线性代数——理解向(2)

这篇具有很好参考价值的文章主要介绍了线性代数——理解向(2)。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。

麻省理工学院 - MIT - 线性代数(我愿称之为线性代数教程天花板)_哔哩哔哩_bilibili

 MIT—线性代数笔记00 - 知乎 (zhihu.com)

一、求解Ax=0

计算零空间

矩阵A的零空间即满足Ax=0的所有x构成的向量空间。

取    (A的列向量并不线性无关)

对于矩阵A进行“行操作”并不会改变Ax=b的解,因此也不会改变零空间。(但是会改变列空间。)此处不需要应用增广矩阵,因为等号右侧的向量b=0

零空间的基,线性代数,线性代数

 矩阵的秩(rank)就是矩阵的主元的个数。本例中矩阵AU的秩均为2。矩阵中包含主元的列为主元列(pivot column),不包含主元的列称为自由列(free column)。

特解

当我们将系数矩阵变换为上三角阵U时,就可以用回代求得方程Ux=0的解。本例中,包含主元的矩阵第1列和第3列为主元列,而不包含主元的第2列和第4列为自由列。

对自由变量(free variable)x2和x4我们可以进行赋值。例如令x2=1而x4=0。

因此可得一解,其任意倍数均在矩阵的零空间之内;

取自由变量中x2=0而x4=1,则可得到另一解

矩阵A的零空间就是这些“特解”向量的线性组合所构成的向量空间。(有多少个特解?取决于有多少个自由变量)

为社么给自由变量分配值取0,1、1,0?

答:选别的也可以,但我们要求的是零空间,取其他数也是这两个向量的线性组合

矩阵的秩r 等于其主元列的数目,因此自由列的数目就等于n-r,即列的数目减去主元列的数目。这个数值等于特解的数目和零空间的维数。

主元列和自由列的一个重要区别就是,自由列可以表示为其左侧所有主元列的线性组合,而主元列则不可以。

行最简阶梯矩阵

零空间的基,线性代数,线性代数

 这里的是一个rxr的方阵。即自由列消元后组成的部分。

原方程Ax=0变为求解R的主元行乘以x,。

我们将Ax=0的特解作为列向量写成一个矩阵N,即零空间矩阵,其形式为,这里的T为(n-r)*(n-r)的矩阵,就是把n-r个自由变量分别赋值为1构造出来的;又因为零空间矩阵满足RN=0,分块运算可知最终.

对于矩阵而言,求零空间特解就变得非常简单,只需要将消元的到的部分拼接上单位阵就可以得到所有的通解。注意如果在变换出左上角的单位阵的过程中采用了列交换,则最后的解要完成逆变换。

零空间的基,线性代数,线性代数

二、求解Ax=b

可解的条件

 检验Ax=b是否可解的方法是对增广矩阵进行行消元。如果矩阵A的行被完全消去的话,则对应的b的分量也要得0。

零空间的基,线性代数,线性代数

之前讨论过,只有当b处于矩阵的列空间C(A)之中时,方程才有解。这里推导出矩阵A的行向量若经过线性组合成为了零向量,则对应的b经同样的线性组合后也要等于0。因此看起来我们有了两条关于b的限制条件,但实际上这两点是等价的。

特解

Ax=b特解的方法是将自由变量均赋值为0,求解其主变量。

零空间的基,线性代数,线性代数

 通解

为求得Ax=b的所有解,我们首先检验方程是否可解,然后找到一个特解。将特解和矩阵零空间的向量相加即为方程的通解。

零空间的基,线性代数,线性代数

零空间的基,线性代数,线性代数 矩阵的零空间N(A)是R4空间中的二维子空间,方程的解Ax=b构成了穿过xp点并和矩阵零空间平行的“平面“。但该”平面“并不是R4空间的子空间。

 秩

零空间的基,线性代数,线性代数

零空间的基,线性代数,线性代数

 三、线性无关、基、维数

 线性无关

矩阵A为mxn矩阵,其中m<n(因此Ax=b中未知数个数多于方程数)。则A中具有至少一个自由变量,那么Ax=0一定具有非零解。A的列向量可以线性组合得到零向量,所以A的列向量是线性相关的。

  • 若 c1x1+c2x2+⋯+cnxn=0 仅在c1=c2=⋯=cn=0 时才成立,则称向量x1,x2……xn是线性无关的。若这些向量作为列向量构成矩阵A,则方程Ax=0只有零解x=0,或称矩阵A的零空间只有零向量。换而言之,若存在非零向量c,使得Ac=0,则这个矩阵A的列向量线性相关。

R2空间中,两个向量只要不在一条直线上就是线性无关的。(在R3中,三个向量线性无关的条件是它们不在一个平面上。)

如果矩阵A的列向量为线性无关,则A所有的列均为主元列,没有自由列,矩阵的秩为n。若A的列向量为线性相关,则矩阵的秩小于n,并且存在自由列。

张成空间

当一个空间是由向量v1,v2……vk的所有线性组合组成时,我们称这些向量张成了这个空间。例如矩阵的列向量张成了该矩阵的列空间。

如果向量v1,v2……vk张成空间S,则S是包含这些向量的最小空间。

向量空间的基是具有如下两个性质的一组向量v1,v2……vd:

  • v1,v2……vd 线性无关
  • v1,v2……vd张成该向量空间

向量,可以张成R3中的一个平面,但是它们无法成为R3空间的一组基。

维数

空间的每一组基都具有相同的向量数,这个数值就是空间的维数(dimension)。所以Rn空间的每组基都包含n个向量。

列空间的基和维数

讨论列空间:矩阵A的四个列向量张成了矩阵A的列空间,其中第3列和第4列与前两列线性相关,而前两个列向量线性无关。因此前两列主元列。他们组成了列空间C(A)的一组基。矩阵的秩为2。

零空间的基和维数

本例中矩阵的列向量不是线性无关的,因此其零空间N(A)不止包含零向量。因为可以看出第3列是第1列和第2列的加和。所以向量必然在零空间N(A)之内。同样还可以对x4赋值为1,从而得到也在零空间之内。它们就是Ax=0的两个特解。

这两个特解就构成了零空间的一组基。



实际上对于任何矩阵A均有:

矩阵的秩r=矩阵主元列的数目=列空间的维数

零空间的维数=自由变量数目=n-r

四、四个基本子空间

任意的mxn矩阵A都定义了四个子空间。

列空间C(A)

矩阵A的列空间是A的列向量的线性组合在 空间中构成的子空间。

矩阵A的r个主元列构成了列空间C(A)的一组基。dim C(A)=r

零空间 N(A)

矩阵A的零空间是Ax=0的所有解x在空间中构成的子空间。

Ax=0的一组特解对应于矩阵A的n-r个自由列,并构成了零空间的一组基。dim N(A)=n-r

行空间 C(  )

矩阵A的行空间是A的行向量的线性组合在Rn空间中构成的子空间,也就是矩阵的列空间。

 我们用矩阵A的化简的行阶梯矩阵R

零空间的基,线性代数,线性代数

尽管矩阵A和矩阵R的列空间不同,但两者行空间相同。R的行向量来自于A的行向量的线性组合,因为消元操作是可逆的,所以A的向量也可以表示为R行向量的线性组合。

R的前r行阶梯型“行向量”就是矩阵A行空间C(  )的一组基。dim C(  )=r

左零空间N( )

我们称矩阵 的零空间为矩阵A的左零空间,它是空间中的子空间。

左零矩阵是满足 y=0 的所有向量y的集合。称之为左零矩阵是因为该式可写作A=0,而y出现在矩阵A左侧。

 零空间的基,线性代数,线性代数

 五、正交向量与正交子空间

零空间的基,线性代数,线性代数

正交向量

零空间的基,线性代数,线性代数

正交就是垂直(perpendicular)的另一种说法。两向量正交的判据之一是其点积

零空间的基,线性代数,线性代数

零向量与所有向量都正交。

正交子空间

子空间S与子空间T正交,则S中的任意一个向量都和T中的任意向量正交。

注意:黑板所在的平面和地板所在平面不是正交关系,沿两者的交线方向的向量同时属于两个平面,但并不与自己正交。

 零空间与行空间正交 

零空间的基,线性代数,线性代数

行空间和零空间实际上把Rn空间分割成了两个正交的子空间

  ,其行空间是1维的,向量 是它的基向量,而其零空间是垂直于并穿过原点的2维平面。

空间和零空间不仅仅是正交,并且其维数之和等于n,我们称行空间和零空间为Rn空间内的正交补(orthogonal complements)。这表示零空间包含所有和行空间正交的向量,反之亦然。

矩阵

如何求解无解方程组Ax=b的解?

A是m×n,m>n的系数矩阵,m>n表示左侧方程式多,容易混进坏数据,这时候线性代数要做的是在这种条件下求一个最优解

矩阵发挥重要作用,它是n×n矩阵,

矩阵发挥重要作用,它是n×n矩阵,并且对称,零空间的基,线性代数,线性代数

 零空间的基,线性代数,线性代数

​实际上 ,并且矩阵的秩等于A的秩

因此矩阵可逆,要求A的零空间只有零向量,即A的列向量线性无关

 文章来源地址https://www.toymoban.com/news/detail-819625.html

 

到了这里,关于线性代数——理解向(2)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

  • 线性代数(魏福义)——第一章:向量与线性空间

    坐标系中可使用向量处理几何与运动学的问题,一般使用到二维或者三维有序数组,如(x,y)、(x,y,z),这样的数组称作 向量, 实际问题会用到更多维的向量。 1.1.1向量 以有序数组表示向量。n个数排成的有序数组就是n维向量。 α=(a1,a2,a3...,an)称为 行向量 ;将其

    2024年03月21日
    浏览(53)
  • 线性代数 --- 线性代数基本定理上(四个基本子空间的维数,行秩=列秩)

    构造子空间的方法主要有两种: 1,一种是给出一组向量,由他们来张成子空间。         例如,矩阵的列空间和行空间就是通过这种方法来构造的,他们分别是由矩阵的各列和各行张成的。 2,一种是给出子空间所应受到的约束,满足这些约束条件的向量构成了该子空间

    2024年02月04日
    浏览(51)
  • 线性代数的本质 2 线性组合、张成的空间、基

    基于3Blue1Brown视频的笔记          对于一个向量,比如说,如何看待其中的3和-2?         一开始,我们往往将其看作长度(从向量的首走到尾部,分别在x和y上走的长度)。         在有了数乘后,我们可以将其 视为对向量进行缩放的标量,缩放的对象是两个特殊

    2024年02月20日
    浏览(53)
  • 向量空间模型的线性代数基础

    [toc] 线性代数是向量空间模型的基础,对于学习向量空间模型的朋友,理解线性代数基础知识是非常必要的。本文将介绍向量空间模型的线性代数基础,包括基本概念、技术原理、实现步骤、应用示例以及优化与改进等内容。 引言 线性代数是数学的一个分支,主要研究线性

    2024年02月16日
    浏览(44)
  • 机器学习-线性代数-矩阵与空间映射

    一个 m × n m times n m × n 的大小矩阵,直观上看是 m × n m times n m × n 的数字按矩阵排列。 从向量的角度看,看做是 n n n 个 m m m 维列向量从左到右的排列,也可以看做 m m m 个 n n n 维行向量从上到下的叠放。 方阵:行数等于列数 对称矩阵:原矩阵与其转置矩阵相等: A = A

    2024年02月07日
    浏览(66)
  • 高等代数--多项式与线性空间

    1.多项式的定义: 形如 f(x)= an*x^n+.......ai*x^i+...a0 ,叫做多项式,其中ai 是系数,x 是未知数,i 叫做 指数。 若an 不为0称f(x)位 n 次多项式,记作 deg f(x) 如果 a0 !=0,且 ai ==0 (i=1.2....n)则称f(x)为零次多项式,f(x)=b;等同于K 中非零元 规定 0 多项式 的次数,d

    2024年02月04日
    浏览(64)
  • 线性代数笔记11--矩阵空间、秩1矩阵

    1. 矩阵空间 所有的 3 × 3 3 times 3 3 × 3 矩阵构成的空间 M M M 。 考虑空间 M M M 的子空间 上三角矩阵 对称矩阵 对角矩阵 3 x 3 3x3 3 x 3 矩阵空间的基: [ 1 0 0 0 0 0 0 0 0 ] [ 0 1 0 0 0 0 0 0 0 ] [ 0 0 1 0 0 0 0 0 0 ] [ 0 0 0 1 0 0 0 0 0 ] [ 0 0 0 0 1 0 0 0 0 ] [ 0 0 0 0 0 1 0 0 0 ] [ 0 0 0 0 0 0 1 0 0 ] [ 0 0 0 0 0 0

    2024年03月10日
    浏览(48)
  • 机器学习-线性代数-逆映射与向量空间

    矩阵的本质是映射。对于一个 m × n m × n m × n 的矩阵,乘法 y = A x y = Ax y = A x 的作用就是将向量从 n n n 维原空间中的 x x x 坐标位置,映射到 m m m 维目标空间的 y y y 坐标位置,这是正向映射的过程。那么,如果已知结果向量的坐标 y y y 去反推原向量的坐标 x x x ,这个过程就

    2024年02月09日
    浏览(46)
  • 机器学习-线性代数-3-矩阵与空间映射

    一个 m × n m times n m × n 的大小矩阵,直观上看是 m × n m times n m × n 的数字按矩阵排列。 从向量的角度看,看做是 n n n 个 m m m 维列向量从左到右的排列,也可以看做 m m m 个 n n n 维行向量从上到下的叠放。 方阵:行数等于列数 对称矩阵:原矩阵与其转置矩阵相等: A = A

    2024年02月11日
    浏览(46)
  • 机器学习-线性代数-2-矩阵与空间映射

    一个 m × n m times n m × n 的大小矩阵,直观上看是 m × n m times n m × n 的数字按矩阵排列。 从向量的角度看,看做是 n n n 个 m m m 维列向量从左到右的排列,也可以看做 m m m 个 n n n 维行向量从上到下的叠放。 方阵:行数等于列数 对称矩阵:原矩阵与其转置矩阵相等: A = A

    2024年02月15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