文章目录
- 运算相关
-
- 逆和转置
- 行列式
- 矩阵的迹
- 矩阵乘法
- 矩阵的积
- 几个重要的等价命题
- 向量空间
-
- 欧氏空间
- 列空间
- 子空间
- 张成
- 张集
- 线性无关
- 维数
- 基
-
- 基变换
- 转移矩阵
- 零空间
- 简化-行阶梯型矩阵 (rref)
- 矩阵的秩(解方程
A
x
=
b
Ax=b
-
A
x
=
0
Ax=0
m
×
n
mtimes n
-
-
m
mn
时 -
m
=
n
m=n
-
m
>
n
m>n
-
-
A
x
=
b
Ax=b
m
×
n
mtimes n
-
-
r
a
n
k
(
A
)
=
m
=
n
rank(A)=m=n
-
r
a
n
k
(
A
)
=
m
rank(A)=mn
时 -
r
a
n
k
(
A
)
=
n
rank(A)=nm
时 -
r
a
n
k
(
A
)
rank(A)n
且r
a
n
k
(
A
)
rank(A)m
时
-
- 线性变换
-
- 表示矩阵
- 相似矩阵
- 矩阵的迹
- 正交
-
- 正交向量
- 正交补
- 向量投影
- 投影矩阵
- 正交矩阵
- 特征值和特征向量
-
- 特征值
- 特征向量
- 矩阵的对角化
(因为要小测了,所以先从后面开始写,之后再补前面的)
运算相关
逆和转置
-
(
A
T
)
−
1
=
(
A
−
1
)
T
{(A^T)}^{-1}={(A^{-1})}^T
-
(
A
B
)
T
=
B
T
A
T
(AB)^{T}=B^TA^T
-
(
A
B
)
−
1
=
B
−
1
A
−
1
(AB)^{-1}=B^{-1}A^{-1}
-
A
−
1
=
a
d
j
A
det
(
A
)
A^{-1}=frac{adjA}{det(A)}
行列式
-
det
(
A
B
)
=
det
(
A
)
det
(
B
)
det(AB)=det(A)det(B)
-
det
(
A
T
)
=
det
(
A
)
det(A^T)=det(A)
-
det
(
A
−
1
)
det
(
A
)
=
1
det(A^{-1})det(A)=1
-
det
(
a
d
j
A
)
=
det
(
A
)
n
−
1
det(adjA)={det(A)}^{n-1}
矩阵的迹
-
t
r
(
A
+
B
)
=
t
r
(
A
)
+
t
r
(
B
)
tr(A+B)=tr(A)+tr(B)
-
t
r
(
A
B
)
=
t
r
(
B
A
)
tr(AB)=tr(BA)
矩阵乘法
-
c
i
,
j
=
Σ
k
=
1
n
a
i
,
k
b
k
,
j
c_{i,j}=Sigma_{k=1}^na_{i,k}b_{k,j}
矩阵的积
- 内积:每个位置对应相乘得到的值之和
- 向量外积:
x
T
y
x^Ty
矩阵外积就是矩阵乘法
几个重要的等价命题
(
A
A
A是
n
×
n
ntimes n
n×n的方阵矩阵)
- 矩阵
A
A
-
det
(
A
)
≠
0
det(A)not=0
-
A
x
=
0
Ax=0
x
=
0
x=0
- 矩阵
A
A
-
r
a
n
k
(
A
)
=
n
rank(A)=n
向量空间
是一个向量的集合,在这个集合内能够满足向量的加法运算和数乘运算(运算的封闭性)
欧氏空间
n
n
n维的欧氏空间
R
n
R^n
Rn定义为所有
n
n
n维向量
当然也有形如
R
m
×
n
R^{mtimes n}
Rm×n表示所有
m
×
n
mtimes n
m×n实数矩阵
Z
Z
Z空间表示只有
{
0
}
{0}
{0}向量的向量空间
P
n
P_n
Pn表示所有次数小于
n
n
n的多项式的集合
列空间
矩阵
A
A
A的列空间就是
A
A
A的列向量所有的线性组合
同理,矩阵
A
A
A的行空间就是
A
A
A的行向量所有的线性组合
子空间
一个向量空间的子集就是这个向量空间的子空间
张成
若干个向量的线性组合的集合
其中有个定理:
若
v
1
,
v
2
,
…
,
v
n
v_1, v_2, … , v_n
v1,v2,…,vn的是向量空间
V
V
V中的元素, 则向量
v
1
,
v
2
,
…
,
v
n
v_1, v_2, … , v_n
v1,v2,…,vn的张成
S
p
a
n
(
v
1
,
v
2
,
…
,
v
n
)
Span(v_1, v_2, … , v_n)
Span(v1,v2,…,vn)是向量空间
V
V
V的一个子空间
张集
{
v
1
,
v
2
,
…
,
v
n
}
{v_1, v_2, … , v_n}
{v1,v2,…,vn}张成向量空间
V
V
V自身.
其中
v
i
∈
V
v_iin V
vi∈V
n
n
n个
n
n
n维列向量能张成向量空间
R
n
R_n
Rn的充要条件是这
n
n
n个列向量线性无关
线性无关
如果
c
1
v
1
+
c
2
v
2
+
⋯
+
c
n
v
n
=
0
c_1v_1+c_2v_2+dots+c_nv_n=0
c1v1+c2v2+⋯+cnvn=0 推出来标量
c
1
,
c
2
,
…
,
c
n
c_1,c_2,dots,c_n
c1,c2,…,cn皆为0,
则向量
v
1
,
v
2
,
…
,
v
n
v_1,v_2,dots,v_n
v1,v2,…,vn是线性无关的
维数
若向量空间
V
V
V的一组基含有
n
n
n个向量,
则称向量空间𝑉𝑉的维数是
n
n
n.
记做
dim
(
V
)
=
n
dim(V)= n
dim(V)=n
基
向量
v
1
,
v
2
,
…
,
v
n
∈
V
v_1, v_2, … , v_n in V
v1,v2,…,vn∈V满足:
-
dim
(
V
)
=
n
dim(V)= n
-
v
1
,
v
2
,
…
,
v
n
v_1, v_2, … , v_n
则
v
1
,
v
2
,
…
,
v
n
v_1, v_2, … , v_n
v1,v2,…,vn是向量空间
V
V
V的基
基变换
若存在一组基
[
v
1
,
v
2
,
…
,
v
n
]
[v_1, v_2, … , v_n]
[v1,v2,…,vn]
现在要将在这组基下的坐标用另外一组基
[
u
1
,
u
2
,
…
,
u
n
]
[u_1,u_2, … , u_n]
[u1,u2,…,un]表示出来
则有
x
=
U
c
=
V
d
x=Uc=Vd
x=Uc=Vd
⇒
Rightarrow
⇒
d
=
V
−
1
U
c
d=V^{-1}Uc
d=V−1Uc
称
V
−
1
U
V^{-1}U
V−1U为转移矩阵
转移矩阵
从
U
U
U到
I
I
I的转移矩阵
S
S
S为
[
u
1
…
u
n
]
[u_1dots u_n]
[u1…un]
零空间
A
x
=
0
Ax=0
Ax=0的解构成的一个向量空间,记作
N
(
A
)
N(A)
N(A)
简化-行阶梯型矩阵 (rref)
最后要简化成形如
R
=
[
1
2
0
3
0
0
0
1
2
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
]
R=left[ begin{matrix} 1 & 2 & 0 & 3 & 0 0 & 0 & 1 & 2 & 0 0 & 0 & 0 & 0 & 1 0 & 0 & 0 & 0 & 0 0 & 0 & 0 & 0 & 0 end{matrix} right]
R=
1000020000010003200000100
的矩阵
我们称第1、3、5列为主列,第2、4列为自由列
如此,我们称这个矩阵的秩为3,记作
r
a
n
k
(
R
)
=
r
=
3
rank(R)=r=3
rank(R)=r=3
矩阵的秩(解方程
A
x
=
b
Ax=b
Ax=b)
解方程
A
x
=
b
Ax=b
Ax=b,设其中一个特解是
x
∗
x^*
x∗
则方程的解集为
{
x
}
=
x
∗
+
N
(
A
)
=
{
x
+
α
∣
α
∈
N
(
A
)
}
{x}=x^*+N(A)={x+alpha|alphain N(A)}
{x}=x∗+N(A)={x+α∣α∈N(A)}
A
x
=
0
Ax=0
Ax=0的基础解系有
n
−
r
n-r
n−r个特解,这些特解构成
A
A
A的零空间
接着再找特解
x
∗
x^*
x∗
利用增广矩阵
[
A
∣
b
]
⇒
[
R
∣
d
]
[A|b]Rightarrow[R|d]
[A∣b]⇒[R∣d]
则
A
x
∗
=
b
Ax^*=b
Ax∗=b的解等价于
R
x
∗
=
d
Rx^*=d
Rx∗=d
即可解得
A
x
=
0
Ax=0
Ax=0解的个数(
m
×
n
mtimes n
m×n的矩阵)
m
mn
时
无穷个解
m
=
n
m=n
m=n时
r
a
n
k
(
A
)
rank(A)n时,等价
m
mn
否则,只有
x
=
0
x=0
x=0一个解
m
>
n
m>n
m>n时
r
a
n
k
(
A
)
rank(A)n时,等价
m
mn
r
a
n
k
(
A
)
=
n
rank(A)=n
rank(A)=n时,等价
m
=
n
m=n
m=n
总结,只和
r
a
n
k
(
A
)
rank(A)
rank(A)和
n
n
n的大小有关
A
x
=
b
Ax=b
Ax=b解的个数(
m
×
n
mtimes n
m×n的矩阵)
r
a
n
k
(
A
)
=
m
=
n
rank(A)=m=n
rank(A)=m=n时
唯一解
r
a
n
k
(
A
)
=
m
rank(A)=mn
时
无穷个解
r
a
n
k
(
A
)
=
n
rank(A)=nm
时
d
=
0
d=0
d=0,唯一解
d
≠
0
dnot=0
d=0,无解
r
a
n
k
(
A
)
rank(A)n
且
r
a
n
k
(
A
)
rank(A)m
时
d
=
0
d=0
d=0,无穷解
d
≠
0
dnot=0
d=0,无解
另外,有重要结论:行秩等于列秩
线性变换
函数是线性的,满足以下两个条件:
- 可加性:
f
(
a
+
b
)
=
f
(
a
)
+
f
(
b
)
f(a+b)=f(a)+f(b)
- 齐次性:
a
f
(
x
)
=
f
(
a
x
)
af(x)=f(ax)
表示矩阵
将线性映射
L
L
L表示为矩阵乘法的形式
设
L
L
L是
R
n
R^n
Rn→
R
m
R^m
Rm的线性变换, 且
E
=
[
v
1
…
v
n
]
E=[v_1dots v_n]
E=[v1…vn]是
R
n
R^n
Rn的有序基,
F
=
[
w
1
…
w
m
]
F=[w_1dots w_m]
F=[w1…wm]是
R
m
R^m
Rm的有序基,
A
A
A是相应于有序基
E
E
E和
F
F
F的表示矩阵
则
A
=
F
−
1
[
L
(
v
1
)
…
L
(
v
n
)
]
A=F^{-1}[L(v_1)dots L(v_n)]
A=F−1[L(v1)…L(vn)]
也可以用增广矩阵求解
将
A
=
[
F
∣
L
(
v
1
)
…
L
(
v
n
)
]
A=[F|L(v_1)dots L(v_n)]
A=[F∣L(v1)…L(vn)]用高斯若当法变为
[
I
∣
A
]
[I|A]
[I∣A]
相似矩阵
若存在可逆矩阵
S
S
S使得
B
=
S
−
1
A
S
B=S^{-1}AS
B=S−1AS,则称矩阵
A
A
A和矩阵
B
B
B相似
那么若已知
[
u
1
…
u
n
]
[u_1dots u_n]
[u1…un]的表示矩阵
A
A
A,要求
[
v
1
…
v
n
]
[v_1dots v_n]
[v1…vn]的表示矩阵
B
B
B,则可以通过相似矩阵来求
B
=
S
−
1
A
S
B=S^{-1}AS
B=S−1AS,其中
S
S
S为
U
U
U到
V
V
V的转移矩阵
矩阵的迹
定义
t
r
(
A
)
=
Σ
i
=
1
n
a
i
,
i
tr(A)=Sigma_{i=1}^na_{i,i}
tr(A)=Σi=1nai,i
正交
正交向量
若两个向量外积为
0
0
0,则称两个向量正交,记为
x
⊥
y
xperp y
x⊥y
正交补
正交和正交补共同张成完整的向量空间,
X
X
X的正交补记作
X
⊥
X^perp
X⊥
向量投影
向量
b
b
b到向量
a
a
a的投影
p
=
a
a
T
b
a
T
a
p=afrac{a^Tb}{a^Ta}
p=aaTaaTb
投影矩阵
当
A
x
=
b
Ax=b
Ax=b无解时,找到最小二乘解
x
^
widehat{x}
x
投影矩阵
P
=
A
(
A
T
A
)
−
1
A
T
P=A(A^TA)^{-1}A^T
P=A(ATA)−1AT
性质:
-
P
P
P
=
P
T
P=P^T
-
P
k
=
P
P^k=P
k
∈
R
kin R
此时,最小二乘解
x
^
=
(
A
T
A
)
−
1
A
T
b
widehat{x}=(A^TA)^{-1}A^Tb
x
=(ATA)−1ATb
正交矩阵
定义正交矩阵
Q
Q
Q,满足
Q
T
Q
=
I
Q^TQ=I
QTQ=I
那么这个正交矩阵的投影矩阵可以表示为
P
=
Q
Q
T
P=QQ^T
P=QQT
同时,对于
Q
x
=
b
Qx=b
Qx=b这个方程,最小二乘解也可以表示为
x
^
=
Q
T
b
widehat{x}=Q^Tb
x
=QTb
那么我们考虑将
A
x
=
b
Ax=b
Ax=b变为
Q
x
=
b
Qx=b
Qx=b
对于
A
A
A中的每个列向量,进行如下操作:
第一步:
得到所有的
u
i
u_i
ui
第二步:
得到所有的
q
i
q_i
qi,再把其合成一个矩阵
Q
Q
Q
(其中
∣
∣
x
∣
∣
||x||
∣∣x∣∣表示
x
x
x的长度)
第三步:
再令
R
=
[
q
1
T
a
1
q
1
T
a
2
⋯
q
1
T
a
n
0
q
2
T
a
2
⋯
q
2
T
a
n
0
0
⋱
⋮
0
0
0
q
n
T
a
n
]
R= left[ begin{matrix} q_1^Ta_1 & q_1^Ta_2 & cdots & q_1^Ta_n 0 & q_2^Ta_2 & cdots & q_2^Ta_n 0 & 0 & ddots & vdots 0 & 0 & 0 & q_n^Ta_n end{matrix} right]
R=
q1Ta1000q1Ta2q2Ta200⋯⋯⋱0q1Tanq2Tan⋮qnTan
这样我们就把
A
A
A分解成了
Q
R
QR
QR(
A
=
Q
R
A=QR
A=QR)
就可以用回代法求解
R
x
^
=
Q
T
b
Rwidehat{x}=Q^Tb
Rx
=QTb
特征值和特征向量
求解
A
x
=
λ
x
Ax=lambda x
Ax=λx
特征值
特征值
λ
lambda
λ满足
det
(
A
−
λ
I
)
=
0
det(A-lambda I)=0
det(A−λI)=0
特征值有如下性质:
-
λ
1
λ
2
⋯
λ
n
=
det
(
A
)
lambda_1lambda_2cdotslambda_n=det(A)
-
λ
1
+
λ
2
+
⋯
+
λ
n
=
t
r
(
A
)
lambda_1+lambda_2+cdots+lambda_n=tr(A)
-
A
k
x
=
λ
k
x
A^kx=lambda^k x
k
∈
R
kin R
特征向量
(
A
−
λ
I
)
x
=
0
(A-lambda I)x=0
(A−λI)x=0的解
x
x
x称为特征向量
矩阵的对角化
对于矩阵
A
A
A,将其对角化为
X
Λ
X
−
1
XLambda X^{-1}
XΛX−1
其中
Λ
=
[
λ
1
0
0
0
0
λ
2
0
0
0
0
⋱
0
0
0
0
λ
n
]
X
=
[
x
1
x
2
⋯
x
n
]
Lambda=left[ begin{matrix} lambda_1 & 0 & 0& 0 0 & lambda_2 & 0 & 0 0 & 0 & ddots & 0 0 & 0 & 0 & lambda_n end{matrix} right] X=[x_1x_2cdots x_n]
Λ=
λ10000λ20000⋱0000λn
X=[x1x2⋯xn]
值得注意的是要一一对应
相似矩阵有相同的特征值
先写到这
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
前言 大家好,我是 god23bin,今天继续说 Spring 的内容,关于 Spring 中 Bean 的配置的,通过上一篇文章的学习,我们知道了 Spring 中的依赖注入,其中有两种主要的方式,分别是基于构造方法的 DI 和 基于 Setter 的 DI…