如何理解矩阵的秩

博客介绍了矩阵相关知识,指出属于不同特征值的特征向量线性无关,可通过正交矩阵对角化求特征值和特征向量并施密特正交化。还阐述了矩阵的秩,包括其定义、与图像变换的关系等,说明了矩阵低秩在图像处理中的意义及满秩分解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

属于不同特征值的特征向量线性无关。

特征值分解

正交矩阵对角化,求出特征值,特征向量,然后施密特正交化

https://www.zhihu.com/question/21605094

矩阵的秩:矩阵中所有行向量中极大线性无关组的元素个数。

秩:是图像经过矩阵变换之后的矩阵维度

秩:列空间的维度,行空间的维度,行秩与列秩相等

 

https://www.zhihu.com/question/28630628

矩阵低秩的意义:

在图像处理中,rank可以理解为图像所包含的信息的丰富程度。不严谨的讲,低秩表征一种冗余程度。秩越低表示数据冗余性越大,因为用很少几个基就可以表达所有数据了。相反,秩越大表示数据冗余性越小。

满秩分解:任何一个矩阵可以分解为一个列满秩和行满秩的矩阵的乘积。

对于一个 m * n 的矩阵,如果秩很低(秩r远小于m,n),则它可以拆成一个 m * r 矩阵和一个 r * n 矩阵之积。后面这两个矩阵所占用的存储空间比原来的 m * n矩阵小得多。

 

https://www.zhihu.com/question/21874816

如何理解矩阵特征值?

特征值就是拉伸的大小

特征向量指明了拉伸的方向

 

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