線性代數基礎(矩陣、範數、正交、特徵值分解、奇異值分解、跡運算)
目錄
如果這篇文章對你有一點小小的幫助,請給個關注喔~我會非常開心的~
基礎概念
- 標量:一個標量就是一個單獨的數字
- 向量:一個向量就是一列數字
- 矩陣:一個矩陣就是一個二維陣列
- 張量:超過兩維的陣列,一個數組的元素分佈在若干維座標系中
矩陣轉置
矩陣左上角到右下角的對角線被稱作主對角線,以主對角線為軸的映象稱作矩陣的轉置。
矩陣 的轉置表示為 :
對角矩陣
表示一個對角元素由向量 中元素給定的對角矩陣。
對角矩陣除了主對角線上的元素外,其餘元素都為零。
線性相關
一組向量的生成子空間,是原始向量線性組合後所能抵達的點的集合。
如果一組向量中,任意一個向量都不能表示成其他向量的線性組合,那麼這組向量就是線性無關的。
如果一組向量中,存在一個向量可以表示成其他向量的線性組合,那麼這種冗餘被稱為線性相關。
範數
範數可以衡量向量的大小,範數是將向量對映到非負值的函式, 定義如下:
的範數被稱為歐幾里得範數,平方 可以通過 求得。
範數被稱為最大範數,表示向量中具有最大幅值的元素的絕對值:
Frobenius 範數,可以衡量矩陣的大小:
兩個向量的點積可以用範數表示:
正交
如果 ,那麼向量 和向量
如果兩個向量不僅正交,而且範數都為 ,那麼稱他們為標準正交。
正交矩陣是指行向量和列向量是分別標準正交的方陣。
特徵值分解
方陣 的特徵向量是指與 相乘後等於該向量進行縮放的非零向量 , 稱為特徵值:
將所有線性無關的特徵向量按列組成一個矩陣 ,特徵值組成一個向量 ,則滿足 的特徵分解:
所有特徵值都是正數的矩陣被稱為正定。
所有特徵值都是非負數的矩陣被稱為半正定。
所有特徵是都是負數的矩陣被稱為負定。
所有特徵值都是非正數的矩陣被稱為半負定。
奇異值分解
奇異值分解(SVD)將矩陣分解成奇異向量和奇異值。
每一個實數矩陣都有一個奇異值分解,但不一定有特徵值分解。
假設 是一個 矩陣, 是一個 矩陣, 是一個 矩陣, 是一個 矩陣:
和 都是正交矩陣, 是對角矩陣。
對角線上的元素稱為奇異值, 的列向量稱為左奇異向量, 的列向量稱為右奇異向量。
左奇異向量是 的特徵向量。
右奇異向量是 的特徵向量。
非零奇異值是 或者 特徵值的平方根。
Moore-Penrose 偽逆
對於非方矩陣而言,其逆矩陣沒有定義,可以採用偽逆計算:
其中, 是奇異值分解後的矩陣, 是 的非零元素取倒數之後再轉置得到的。
跡運算
跡運算返回矩陣對角線元素之和:
Frobenius 範數,也可表示為:
跡運算滿足一些性質:
行列式
行列式 等於矩陣特徵值的乘積。
行列式的絕對值可以用來衡量矩陣參與乘法後空間擴大或者縮小了多少。
如果這篇文章對你有一點小小的幫助,請給個關注喔~我會非常開心的~