分块矩阵求逆推导 + 矩阵反演公式由来

这篇具有很好参考价值的文章主要介绍了分块矩阵求逆推导 + 矩阵反演公式由来。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。

一、分块矩阵求逆公式

1、不同情况下的分块矩阵求逆

引自知乎:https://www.zhihu.com/question/47760591
David Sun 大佬的回答

分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来

2、第一种情况的推导

分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来
其实也可以正面刚,下面从正面刚一下:
分块矩阵求逆推导 + 矩阵反演公式由来
其实正面刚比上一种解法更简单!

PS:啥时候Markdown 编辑公式能像Mathtype 那么方便就好了,这样笔者也不用先在word中编辑一遍再贴个图过来了。

二、矩阵反演公式

1、另一种矩阵逆表达

注意到第一种分块矩阵求逆的前提条件,它只要求 A A A ( D − C A − 1 B ) (D-CA^{-1}B) (DCA1B)可逆,这个条件还是比较弱的;但是在平差中用的时候,它不光 A A A可逆, D D D ( A − B D − 1 C ) (A-BD^{-1}C) (ABD1C)也是可逆的。根据左乘 D − 1 D^{-1} D1也可以得到另一个矩阵逆,推导如下:
分块矩阵求逆推导 + 矩阵反演公式由来
分块矩阵求逆推导 + 矩阵反演公式由来

2、矩阵反演公式

将上面两个矩阵逆的表达式子放在一起比较

分块矩阵求逆推导 + 矩阵反演公式由来
矩阵反演公式有啥用呢?

矩阵反演公式在很多地方都会用到,比如在最小二乘配置、递推最小二乘(序贯平差、逐次间接平差)、静态逐次滤波、卡尔曼滤波等等。可以说,矩阵反演公式贯穿广义平差的始终!

3、另一种写法

笔者发现,用ABCD表示分块矩阵中的元素,会产生一些误解,因为 ABCD 的排序可能会因人而异,然后笔者读书的时候也发现了另一种表示矩阵反演公式的方法:
分块矩阵求逆推导 + 矩阵反演公式由来文章来源地址https://www.toymoban.com/news/detail-471580.html

到了这里,关于分块矩阵求逆推导 + 矩阵反演公式由来的文章就介绍完了。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

  • 线性回归基本原理和公式推导

    回复我们公众号“1号程序员”的“E001”可以获取《BAT机器学习面试1000题》下载链接。[关注并回复:【E001】] 线性回归是一种监督式机器学习算法,它计算因变量与一个或多个独立特征之间的线性关系。当独立特征的数量为1时,被称为单变量线性回归;在存在多于一个特征

    2024年02月11日
    浏览(46)
  • 支持向量机(公式推导+举例应用)

    引言 在机器学习领域,支持向量机(Support Vector Machine,简称SVM)是一种强大而广泛应用的监督学习算法。其独特的优势在于在高维空间中进行准确分类,并在处理复杂数据集时表现出色。支持向量机的核心思想是在数据点间找到一个最优的超平面,以最大化不同类别之间的

    2024年01月16日
    浏览(45)
  • 对数换底公式及推导证明

    在数学中,对数是对求幂的逆运算,正如除法是乘法的逆运算,反之亦然。如果 a 的 x 次方等于 N (a0,且a≠1),那么数 x 叫做以 a 为底 N 的对数(logarithm),记作 x = l o g a N x=log_a N x = l o g a ​ N 。其中, a 叫做对数的底数, N 叫做真数。 x = l o g a N x=log_a N x = l o g a ​ N 等

    2024年02月11日
    浏览(64)
  • PnP算法详解(超详细公式推导)

    博主缺粉丝希望大家能给个关注!!! PnP(Perspective-n-Point)是求解3D到2D点的对应方法。它描述了当知道n个3D空间点及其位置,如何估计相机的位姿。如果两张图像中的一张特征点3D位置已知,那么至少需要3个点对(以及至少一个额外验证点验证结果)就可以计算相机的运动。 P

    2024年02月03日
    浏览(39)
  • 贝叶斯分类器(公式推导+举例应用)

    引言 在机器学习的世界中,有一类强大而受欢迎的算法——贝叶斯分类器,它倚仗着贝叶斯定理和朴素的独立性假设,成为解决分类问题的得力工具。这种算法的独特之处在于其对概率的建模,使得它在面对不确定性和大规模特征空间时表现卓越。 本文将深入探讨贝叶斯分

    2024年01月21日
    浏览(51)
  • 西瓜书公式(10.24)的推导

    在西瓜书 10.4 节 “核化线性降维” 中,引入了一个映射函数 ϕ phi ϕ ,其作用是将样本点 x i x_i x i ​ 映射到高维特征空间中,即 z i = ϕ ( x i ) z_i=phi(x_i) z i ​ = ϕ ( x i ​ ) 由前文中的推导可以得到 式(10.21) 和 式(10.22) ( ∑ i = 1 m ϕ ( x i ) ϕ ( x i ) T ) w j = λ j w j (10.21) left(s

    2024年02月09日
    浏览(39)
  • 【例题】利用伴随矩阵求逆矩阵

    【例1:同济线代习题二 9.1】求下列矩阵的逆矩阵: A = ( 1 2 2 5 ) boldsymbol{A} = begin{pmatrix} 1 2 \\\\ 2 5 end{pmatrix} A = ( 1 2 ​ 2 5 ​ ) 解答 因为 ∣ A ∣ = 5 − 4 = 1 ≠ 0 |boldsymbol{A}| = 5 - 4 = 1 ne 0 ∣ A ∣ = 5 − 4 = 1  = 0 ,所以 A boldsymbol{A} A 可逆。有 A − 1 = 1 ∣ A ∣ A ∗ = ( 5 − 2 −

    2023年04月11日
    浏览(41)
  • 线性回归python实现详解(附公式推导)

    1.1简单线性回归 在简单线性回归中,输入x只有一个特征,通过调整a和b的参数值,来拟合从x到y的线性关系。下图为进行拟合所需要优化的目标,也即是MES(Mean Squared Error),只不过省略了平均的部分(除以m)。 对于简单线性回归,只有两个参数a和b,通过对MSE优化目标求导

    2023年04月11日
    浏览(33)
  • Minimum Snap闭式求解相关公式推导

    可以看看我的这几篇Blog1,Blog2,Blog3。 闭式法中的 Q Q Q 矩阵计算和之前 M i n i m u m Minimum M inim u m S n a p Snap S na p 当中的一样,但约束的形式与之前略为不同,在之前的方法中, 等式约束只要构造成 [ … ] p = b [ldots] p=b [ … ] p = b 的形式就可以了,而闭式法中,每段轨迹都构

    2024年02月15日
    浏览(34)
  • 【论文精读】NeRF中的数学公式推导

    这篇文章用于记录NeRF论文中数学公式的推导过程。 论文里的第一个公式就很硬核,展示了相机射线的期望颜色的计算方法。 5D 神经辐射场将场景表示为空间中任意点的体积密度和定向发射的辐射。文章使用经典体积渲染的原理,来渲染任何穿过场景的光线的颜色。体积密度

    2024年02月10日
    浏览(43)

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