机器学习-矩阵和线性代数-笔记 (2)

    显然, m × n 矩阵 A 的 k 阶子式有

机器学习-矩阵和线性代数-笔记

个。

  设在矩阵 A 中有一个不等于 0 的 r 阶子式 D ,且所有r+1 阶子式 如果存在的话 全等于 0 ,那么 D 称为矩阵 A 的最高阶非零子式, r 称为矩阵 A 的秩,记做R(A)=r 。

    n × n 的可逆矩阵,秩为 n

    可逆矩阵又称满秩矩阵

    矩阵的秩等于它行(列 )向量组的秩

秩与线性方程组的解的关系

    

机器学习-矩阵和线性代数-笔记

  对于 n 元线性方程组 Ax=b

    无解的充要条件是 R(A)<R(A,b)    

    有唯一解的充要条件是 R(A)=R(A,b)=n

    有无限多解的充要条件是 R(A)=R(A,b)<n

  推论:

    Ax=0 有非零解的充要条件是 R(A)<n

    Ax=b 有解的充要条件是 R(A)=R(A,b)

向量组等价

  向量 b 能由向量组 A: a1,a2,...,am 线性表示的充要条件是矩阵 A=(a1,a2,...,am ) 的秩等于矩阵B=(a1,a2,...,am ) 的秩。

  设有两个向量组 A:a1,a2,...,am 及 B:b1,b2,...,bn, 若 B 组的向量都能由向量组 A 线性表示,则称向量组 B 能由向量组 A 线性表示。若向量组 A 与向量组 B 能相互线性表示,则称两个向量组等价。

系数矩阵

  将向量组A和B所构成的矩阵依次记做A=(a1,a2,...,am ) ,B=(b1,b2,...,bn)B组能由A组线性表示,即对每个向量bj,存在k1j,k2j,...,kmj

  使得

    

机器学习-矩阵和线性代数-笔记

  从而得到系数矩阵K

    

机器学习-矩阵和线性代数-笔记

对C=AB 的重认识

  由此可知,若 C=A × B ,则矩阵 C 的列向量能由 A 的列向量线性表示, B 即为这一表示的系数矩阵。

    对偶的,若 C=A × B ,则矩阵 C 的行向量能由B的行向量线性表示, A 即为这一表示的系数矩阵

  向量组 B: b1,b2,...,bn 能由向量组 A: a1,a2,...,am 线性表示的充要条件是矩阵A=(a1,a2,...,am ) 的秩等于矩阵

  (A,B)=(a1,a2,...,am,b1,b2,...,bn) 的秩,即: R(A)=R(A,B)。

正交阵

  若 n 阶矩阵 A 满足 A T A=I ,成 A 为正交矩阵,简称正交阵。

    A 是正交阵的充要条件: A 的列 行 向量都是单位向量,且两两正交。

  A 是正交阵, x 为向量,则 A x 称作正交变换。

    正交变换不改变向量长度

特征值和特征向量

  A 是 n 阶矩阵,若数 λ 和 n 维非 0 列向量 x 满足Ax=λx ,那么,数 λ 称为 A 的特征值, x 称为A的对应于特征值 λ 的特征向量。

  根据定义,立刻得到 (A-λI)x = 0 ,令关于 λ 的多项式 |A-λI| 为 0 ,方程 |A-λI|=0 的根为 A 的特征值;将根 λ0 带入方程组 (A-λI)x = 0 ,求得到的非零解即 λ0 对应的特征向量。

特征值的性质

  设 n 阶矩阵 A=(aij 的特征值为 λ1 ,λ2 ,...λn

  则λ1 +λ2 +...+λn =a11 +a22 +…+ann

  λ1λ2…λn =|A|

    矩阵 A 主行列式的元素和,称作矩阵 A 的迹。

  已知 λ 是方阵 A 的特征值,则λ2 是 A2 的特征值,A 可逆时,λ1 是 A1 的特征值。

不同特征值对应的特征向量

  设 λ1,λ2,...,λm 是方阵 A 的 m 个特征值,p1,p2,...,pm 是依次与之对应的特征向量,若 λ1,λ2,...,λm 各不相等,则p1,p2,...,pm 线性无关。
引理

  实对称阵的特征值是实数

    设复数λ为对称阵A的特征值,复向量x为对应的特征向量,即Ax=λx(x≠0)

    用

机器学习-矩阵和线性代数-笔记

表示λ的共轭复数,

机器学习-矩阵和线性代数-笔记

表示x的共轭复向量,而A是实矩阵,有

机器学习-矩阵和线性代数-笔记

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zwdfzd.html