一、矩阵和线性代数的关系
第一,众所周知,线性代数的一个问题是解线性方程组。矩阵是一种用来简化线性方程组表示的工具。
第二,矩阵可以表示一种线性映射,称为矩阵映射,写做T(x) = Ax,其中A是一个矩阵,x 和T(x) 是向量。所有矩阵映射都是线性映射,但线性映射不全都能表示为矩阵映射。
二、线性代数的应用
1、解复杂的线性方程组。
2、分析差分方程。例:
3、计算机图形学。向量表示点,矩阵表示空间中的平移、缩放、旋转等操作。
三、可逆矩阵
非常重要,在计算推导中非常有用。注意可逆性质只能用于方阵。方阵A可逆当且仅当A的行列式不为零。
四、行列式有什么用
行列式是一个数!行列式用处不多,一个是判断是否可逆,一个是计算特征方程。行列式是一个算式,经过计算后就是个数。
五、向量空间、线性映射
这两个概念是高于矩阵的。矩阵映射是线性映射的一种,一班的Rn空间也只是向量空间的一种。
六、秩
从线性映射的层次理解,秩是线性映射的值域空间的维数。线性变化各个空间的维数有如下关系:
dim nullT + dim rangeT = n
n是线性变化定义域的维数,其中dim rangeT和秩相等。
七、特征向量、特征值有什么用
在动力系统中(基本和差分方程一样),为了探究系统随时间推移的变化。需要将递推公式
然后,经过对方阵A的研究人们发现,存在着一种特别情况,某些向量x 满足
八、特征值、特征向量的计算
有几种方法计算特征值,其中越靠前的越少见。
1、三角矩阵
所有三角矩阵,对角线元素是特征值。这种情况最少见。
2、特征方程
lambda是特征值当且仅当lambda是特征方程
3、实际应用中,一般很难精确求出特征方程,可能因为特征方程太复杂,或者特征方程无解。因此有特征值的估计方法, 能够得到近似值,仍然能很好的解决实际问题。比如QR分解。
九、矩阵对角化
如果一个n维方阵有n个线性无关的特征向量,那么方阵可以被对角化:
矩阵对角化的意义是能够简化矩阵A的幂运算:
十、正交
重要概念,正交投影,对于向量空间V和V的子空间U,向量x可分解为两个相互正交的部分u和v,u属于子空间U,u是x在U上的正交投影,u还有一个很有趣的特点,它是U空间中离x最近的点。这个性质,让正交投影和最小二乘法有了关系,最小二乘法的计算,可以看做是求一个正交投影。
。。未完。。