线性代数——求给定向量组的极大线性无关组

极大线性无关组是向量组中的一部分线性无关向量,能线性表示组内所有向量。在解决此类问题时,应将向量构成矩阵并进行初等行变换,转换为阶梯型矩阵,从而找到极大线性无关组。例如,向量组α1, α2, α3, α4, α5的极大线性无关组可通过此方法得出,避免初等列变换导致的对应关系混乱。" 133191990,20014492,YOLOv实时口罩检测技术详解,"['机器学习', '深度学习', '目标检测', '计算机视觉', '口罩检测']
部署运行你感兴趣的模型镜像

极大线性无关组:
在向量组α1,α2,...,αs\alpha_1,\alpha_2,...,\alpha_sα1,α2,...,αs中,若存在部分组αi1,αi2,...,αir\alpha_{i_1},\alpha_{i_2},...,\alpha_{i_r}αi1,αi2,...,αir满足:
αi1,αi2,...,αir\alpha_{i_1},\alpha_{i_2},...,\alpha_{i_r}αi1,αi2,...,αir线性无关;
②向量组中任一向量αi(i=1,2,...s)\alpha_i(i=1,2,...s)αi(i=1,2,...s)均可由αi1,αi2,...,αir\alpha_{i_1},\alpha_{i_2},...,\alpha_{i_r}αi1,αi2,...,αir线性表出。
则称向量组αi1,αi2,...,αir\alpha_{i_1},\alpha_{i_2},...,\alpha_{i_r}αi1,αi2,...,αir是原向量组的极大线性无关组。

注意
1.向量组的极大线性无关组一般不唯一
2.只由一个零向量组成的向量组不存在极大线性无关组
3.一个线性无关向量组的极大线性无关组就是该向量本身

【张宇考研数学基础30讲 2021版】p345 eg.2.3.8 设向量组
α1=[1,−1,2,4]T,α2=[0,3,1,2]T,α3=[3,0,7,14]T,α4=[1,−2,2,0]T,α5=[2,1,5,10]T\alpha_1=[1,-1,2,4]^T,\alpha_2=[0,3,1,2]^T,\alpha_3=[3,0,7,14]^T,\alpha_4=[1,-2,2,0]^T,\alpha_5=[2,1,5,10]^Tα1=[1,1,2,4]T,α2=[0,3,1,2]T,α3=[3,0,7,14]T,α4=[1,2,2,0]T,α5=[2,1,5,10]T
则该向量组的极大线性无关组是()
(A)α1,α2,α3(B)α1,α2,α4(A)\alpha_1,\alpha_2,\alpha_3 \qquad (B)\alpha_1,\alpha_2,\alpha_4(A)α1,α2,α3(B)α1,α2,α4
正确的做法:
将向量组合并成矩阵,并做初等行变换,化为阶梯型矩阵,最后化为
A=[α1,α2,α3,α4,α5]⇒{1031201101000−1000000}=[β1,β2,β3,β4,β5]=B A = [\alpha_1,\alpha_2,\alpha_3,\alpha_4,\alpha_5] \Rightarrow \left\{\begin{matrix}1 & 0 & 3 & 1 &2\\ 0 & 1 &1& 0 &1 \\0&0&0&-1&0\\0&0&0&0&0 \end{matrix}\right\} = [\beta_1,\beta_2,\beta_3,\beta_4,\beta_5] = B A=[α1,α2,α3,α4,α5]10000100310010102100=[β1,β2,β3,β4,β5]=B
B中的一组极大线性无关组为β1,β2,β4\beta_1,\beta_2,\beta_4β1,β2,β4,与对应的极大线性无关组为α1,α2,α4\alpha_1,\alpha_2,\alpha_4α1,α2,α4

错误的方法
将原来各个向量转置之后拼成了新的矩阵;
A=[α1T,α2T,α3T,α4T,α5T]T={1−1240312307141−22021510}⇒[α1T,α2T,α3T−3α1T,α4T−α1T,α5T−2α1T]T={1−124031203120−10−40312}A = [\alpha_1^T,\alpha_2^T,\alpha_3^T,\alpha_4^T,\alpha_5^T]^T = \left\{\begin{matrix}1 & -1& 2 & 4 \\ 0 & 3 &1& 2 \\3 & 0& 7 & 14 \\ 1 & -2 & 2 & 0 \\2 & 1 & 5 & 10 \end{matrix}\right\} \Rightarrow [\alpha_1^T,\alpha_2^T,\alpha_3^T-3\alpha_1^T,\alpha_4^T-\alpha_1^T,\alpha_5^T-2\alpha_1^T]^T = \left\{\begin{matrix}1 & -1& 2 & 4 \\ 0 & 3 &1& 2 \\0 & 3 & 1 & 2 \\ 0 & -1 & 0 & -4 \\0 & 3 & 1 & 2 \end{matrix}\right\}A=[α1T,α2T,α3T,α4T,α5T]T=1031213021217254214010[α1T,α2T,α3T3α1T,α4Tα1T,α5T2α1T]T=10000133132110142242
此时我们容易看出第一个、第二个、第四个行向量是线性无关的,但是注意了此时与原来的向量的对应关系已经发生了改变,这里变成了α1T,α2T,α4T−α1T\alpha_1^T,\alpha_2^T,\alpha_4^T-\alpha_1^Tα1T,α2T,α4Tα1T线性无关,虽然在本例中不影响最终的结论,但是在其他情形中是无法保证的。所以列向量合并之后做的是初等行变化,不能是初等列变化。 即合并列向量做初等行变化,合并行向量做初等列变化。

那么为什么列向量组经过初等行变化,化成新的列向量组后,对应关系没有发生改变呢?
解释:列向量组经过初等行变化,化成新的列向量组,即
[α1,α2,⋯ ,αs]⟶[β1,β2,⋯ ,βs][\alpha_1,\alpha_2,\cdots,\alpha_s] \longrightarrow [\beta_1,\beta_2,\cdots,\beta_s][α1,α2,,αs][β1,β2,,βs]
[α1,α2,⋯ ,αs]x=0[\alpha_1,\alpha_2,\cdots,\alpha_s]x =0[α1,α2,,αs]x=0[β1,β2,⋯ ,βs]x=0[\beta_1,\beta_2,\cdots,\beta_s]x=0[β1,β2,,βs]x=0是同解方程组(读者朋友可以考虑一下为什么是同解方程组),故α1,α2,⋯ ,αs\alpha_1,\alpha_2,\cdots,\alpha_sα1,α2,,αsβ1,β2,⋯ ,βs\beta_1,\beta_2,\cdots,\beta_sβ1,β2,,βs有相同的线性相关性。同样,任何对应的部分向量组
[αi1,αi2,⋯ ,αir]⟶[βi1,βi2,⋯ ,βir][\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}] \longrightarrow [\beta_{i_1},\beta_{i_2},\cdots,\beta_{i_r}][αi1,αi2,,αir][βi1,βi2,,βir]
[αi1,αi2,⋯ ,αir]x=0[\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}]x = 0[αi1,αi2,,αir]x=0[βi1,βi2,⋯ ,βir]x=0[\beta_{i_1},\beta_{i_2},\cdots,\beta_{i_r}]x=0[βi1,βi2,,βir]x=0同解,故αi1,αi2,⋯ ,αir\alpha_{i_1},\alpha_{i_2},\cdots,\alpha_{i_r}αi1,αi2,,αirβi1,βi2,⋯ ,βir\beta_{i_1},\beta_{i_2},\cdots,\beta_{i_r}βi1,βi2,,βir有相同的线性相关性

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO(You Only Look Once)是一种流行的物体检测和图像分割模型,由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出,因其高速和高精度而广受欢迎

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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