(八)二阶张量与矩阵(二)

这篇具有很好参考价值的文章主要介绍了(八)二阶张量与矩阵(二)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1. 二阶张量的代数运算与矩阵的代数运算

4.1. 二阶张量的相等、加(减)、数乘

二阶张量的相等、加(减)、数乘运算与矩阵相等、加(减)、数乘运算一 一对应;

1.2. 二阶张量的缩并

与二阶张量的缩并相关的运算为求二阶张量的迹 t r ( T ) tr(\bold{T}) tr(T)
t r ( T ) = T i j g i j = T i ∙ i = T 1 ∙ 1 + T 2 ∙ 2 + T 3 ∙ 3 = T ∙ i i = T ∙ 1 1 + T ∙ 2 2 + T ∙ 3 3 = T i j g i j tr(\bold{T}) =T^{ij}g_{ij} =T_i^{\bullet i} =T_1^{\bullet 1}+T_2^{\bullet 2}+T_3^{\bullet 3} =T^i_{\bullet i} =T^1_{\bullet 1}+T^2_{\bullet 2}+T^3_{\bullet 3} =T_{ij}g^{ij} tr(T)=Tijgij=Tii=T11+T22+T33=Tii=T11+T22+T33=Tijgij显然,与之相关的矩阵运算为求方阵 τ 2 、 τ 3 \tau_2、\tau_3 τ2τ3 的迹

二阶张量迹的运算性质:

A , B , C ∈ T 2 ( V ) \bold{A},\bold{B},\bold{C}\in\mathscr{T}_2(V) A,B,CT2(V),则:
( 1 )   t r ( A + B ) = t r ( A ) + t r ( B ) ( 2 )   t r ( A ⋅ B ) = t r ( B ⋅ A ) ( 3 )   t r ( A ⋅ B ⋅ C ) = t r ( B ⋅ C ⋅ A ) = t r ( C ⋅ A ⋅ B ) ( 4 )   A : B = t r ( A T ⋅ B ) = t r ( A ⋅ B T ) = t r ( B T ⋅ A ) = t r ( B ⋅ A T ) \begin{aligned} &(1)\ tr(\bold{A}+\bold{B})=tr(\bold{A})+tr(\bold{B})\\\\ &(2)\ tr(\bold{A}\cdot\bold{B})=tr(\bold{B}\cdot\bold{A})\\\\ &(3)\ tr(\bold{A}\cdot\bold{B}\cdot\bold{C})=tr(\bold{B}\cdot\bold{C}\cdot\bold{A})=tr(\bold{C}\cdot\bold{A}\cdot\bold{B})\\\\ &(4)\ \bold{A}:\bold{B}=tr(\bold{A}^T\cdot\bold{B})=tr(\bold A\cdot\bold B^T)=tr(\bold{B}^T\cdot\bold{A})=tr(\bold B\cdot\bold A^T) \end{aligned} (1) tr(A+B)=tr(A)+tr(B)(2) tr(AB)=tr(BA)(3) tr(ABC)=tr(BCA)=tr(CAB)(4) A:B=tr(ATB)=tr(ABT)=tr(BTA)=tr(BAT)
证明:
( 1 )   t r ( A + B ) = A ∙ i i + B ∙ i i = t r ( A ) + t r ( B ) ( 2 )   t r ( A ⋅ B ) = A ∙ j i B ∙ i j = B ∙ i j A ∙ j i = t r ( B ⋅ A ) ( 3 )   t r ( A ⋅ B ⋅ C ) = A ∙ j i B ∙ k j C ∙ i k = B ∙ k j C ∙ i k A ∙ j i = t r ( B ⋅ C ⋅ A )    = C ∙ i k A ∙ j i B ∙ k j = t r ( C ⋅ A ⋅ B ) ( 4 )   A : B = A ∙ j i B i ∙ j = ( B T ) ∙ i j A ∙ j i = t r ( B T ⋅ A )   = ( A T ) j ∙ i B i ∙ j = t r ( A T ⋅ B ) \begin{aligned} &(1)\ tr(\bold{A}+\bold{B})=A^{i}_{\bullet i}+B^{i}_{\bullet i}=tr(\bold{A})+tr(\bold{B})\\\\ &(2)\ tr(\bold{A}\cdot\bold{B})=A^{i}_{\bullet j}B^{j}_{\bullet i}=B^{j}_{\bullet i}A^{i}_{\bullet j}=tr(\bold{B}\cdot\bold{A})\\\\ &(3)\ tr(\bold{A}\cdot\bold{B}\cdot\bold{C})=A^{i}_{\bullet j}B^{j}_{\bullet k}C^{k}_{\bullet i}=B^{j}_{\bullet k}C^{k}_{\bullet i}A^{i}_{\bullet j}=tr(\bold{B}\cdot\bold{C}\cdot\bold{A})\\\\ &\qquad\qquad\quad\ \ =C^{k}_{\bullet i}A^{i}_{\bullet j}B^{j}_{\bullet k}=tr(\bold{C}\cdot\bold{A}\cdot\bold{B})\\\\ &(4)\ \bold{A}:\bold{B}=A^{i}_{\bullet j}B_{i}^{\bullet j}=(B^T)_{\bullet i}^{j}A^{i}_{\bullet j}=tr(\bold{B}^T\cdot\bold{A})\\\\ &\qquad\qquad\ =(A^T)_{j}^{\bullet i}B_{i}^{\bullet j}=tr(\bold{A}^T\cdot\bold{B}) \end{aligned} (1) tr(A+B)=Aii+Bii=tr(A)+tr(B)(2) tr(AB)=AjiBij=BijAji=tr(BA)(3) tr(ABC)=AjiBkjCik=BkjCikAji=tr(BCA)  =CikAjiBkj=tr(CAB)(4) A:B=AjiBij=(BT)ijAji=tr(BTA) =(AT)jiBij=tr(ATB)

1.3. 二阶张量与矢量的点积 —— 线性变换

w ⃗ = T ∙ u ⃗ ⟺ w i = T ∙ j i u j ⟺ [ w 1 w 2 w 3 ] = [ T ∙ 1 1 T ∙ 2 1 T ∙ 3 1 T ∙ 1 2 T ∙ 2 2 T ∙ 3 2 T ∙ 1 3 T ∙ 2 3 T ∙ 3 3 ] [ u 1 u 2 u 3 ] ⟺ w ⃗ = τ 3 u ⃗   t ⃗ = u ⃗ ∙ T ⟺ t i = u j T j ∙ i ⟺ [ t 1 t 2 t 3 ] = [ T 1 ∙ 1 T 2 ∙ 1 T 3 ∙ 1 T 1 ∙ 2 T 2 ∙ 2 T 3 ∙ 2 T 1 ∙ 3 T 2 ∙ 3 T 3 ∙ 3 ] [ u 1 u 2 u 3 ] ⟺ t ⃗ = τ 2 u ⃗ \vec{w}=\bold{T}\bullet\vec{u} \Longleftrightarrow w^i=T^{i}_{\bullet j}u^j \Longleftrightarrow \begin{bmatrix}w^1\\\\w^2\\\\w^3\end{bmatrix} =\begin{bmatrix} T^{1}_{\bullet 1} & T^{1}_{\bullet 2} & T^{1}_{\bullet 3} \\ \\ T^{2}_{\bullet 1} & T^{2}_{\bullet 2} & T^{2}_{\bullet 3} \\ \\ T^{3}_{\bullet 1} & T^{3}_{\bullet 2} & T^{3}_{\bullet 3} \end{bmatrix} \begin{bmatrix}u^1\\\\u^2\\\\u^3\end{bmatrix} \Longleftrightarrow \vec{w}=\tau_{3}\vec{u} \\\ \\ \vec{t}=\vec{u}\bullet\bold{T} \Longleftrightarrow t^i=u^jT^{\bullet i}_{j} \Longleftrightarrow \begin{bmatrix}t^1\\\\t^2\\\\t^3\end{bmatrix} =\begin{bmatrix} T_{1}^{\bullet 1} & T_{2}^{\bullet 1} & T_{3}^{\bullet 1} \\ \\ T_{1}^{\bullet 2} & T_{2}^{\bullet 2} & T_{3}^{\bullet 2} \\ \\ T_{1}^{\bullet 3} & T_{2}^{\bullet 3} & T_{3}^{\bullet 3} \end{bmatrix} \begin{bmatrix}u^1\\\\u^2\\\\u^3\end{bmatrix} \Longleftrightarrow \vec{t}=\tau_{2}\vec{u} w =Tu wi=Tjiuj w1w2w3 = T11T12T13T21T22T23T31T32T33 u1u2u3 w =τ3u  t =u Tti=ujTji t1t2t3 = T11T12T13T21T22T23T31T32T33 u1u2u3 t =τ2u 显然,二阶张量与矢量的左、右点积一般不等: T ∙ u ⃗ ≠ u ⃗ ∙ T \bold{T}\bullet\vec{u}\ne\vec{u}\bullet\bold{T} Tu =u T且有:
( τ T ) 3 u ⃗ = τ 2 u ⃗ ⟺ T T ∙ u ⃗ = u ⃗ ∙ T (\tau^T)_3\vec{u}=\tau_{2}\vec{u} \Longleftrightarrow \bold{T}^T\bullet\vec{u}=\vec{u}\bullet\bold{T} (τT)3u =τ2u TTu =u T那么有:
N ∙ u ⃗ = u ⃗ ∙ N ( N 为对称二阶张量 )   Ω ∙ u ⃗ = − u ⃗ ∙ Ω ( Ω 为反对称二阶张量 ) \bold{N}\bullet\vec{u}=\vec{u}\bullet\bold{N} \qquad(\bold{N}为对称二阶张量)\\\ \\ \bold{\Omega}\bullet\vec{u}=-\vec{u}\bullet\bold{\Omega} \qquad(\bold{\Omega}为反对称二阶张量) Nu =u N(N为对称二阶张量) Ωu =u Ω(Ω为反对称二阶张量)与矩阵与列向量的乘法相同,二阶张量可将任意向量映射为其它的向量,故也将二阶张量与矢量的点积称作线性变换。另外,任意对称二阶张量也对应着一个二次型,即:
x ⃗ ∙ N ∙ x ⃗ = N : x ⃗ x ⃗ = N i j x i x j = [ x 1 x 2 x 3 ] [ N 11 N 12 N 13 N 21 N 22 N 23 N 31 N 32 N 33 ] [ x 1 x 2 x 3 ] = x ⃗ T N 1 x ⃗ \vec{x}\bullet\bold{N}\bullet\vec{x} =\bold{N}:\vec{x}\vec{x} =N_{ij}x^ix^j =\begin{bmatrix}x^1 & x^2 & x^3\end{bmatrix} \begin{bmatrix} N_{11} & N_{12} & N_{13} \\ \\ N_{21} & N_{22} & N_{23} \\ \\ N_{31} & N_{32} & N_{33} \end{bmatrix} \begin{bmatrix}x^1 \\\\ x^2 \\\\ x^3\end{bmatrix} =\vec{x}^TN_{1}\vec{x} x Nx =N:x x =Nijxixj=[x1x2x3] N11N21N31N12N22N32N13N23N33 x1x2x3 =x TN1x

1.4. 二阶张量与二阶张量的点积

二阶张量的点积采用分量形式有:
C i j = A i ∙ k B k j = A i k B ∙ j k ⟺ C 1 = [ C i j ] = [ A 1 ∙ 1 A 2 ∙ 1 A 3 ∙ 1 A 1 ∙ 2 A 2 ∙ 2 A 3 ∙ 2 A 1 ∙ 3 A 2 ∙ 3 A 3 ∙ 3 ] T [ B 11 B 12 B 13 B 21 B 22 B 23 B 31 B 32 B 33 ] = A 2 T B 1 = [ A 11 A 12 A 13 A 21 A 22 A 23 A 31 A 32 A 33 ] [ B ∙ 1 1 B ∙ 2 1 B ∙ 3 1 B ∙ 1 2 B ∙ 2 2 B ∙ 3 2 B ∙ 1 3 B ∙ 2 3 B ∙ 3 3 ] = A 1 B 3   C i ∙ j = A i ∙ k B k ∙ j = A i k B k j ⟺ C 2 = [ C i ∙ j ] = [ A 1 ∙ 1 A 2 ∙ 1 A 3 ∙ 1 A 1 ∙ 2 A 2 ∙ 2 A 3 ∙ 2 A 1 ∙ 3 A 2 ∙ 3 A 3 ∙ 3 ] [ B 1 ∙ 1 B 2 ∙ 1 B 3 ∙ 1 B 1 ∙ 2 B 2 ∙ 2 B 3 ∙ 2 B 1 ∙ 3 B 2 ∙ 3 B 3 ∙ 3 ] = A 2 B 2 = [ A 11 A 12 A 13 A 21 A 22 A 23 A 31 A 32 A 33 ] [ B 11 B 12 B 13 B 21 B 22 B 23 B 31 B 32 B 33 ] = A 1 B 4   C ∙ j i = A ∙ k i B ∙ j k = A i k B k j ⟺ C 3 = [ C ∙ j i ] = [ A ∙ 1 1 A ∙ 2 1 A ∙ 3 1 A ∙ 1 2 A ∙ 2 2 A ∙ 3 2 A ∙ 1 3 A ∙ 2 3 A ∙ 3 3 ] [ B ∙ 1 1 B ∙ 2 1 B ∙ 3 1 B ∙ 1 2 B ∙ 2 2 B ∙ 3 2 B ∙ 1 3 B ∙ 2 3 B ∙ 3 3 ] = A 3 B 3 = [ A 11 A 12 A 13 A 21 A 22 A 23 A 31 A 32 A 33 ] [ B 11 B 12 B 13 B 21 B 22 B 23 B 31 B 32 B 33 ] = A 4 B 1   C i j = A ∙ k i B k j = A i k B k ∙ j ⟺ C 2 = [ C i j ] = [ A ∙ 1 1 A ∙ 2 1 A ∙ 3 1 A ∙ 1 2 A ∙ 2 2 A ∙ 3 2 A ∙ 1 3 A ∙ 2 3 A ∙ 3 3 ] [ B 11 B 12 B 13 B 21 B 22 B 23 B 31 B 32 B 33 ] = A 3 B 4 = [ A 11 A 12 A 13 A 21 A 22 A 23 A 31 A 32 A 33 ] [ B 1 ∙ 1 B 2 ∙ 1 B 3 ∙ 1 B 1 ∙ 2 B 2 ∙ 2 B 3 ∙ 2 B 1 ∙ 3 B 2 ∙ 3 B 3 ∙ 3 ] T = A 4 B 2 T C_{ij}=A_{i}^{\bullet k}B_{k j}=A_{ik}B^k_{\bullet j} \Longleftrightarrow C_{1}=[C_{ij}] =\begin{bmatrix} A_{1}^{\bullet 1} & A_{2}^{\bullet 1} & A_{3}^{\bullet 1} \\\\ A_{1}^{\bullet 2} & A_{2}^{\bullet 2} & A_{3}^{\bullet 2} \\\\ A_{1}^{\bullet 3} & A_{2}^{\bullet 3} & A_{3}^{\bullet 3} \end{bmatrix}^T \begin{bmatrix} B_{11} & B_{12} & B_{13} \\\\ B_{21} & B_{22} & B_{23} \\\\ B_{31} & B_{32} & B_{33} \end{bmatrix} =A_{2}^TB_{1} =\begin{bmatrix} A_{11} & A_{12} & A_{13} \\\\ A_{21} & A_{22} & A_{23} \\\\ A_{31} & A_{32} & A_{33} \end{bmatrix} \begin{bmatrix} B^1_{\bullet 1} & B^1_{\bullet 2} & B^1_{\bullet 3} \\\\ B^2_{\bullet 1} & B^2_{\bullet 2} & B^2_{\bullet 3} \\\\ B^3_{\bullet 1} & B^3_{\bullet 2} & B^3_{\bullet 3} \end{bmatrix} =A_{1}B_{3}\\\ \\ %%%%%%%%%%%%%%%% C_{i}^{\bullet j}=A_{i}^{\bullet k}B_k^{\bullet j}=A_{ik}B^{kj} \Longleftrightarrow C_{2}=[C_{i}^{\bullet j}] =\begin{bmatrix} A_{1}^{\bullet 1} & A_{2}^{\bullet 1} & A_{3}^{\bullet 1} \\\\ A_{1}^{\bullet 2} & A_{2}^{\bullet 2} & A_{3}^{\bullet 2} \\\\ A_{1}^{\bullet 3} & A_{2}^{\bullet 3} & A_{3}^{\bullet 3} \end{bmatrix} \begin{bmatrix} B_{1}^{\bullet 1} & B_{2}^{\bullet 1} & B_{3}^{\bullet 1} \\\\ B_{1}^{\bullet 2} & B_{2}^{\bullet 2} & B_{3}^{\bullet 2} \\\\ B_{1}^{\bullet 3} & B_{2}^{\bullet 3} & B_{3}^{\bullet 3} \end{bmatrix} =A_{2}B_{2} =\begin{bmatrix} A_{11} & A_{12} & A_{13} \\\\ A_{21} & A_{22} & A_{23} \\\\ A_{31} & A_{32} & A_{33} \end{bmatrix} \begin{bmatrix} B^{11} & B^{12} & B^{13} \\\\ B^{21} & B^{22} & B^{23} \\\\ B^{31} & B^{32} & B^{33} \end{bmatrix} =A_{1}B_{4}\\\ \\ %%%%%%%%%%%%%%%% C_{\bullet j}^{i}=A^{i}_{\bullet k}B^k_{\bullet j}=A^{ik}B_{kj} \Longleftrightarrow C_{3}=[C_{\bullet j}^{i}] =\begin{bmatrix} A^{1}_{\bullet 1} & A^{1}_{\bullet 2}& A^{1}_{\bullet 3} \\\\ A^{2}_{\bullet 1} & A^{2}_{\bullet 2}& A^{2}_{\bullet 3} \\\\ A^{3}_{\bullet 1} & A^{3}_{\bullet 2}& A^{3}_{\bullet 3} \end{bmatrix} \begin{bmatrix} B^{1}_{\bullet 1} & B^{1}_{\bullet 2}& B^{1}_{\bullet 3} \\\\ B^{2}_{\bullet 1} & B^{2}_{\bullet 2}& B^{2}_{\bullet 3} \\\\ B^{3}_{\bullet 1} & B^{3}_{\bullet 2}& B^{3}_{\bullet 3} \end{bmatrix} =A_{3}B_{3} =\begin{bmatrix} A^{11} & A^{12} & A^{13} \\\\ A^{21} & A^{22} & A^{23} \\\\ A^{31} & A^{32} & A^{33} \end{bmatrix} \begin{bmatrix} B_{11} & B_{12} & B_{13} \\\\ B_{21} & B_{22} & B_{23} \\\\ B_{31} & B_{32} & B_{33} \end{bmatrix} =A_{4}B_{1}\\\ \\ %%%%%%%%%%%%%%%% C^{ij}=A^{i}_{\bullet k}B^{kj}=A^{ik}B_k^{\bullet j} \Longleftrightarrow C_{2}=[C^{ij}] =\begin{bmatrix} A^{1}_{\bullet 1} & A^{1}_{\bullet 2}& A^{1}_{\bullet 3} \\\\ A^{2}_{\bullet 1} & A^{2}_{\bullet 2}& A^{2}_{\bullet 3} \\\\ A^{3}_{\bullet 1} & A^{3}_{\bullet 2}& A^{3}_{\bullet 3} \end{bmatrix} \begin{bmatrix} B^{11} & B^{12} & B^{13} \\\\ B^{21} & B^{22} & B^{23} \\\\ B^{31} & B^{32} & B^{33} \end{bmatrix} =A_{3}B_{4} =\begin{bmatrix} A^{11} & A^{12} & A^{13} \\\\ A^{21} & A^{22} & A^{23} \\\\ A^{31} & A^{32} & A^{33} \end{bmatrix} \begin{bmatrix} B_{1}^{\bullet 1} & B_{2}^{\bullet 1} & B_{3}^{\bullet 1} \\\\ B_{1}^{\bullet 2} & B_{2}^{\bullet 2} & B_{3}^{\bullet 2} \\\\ B_{1}^{\bullet 3} & B_{2}^{\bullet 3} & B_{3}^{\bullet 3} \end{bmatrix}^T =A_{4}B_{2}^T %%%%%%%%%%%%%%%% Cij=AikBkj=AikBjkC1=[Cij]= A11A12A13A21A22A23A31A32A33 T B11B21B31B12B22B32B13B23B33 =A2TB1= A11A21A31A12A22A32A13A23A33 B11B12B13B21B22B23B31B32B33 =A1B3 Cij=AikBkj=AikBkjC2=[Cij]= A11A12A13A21A22A23A31A32A33 B11B12B13B21B22B23B31B32B33 =A2B2= A11A21A31A12A22A32A13A23A33 B11B21B31B12B22B32B13B23B33 =A1B4 Cji=AkiBjk=AikBkjC3=[Cji]= A11A12A13A21A22A23A31A32A33 B11B12B13B21B22B23B31B32B33 =A3B3= A11A21A31A12A22A32A13A23A33 B11B21B31B12B22B32B13B23B33 =A4B1 Cij=AkiBkj=AikBkjC2=[Cij]= A11A12A13A21A22A23A31A32A33 B11B21B31B12B22B32B13B23B33 =A3B4= A11A21A31A12A22A32A13A23A33 B11B12B13B21B22B23B31B32B33 T=A4B2T
由两个二阶张量点乘与矩阵乘法的对应关系也可得到:张量点积不可随意更换次序,即
A ∙ B ≠ B ∙ A \bold{A}\bullet\bold{B}\ne\bold{B}\bullet\bold{A} AB=BA另外,可借助张量点积与矩阵乘法的对应关系推导出如下类似于矩阵乘法与矩阵转置关系的张量点积与张量转置的关系式
( A 3 B 3 ) T = ( B 3 ) T ( A 3 ) T = ( B T ) 2 ( A T ) 2 ⟺ ( A ∙ B ) T = B T ∙ A T (A_3B_3)^T=(B_3)^T(A_3)^T=(B^T)_2(A^T)_2 \Longleftrightarrow (\bold{A}\bullet\bold{B})^T=\bold{B}^T\bullet\bold{A}^T (A3B3)T=(B3)T(A3)T=(BT)2(AT)2(AB)T=BTAT张量点积的行列式与张量行列式的关系式 d e t ( A 3 B 3 ) = d e t ( A 3 ) d e t ( B 3 ) ⟺ d e t ( A ∙ B ) = d e t ( A ) d e t ( B ) det(A_3B_3)=det(A_3)det(B_3) \Longleftrightarrow det(\bold{A}\bullet\bold{B})=det(\bold{A})det(\bold{B}) det(A3B3)=det(A3)det(B3)det(AB)=det(A)det(B)

2. 正则二阶张量与可逆矩阵

若二阶张量 T \bold T T 的矩阵可逆,则称二阶张量正则,反之称作退化的二阶张量
显然,二阶张量正则的充要条件为二阶张量的行列式不为零
则有: T \bold T T如果正则,那么 T T \bold T^T TT也正则
另外,根据正则张量、张量点积与可逆矩阵、矩阵乘法的对应关系可知:对于正则的二阶张量 T \bold{T} T,必唯一存在正则的二阶张量 T − 1 \bold{T}^{-1} T1,使得:
T ∙ T − 1 = T − 1 ∙ T = G ( 1 ) \bold{T}\bullet\bold{T}^{-1}=\bold{T}^{-1}\bullet\bold{T}=\bold{G}\qquad(1) TT1=T1T=G(1) T − 1 \bold{T}^{-1} T1称作正则张量 T \bold{T} T的逆张量,且逆张量的矩阵等于原张量矩阵的逆,即
( τ − 1 ) 3 = ( τ 3 ) − 1 (\tau^{-1})_3=(\tau_3)^{-1} (τ1)3=(τ3)1则,
d e t [ ( τ − 1 ) 3 ] = d e t [ ( τ 3 ) − 1 ] = 1 d e t ( τ 3 ) ⟺ d e t ( T − 1 ) = 1 d e t ( T ) det[(\tau^{-1})_3]=det[(\tau_3)^{-1}]=\frac{1}{det(\tau_3)} \Longleftrightarrow det(\bold{T}^{-1})=\frac{1}{det(\bold{T})} det[(τ1)3]=det[(τ3)1]=det(τ3)1det(T1)=det(T)1此外,进一步根据(1)式可得:
( T − 1 ) − 1 = T   G T = ( T ∙ T − 1 ) T = ( T − 1 ) T ∙ T T = G = ( T T ) − 1 ∙ T T (\bold{T}^{-1})^{-1}=\bold{T}\\\ \\ \bold{G}^T =(\bold{T}\bullet\bold{T}^{-1})^T =(\bold{T}^{-1})^T\bullet\bold{T}^T =\bold{G} =(\bold{T}^T)^{-1}\bullet\bold{T}^T (T1)1=T GT=(TT1)T=(T1)TTT=G=(TT)1TT由逆张量的唯一性可知:
( T T ) − 1 = ( T − 1 ) T (\bold{T}^T)^{-1}=(\bold{T}^{-1})^T (TT)1=(T1)T若二阶张量线性变换可逆,则:
w ⃗ = τ 3 u ⃗ ⟺ w ⃗ = T ∙ u ⃗   u ⃗ = ( τ 3 ) − 1 w ⃗ = ( τ − 1 ) 3 w ⃗ ⟺ u ⃗ = T − 1 ∙ w ⃗ \vec{w}=\tau_3\vec{u} \Longleftrightarrow \vec{w}=T\bullet\vec{u}\\\ \\ \vec{u}=(\tau_3)^{-1}\vec{w}=(\tau^{-1})_3\vec{w} \Longleftrightarrow \vec{u}=T^{-1}\bullet\vec{w} w =τ3u w =Tu  u =(τ3)1w =(τ1)3w u =T1w 文章来源地址https://www.toymoban.com/news/detail-444642.html

到了这里,关于(八)二阶张量与矩阵(二)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 0203逆矩阵-矩阵及其运算-线性代数

    定义7 对于 n n n 阶矩阵A,如果有一个 n n n 阶矩阵B,使 A B = B A = E AB=BA=E A B = B A = E 则说矩阵A是可逆的,并把矩阵B称为A的逆矩阵,简称逆阵。 定理1 若矩阵A可逆,则 ∣ A ∣ ≠ 0 vert Avert not = 0 ∣ A ∣  = 0 证明: A 可逆,即有 A − 1 ,使得 A A − 1 = E ∣ A A − 1 ∣ = ∣ A

    2024年04月13日
    浏览(60)
  • 0205矩阵分块法-矩阵及其运算-线性代数

    1 分块矩阵的定义 将矩阵A用若干条纵线和横线分成许多个小矩阵,每一个小矩阵称为A的子快,以子块为元素的形式上的矩阵称为分块矩阵。 2 分块矩阵的运算(性质) 设矩阵A与B的行数相同,列数相同,采用相同的分块法,有 A = ( A 11 ⋯ A 1 r ⋮ ⋮ A s 1 ⋯ A s r ) , B = ( B 11 ⋯

    2024年04月26日
    浏览(39)
  • 线性代数(二) 矩阵及其运算

    行列式det(A) 其实表示的只是一个值 ∣ a b c d ∣ = a d − b c begin{vmatrix} a b\\\\ c dend{vmatrix} = ad -bc ​ a c ​ b d ​ ​ = a d − b c ,其基本变化是基于这个值是不变。而矩阵表示的是一个数表。 矩阵与线性变换的关系 即得 ( a 11 a 12 . . . a 1 n a 21 a 22 . . . a 2 n . . . . . . . . . . . . . a

    2024年02月14日
    浏览(50)
  • 线性代数2.2矩阵运算

    矩阵元素对应相加,显然只有同型矩阵才能相加 矩阵元素对应相减,显然只有同型矩阵才能相减 矩阵所有元素均有公因子,所有公因子朝外提一次 行列式提公因子:一行提一次 所有元素均有外提n次 与行列式乘法规则一致,行的每一个元素乘以列每一个元素,先相乘再相加

    2024年02月11日
    浏览(52)
  • 线性代数|分块矩阵的运算规则

    定理 1 设矩阵 A boldsymbol{A} A 与 B boldsymbol{B} B 的行数相同、列数相同,采用相同的分块法,有 A = ( A 11 ⋯ A 1 r ⋮ ⋮ A s 1 ⋯ A s r ) , B = ( B 11 ⋯ B 1 r ⋮ ⋮ B s 1 ⋯ B s r ) boldsymbol{A} = begin{pmatrix} boldsymbol{A}_{11} cdots boldsymbol{A}_{1r} \\\\ vdots vdots \\\\ boldsymbol{A}_{s1} cdots boldsymbol{

    2024年02月07日
    浏览(50)
  • 线性代数第二章矩阵及其运算详解

    一.线性方程组和矩阵 1.概念 如图所示,该矩阵称为 m行n列矩阵 若行数和列数都等于n,则该矩阵称为 n阶方阵 两个矩阵的行数相等,列数也相等,就称它们为 同型矩阵 若A=(aij)和B=(bij)是同型矩阵,且aij=bij(i=1,2,...,m;j=1,2,...,n),则称 矩阵A与矩阵B相等 ,记作 A=B 2.特殊

    2024年01月25日
    浏览(53)
  • 线性代数:矩阵运算(加减、数乘、乘法、幂、除、转置)

    目录 加减 数乘  矩阵与矩阵相乘  矩阵的幂 矩阵转置  方阵的行列式  方阵的行列式,证明:|AB| = |A| |B|        

    2024年01月22日
    浏览(51)
  • 矩阵运算之外积:解决线性代数问题的关键技巧

    线性代数是数学的一个分支,主要研究的是线性方程组和矩阵。线性方程组是指每个变量的方程都是线性的方程组,矩阵是一种数学结构,可以用来表示和解决线性方程组。在现实生活中,线性方程组和矩阵广泛应用于各个领域,如物理学、生物学、经济学、计算机科学等。

    2024年02月21日
    浏览(43)
  • 【理解线性代数】(四)线性运算的推广与矩阵基础

    工业生产的发展趋势总是从单件生产到批量生产。科学技术研究也是一样,总是从简单计算到复合运算、批量运算。批量意味着生产能力、处理能力的提升。计算机从16位发展到64位,从单核发展到多核;计算机从CPU处理数据发展到GPU处理数据;大数据、人工智能领域的大模型

    2024年02月09日
    浏览(52)
  • 线性代数中涉及到的matlab命令-第二章:矩阵及其运算

    目录 1,矩阵定义 2,矩阵的运算 3,方阵的行列式和伴随矩阵  4,矩阵的逆  5,克莱默法则  6,矩阵分块  矩阵与行列式的区别: (1)形式上行列式是数表加两个竖线,矩阵是数表加大括号或中括号; (2)行列式可计算得到一个值,矩阵不能; (3)两个行列式相加与两

    2024年02月08日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包