行列式的计算

本文系统介绍了行列式的计算方法与性质。主要内容包括:1)n阶行列式的定义与展开定理;2)二、三阶行列式的具体计算公式;3)特殊行列式的计算方法,如上/下三角行列式、范德蒙行列式、拉普拉斯展开等;4)抽象型行列式的性质,如转置、数乘、乘积等运算规律;5)分块矩阵行列式计算技巧。通过典型例题展示了行列式计算的常用技巧,强调了二阶零子块在分块矩阵计算中的关键作用,并提供了特殊值法等实用解题思路。全文涵盖了行列式计算的核心概念与典型应用,为相关数学问题的求解提供了系统指导。

ChoSeitaku的博客 1096

ISP 基础知识储备

ISP(image signal processing),图像信号处理芯片,在手机摄像头和车载摄像头等领域有着广泛应用,是图像信号处理的核心芯片。 ISP pipeline 流程图如下: 光线经过lens镜头,投射到sensor上,经过光电转换成模拟电信号,再由A/D转换成数字信号,交给ISP芯片进行一系列的处理,在LENS部分也需要进行镜头校正、颜色矫正等一些操作。 然后,得到的bayer ...

qq_39444290的博客 778

线代强化NO6|矩阵|例题|小结

本文总结了矩阵运算中的关键方法与应用场景: 矩阵方程求解:通过因式分解法求逆矩阵(如(A-E)^{-1} = (A+2E)/2)和初等变换法(如AX=B→(A|B)→(E|X)) 伴随矩阵性质:当A* = A^T且n>2时,|A|=1且A为正交矩阵(AA^T=E) 特殊解法应用: 特征值法求伴随矩阵特征向量 特殊值法快速验证选项(如n=2时(A*)*=A) 分块求解策略:将复杂方程分解为(A-B)X(A-B)=E,通过求逆或初等变换求解 核心结论:矩阵运算需灵活结合定义法、公式法(A*=|A|A^{-

ChoSeitaku的博客 868

PADS导出PCB正反面丝印为CAD文件的方法

本文介绍如何将PADS绘制的pcb格式的PCB文件顶底层丝印及板框导出为CAD的dxf文件格式,并且将底层丝印进行镜像为正常视角

luguodeyo的博客 3294

国宇测试盒GH7009 SPI读操作全解析:从接线到代码实现的避坑指南

本文详细解析了国宇GH7009测试盒进行SPI读操作的完整流程与避坑要点。重点阐述了硬件连接中IO2时序控制引脚的关键作用,提供了从接线方案、电源处理到上位机代码实现的实战指南,并针对常见的数据不稳定、特定寄存器读取失败等问题给出了具体解决方案。

dapp9builder的博客 223

线代强化NO18|矩阵的相似与相似对角化|概念|性质|判定|矩阵相似

本文系统梳理了矩阵相似与相似对角化的核心概念和重要性质。首先定义了矩阵相似的基本概念,指出两个矩阵A和B相似的条件是存在可逆矩阵P使B=PAP⁻¹。接着详细列举了相似矩阵的7个关键性质,包括秩相等、行列式相同、特征值相同等,并强调相似矩阵具有相同特征值但逆命题不成立。 在相似对角化部分,阐述了矩阵可对角化的充要条件:存在n个线性无关特征向量,或每个特征值的几何重数等于代数重数。同时给出了相似对角化的计算方法,指出对角矩阵Λ由特征值构成,可逆矩阵P由对应特征向量组成。 最后通过典型例题,展示了判断矩阵相似性的

ChoSeitaku的博客 2105

基于 YOLOv26 的校园安全监控系统:多场景应用

本文提出了一种基于YOLOv26的校园安全监控系统,采用多场景应用架构实现对校园安全的智能监测。系统核心技术包括YOLOv26目标检测、DeepSORT目标跟踪、区域安全定义和行为分析等模块,通过边缘计算平台实现实时处理。研究构建了包含多种校园场景的专业数据集,并采用数据增强技术提升模型性能。系统可检测人员、车辆和物品等目标,分析其行为轨迹,评估安全风险并触发告警。实验结果表明,该系统能有效识别校园安全隐患,为安全管理提供智能化解决方案。

一键难忘的博客 503

线代强化NO22|实对称矩阵

本文研究了矩阵特征值与正交化问题。(I)部分通过构造矩阵B,得出A的特征值为α-1(二重)和α+2,并给出了对应的特征向量。利用施密特正交化法将特征向量正交化后单位化,构造正交矩阵P使P^TAP为对角阵。(II)部分通过两种方法求解正定矩阵C:法1利用特征分解,法2基于矩阵B的幂等性质。最终求得C的具体表达式,并验证其正定性。全文展示了矩阵特征值分析、正交化过程以及正定矩阵构造的完整推导过程。

ChoSeitaku的博客 984

谷歌A2A协议入门指南:附简易Python代码示例

继"关税"之后,当下最热门的词汇当属AI智能体——这种基于人工智能的软件能够执行复杂任务、实现工作流自动化并提升生产效率。但迄今为止,大多数智能体都处于各自为政的状态,难以顺畅协作。就像团队执行重大项目时,成员之间却无法交流!对于技术人员而言,一个可能遇到的典型场景是:假设你需要协调四个不同的AI服务——处理用户查询的Gemini智能体、在向量数据库进行搜索的AI应用、基于Claude的摘要生成器,以及运行专业领域逻辑的Python智能体。

独立开发,substack顶级编辑 797

微信服务号配置总是提示“参数错误”?我就是这样一步步查出问题的

前两天,我遇到了一个很诡异的问题:在微信服务号后台配置服务器地址时,总是提示“参数错误,请重新填写”。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1277

线代强化NO2|向量和秩

本文摘要: 本文系统介绍了向量与秩的相关概念、性质和定理。第一部分阐述向量的基本概念(线性组合、表示、相关性)及相关判定定理,强调向量组间的表示关系与线性相关性判断方法。第二部分详述矩阵秩与向量组秩的定义、计算方法和相互关系,包括极大线性无关组的求解技巧和秩的常用公式(如秩不等式、伴随矩阵秩规律等)。核心内容包括:秩的计算通过初等变换实现;秩与线性表示的关系;矩阵运算对秩的影响;以及秩在齐次方程组解的结构中的应用。关键结论指出向量组秩等于对应矩阵秩,并总结了秩在不同运算条件下的变化规律。

ChoSeitaku的博客 906

数学建模学习(5):最全概率分析之图表绘制详解,内容比较多,建议收藏

(1) 绘制正整数频率使用 tabulate(X) (2)

全栈川川 4592

线代强化NO5|矩阵的运算法则|分块矩阵|逆矩阵|伴随矩阵|初等矩阵

本文系统介绍了矩阵运算的重要法则与特殊矩阵类型。首先阐述了矩阵加法、数乘、转置和乘法的基本运算法则,指出矩阵乘法不满足交换律等特性。其次重点讨论了分块矩阵的运算方法,包括四块分块和行列分块两种形式,详细说明了其加减、数乘、转置和乘法的操作规则。文章随后讲解了逆矩阵的定义、六个重要性质及可逆的充要条件,并引入伴随矩阵的概念与性质。最后介绍了初等变换与初等矩阵的联系,给出了初等矩阵的三种形式及其逆矩阵,并总结了矩阵等价的五个关键定理。全文涵盖了矩阵运算的核心内容,为线性代数学习提供了系统参考。

ChoSeitaku的博客 1082

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

线代强化NO9|向量|习题

本文探讨了向量组线性表示的两个基本方法:定义法和秩法。通过具体例题分析,展示了如何用定义法证明向量能否被线性表示(含反证法应用),以及如何通过秩的等价关系判断线性表示的可能性。文中特别指出:当β不能由前m-1个向量表示时,第m个向量αₘ必定不能由前m-1个向量表示,但可由包含β的向量组表示。最后总结了判定抽象向量线性表示的通用准则,强调定义法需要构造具体表达式,而秩法则通过比较矩阵秩的关系进行判断。

ChoSeitaku的博客 784

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

线代强化NO10|向量|习题

本文讨论了两类线性代数问题:向量组等价性判定与线性相关性分析。第一部分通过增广矩阵的行变换,分析了参数a不同取值时两组向量的等价性,指出当a≠-1时两组向量等价。第二部分通过行列式计算和初等变换,确定了向量组线性相关时参数a=1/2的条件。文中给出了详细的矩阵变换过程,并总结了向量组线性表出与等价性的判定方法,为线性代数相关问题提供了清晰的解题思路。

ChoSeitaku的博客 649

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

线代强化NO3|线性方程组|特征值和特征向量|矩阵的相似性|实对称矩阵|二次型

本文系统梳理了线性代数中线性方程组、特征值与特征向量、矩阵相似性以及二次型的核心内容。线性方程组部分详细讨论了解的判定方法、齐次与非齐次解的结构特性;特征值与特征向量章节阐述了计算方法和性质,强调特征向量的非零性;矩阵相似性部分对比了相似与等价的异同,给出了相似对角化的判定条件;最后,二次型章节介绍了合同变换、惯性定理和正定二次型的判定标准。全文通过定理归纳和性质对比,构建了完整的知识框架,为线性代数学习提供了清晰的逻辑脉络。

ChoSeitaku的博客 1336

线代强化NO16|特征值与特征向量|基本概念|常用性质|数值型

矩阵特征值与特征向量的基本概念和性质总结: 定义:若存在非零向量α使Aα=λα,则λ为特征值,α为对应的特征向量。特征多项式为|λE-A|=0。 性质: 特征向量必须非零 不同特征值的特征向量线性无关 n阶矩阵有n个特征值(含重根) 特征值之和等于矩阵的迹,之积等于行列式 计算方法: 解特征方程|λE-A|=0得特征值 对每个特征值,解(A-λE)x=0得特征向量 特殊性质: 秩为1的矩阵有n-1个零特征值 多项式f(A)的特征值为f(λ) 典型例题展示了求解3阶矩阵特征值和特征向量的详细过程,包括行列式计

ChoSeitaku的博客 913

线代强化NO20|矩阵的相似与相似对角化|综合运用

本文研究了矩阵幂运算的求解方法,重点探讨了相似对角化技术在计算矩阵高次幂中的应用。通过具体例题展示了如何利用特征值和特征向量将矩阵对角化,从而简化幂运算。研究内容包括:1)分析稀疏矩阵、秩1矩阵等特殊矩阵的幂运算规律;2)详细演示了3×3矩阵A^99的计算过程;3)探讨了递推关系转化为矩阵幂运算的建模方法。结果表明,相似对角化方法能有效降低矩阵高次幂的计算复杂度,为相关数学问题提供了系统解决方案。

ChoSeitaku的博客 1203

线代强化NO21|实对称矩阵|定义|计算方法

实对称矩阵具有三个重要性质:特征值均为实数、不同特征值对应的特征向量正交、必可对角化。对于n阶实对称矩阵A,存在正交矩阵Q使得Q^TAQ=diag(λ1,...,λn)。正交对角化步骤包括:求特征值和特征向量,对重特征值的特征向量进行正交化单位化,构造正交矩阵Q。文末通过具体算例展示了如何利用特征值和特征向量实现矩阵对角化,并给出了两种解法,其中法2利用秩和迹的关系简化了计算过程。

ChoSeitaku的博客 1007

线代强化NO17|特征值与特征向量|抽象型

本文摘要:本文系统研究了矩阵特征值与特征向量的性质与应用。主要内容包括:1) 通过具体实例展示了如何求解抽象矩阵的特征值,特别是当矩阵满足特定关系时的特征值确定方法;2) 深入探讨了伴随矩阵、逆矩阵等衍生矩阵的特征值计算;3) 总结了特征值在各种矩阵变换(如数乘、幂次、多项式变换等)下的变化规律;4) 通过表格形式系统归纳了不同矩阵运算对特征值和特征向量的影响。文中通过多个典型例题,展示了特征值理论在矩阵分析中的核心应用,并提供了实用的解题技巧和方法总结。

ChoSeitaku的博客 989

线代强化NO19|矩阵的相似与相似对角化

本文系统阐述了矩阵相似对角化的判定条件与方法。对于二阶矩阵,若特征值互异或行列式为负则可对角化;三阶矩阵需满足特征值互异或重特征值对应几何重数等于代数重数。通过具体例题展示了求解步骤:先求特征值,再求特征向量构造可逆矩阵P,最终得到对角矩阵。特别指出,数量矩阵总是可对角化的,而重特征值需验证几何重数。文末总结了相似对角化的通用解法,强调特征向量排列顺序需与对角矩阵一致。

ChoSeitaku的博客 567

线代强化NO12|线性方程组|习题1|解的判定|线性方程组的通解

本文系统总结了线性方程组解的判定方法及相关例题解析。通过矩阵秩与行列式的关系,给出了齐次和非齐次线性方程组解的三种情况判定条件:无解(r(A) < r(A|β))、唯一解(r(A) = r(A|β) = n)和无穷多解(r(A) = r(A|β) < n)。针对n阶方阵特例,说明了行列式在判定解存在性中的关键作用。文中通过典型例题展示了利用初等行变换和行列式求解参数范围的具体方法,并强调了对抽象方程组必须通过秩来判定的原则。最后补充了求解线性方程组通解的基本思路。

ChoSeitaku的博客 989

线代强化NO7|秩|矩阵的秩|向量组的秩|极大线性无关组|公式

本文系统阐述了矩阵与向量组的秩理论。矩阵的秩定义为最高阶非零子式的阶数,零矩阵秩为0。向量组的秩由其极大线性无关组所含向量个数确定,可通过初等行变换化为阶梯形矩阵求得。核心定理表明:矩阵的行秩、列秩与秩三者相等,且矩阵秩满足一系列性质公式,如转置不变性、乘法秩不等式等。文中给出了秩计算的典型例题,包括利用初等变换法、秩不等式约束条件等解题方法,特别强调了AB=0时r(A)+r(B)≤n的重要应用。这些内容构成了线性代数中秩理论的基础框架与实用技巧。

ChoSeitaku的博客 1397

线代强化NO24|二次型|二次型合同标准形的计算

本文研究了二次型合同标准形的计算问题。通过特征值分解方法,首先求解二次型矩阵的特征值,确定参数α=2。接着构造正交变换矩阵Q,将二次型化为标准形y₁²+2y₂²+5y₃²。在此基础上,讨论了该二次型在单位球面约束条件下的极值问题,得出最大值为5(对应y₃=1)和最小值为1(对应y₁=1)。最后通过两种方法推导了由向量α、β构成的二次型矩阵表达式2ααᵀ+ββᵀ。研究过程展示了正交变换在二次型标准化和极值求解中的关键作用。

ChoSeitaku的博客 717

线代强化NO14|线性方程组|习题3|综合问题

本文通过两个矩阵方程的求解过程,展示了不同参数条件下的解法。第一题通过初等行变换求出了基础解系和通解形式,给出了矩阵B的一般表达式。第二题针对参数a的不同取值(a=-2、a=1及其他情况)分别讨论:当a=-2时无解;a=1时得到通解表达式;其他情况时方程有唯一解并给出具体解矩阵。文章还总结了矩阵方程Ax=B的通用解法思路,强调可通过对增广矩阵(A|B)进行初等行变换来简化计算过程。

ChoSeitaku的博客 846
上一篇: NO.14数据结构红黑树|树高|转化4阶B树|插入操作|删除操作
下一篇: 线代强化NO2|向量和秩
ChoSeitaku
博客等级 码龄5年 3452粉丝 557原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值