当前位置: 首页 > article >正文

数学复习笔记 25

今天能把第五章学完。加油。今年是最好上岸的一年。

5.23:全是单根,笑死,居然难受了。我现在每个题,都要总结。总结。总结实际上也总结不出啥东西。但是我一定要总结。主动让自己思考一下。老师的思路很清奇。他认为考的稀松平常,我们学习的技巧性的东西发挥不出来,就有点稀松平常了,和别人拉不开差距了。这题就是从特征向量出发算特征值,解出来一些参数,然后继续算特征值和特征向量。然后就可以了。果然章节名字是有道理的,特征值,灵魂就是特征值和特征向量。绕来绕去就是包装了一下,本质就是考特征值和特征向量,就像前面考秩和行列式。实对称矩阵不同特征值对应的特征向量是天然正交的。单位化是把原来的向量的每个元素,平方,求和,开根号,把每个元素除以这个根号。

考点 3 :两个矩阵相似,特征值相等,行列式,迹,秩,特征行列式,都相等。看了一圈,感觉最重要的就是初试尽可能考一个高的分数,这样就稳了。初试非常非常高,就稳了,关键问题就是自己能否考到一个非常非常高的分数。这就是我现在努力的原因。相似的传递性,两个矩阵,先算特征值,特征值是否相等,相等就算能否相似对角化。

5.24:上三角、下三角和对角矩阵的特征值都是主对角线上面的元素。看能否相似对角化,就是看特征矩阵的秩,是多少,k 重特征值是否有 k 个线性无关的特征向量。特征向量的个数就是 s = n − r ( λ E − A ) s = n - r( \lambda E-A) s=nr(λEA) ,假设特征矩阵直接就是满秩,那就是直接可以相似对角化的。

考点 4 :后面的内容是非常关键的知识点。 行向量乘以列向量是一个数字。列向量乘以行向量是一个矩阵。矩阵的迹就是前面算出来的数字。关键还是复盘。看最后学习的东西有没有消化吸收,内化为自己的东西。现在还剩一节课就跟上这个进度了。最新的一次课是明天晚上。

5.1:这题比较简单,就是把特征值和特征向量的定义式写出来,算一个矩阵乘法,就可以了。几个参数都可以算出来。也就是说,已知原来的矩阵,知道特征向量,可以算特征值。

考点 1 :特征值和特征向量的概念,特征向量一定是非零的。

5.2:学着学着突然不想学了,突然想玩,然后玩的时候也不是很尽兴,没啥意思。真的想尽力一次。这题主要是一个经验,就是矩阵的和是一个固定数,或者实际上就是前面的那种行和相等的类型,前面算行列式是全部加到第一列,然后提出去,然后用第一行进行高斯消元,这里是直接注意到 1 1 1 的转置得到的列向量是特征向量,行和是特征值,这个观察到了就非常显然,但是没观察到就没办法了,可能这就是考研数学的难点,经验不足,然后灵活度不够临时观察不出来,就像老师说的,也没啥,就是写不出这个题呗。别整理知识点了,直接刷题就完事了。另外感觉可以多睡觉。可以午睡一次,然后晚饭之后再睡一次,多睡觉才能保持精神,晚上也睡八个小时。养精蓄锐。

回顾:特征值和特征向量的计算是基础。相似对角化,本质上也是求特征值和特征向量。5 6 章可能考 12 + 5 + 5 ,考 20 分左右的分数。总共是 32 分的分数。和高数一样,都是越到后面越重要。 总的来说就是没啥难的。相信别人,更要一百倍地相信自己。正交化的操作实际上非常简单,就是先算出来一个特征向量,假设是重根,那么用正交内积为零,还有原来的行最简的特征矩阵,可以解出来剩下的特征向量,这样可以得到两个正交的向量。判断两个矩阵是否相似,就是看特征值,特征值完全相等,判断矩阵能否相似对角化,均可以相似对角化,那么两个矩阵相似,一个可以相似对角化,一个不相似对角化,那么两个矩阵一定不相似,都不可以相似对角化,无法判断。果然还是要多多回顾。

考点 4 :秩为一的矩阵。一个向量不额外说明,一般表示的是列向量。

判断能否相似对角化:判断是否是对称矩阵,判断是否是秩为 1 的矩阵,求特征值,单根和重根。比较重要,可能还需要一个题来检验一下。我现在感觉心里有点不踏实。

某个矩阵可以相似对角化的时候,非零特征值的个数,等于该矩阵的秩。

对称阵是转置之后和原来的方阵是一致的。对称阵一定可以相似对角化。

考点 1 :二次型的定义,就是变量只乘了两次,不出现一次,不出现零次,不出现三次。这个函数每个式子都是二次的,二次型就是二次齐次函数。准备就做好周洋鑫的这套资料,然后强化结束之后就开始刷套卷,刷 150 套卷子。可以认为强化之前,都是在沉淀,开始刷套卷,就像朱昊鲲说的,疾风刷套卷。二次型从矩阵的角度来看,本质上是一个数字,或者是一个 1 * 1 的矩阵。

考点 2 :二次型的矩阵表示,可以把一个二次型,拆开,变成行向量乘以矩阵,乘以列向量。自变量的行向量和列向量。二次型的矩阵的表达有很多种情况。感觉就是要把一本书从头刷到尾,然后再从尾刷到前面,再从前面刷到后面。反复刷一本书,感觉更有效果。第六章一般都是对称阵。感觉不能换来换去,精力很容易涣散。一般型对应对称阵,标准型对应对角阵。

考点 3:感觉这个部分非常有挑战性。

考点 4:矩阵合同。矩阵合同实际上和矩阵相似的定义非常像,就是把逆矩阵换成了转置阵。奥,还要求这个转置阵可逆。要求比较严格。两个矩阵是合同的,两个矩阵的秩是相等的。

考点 5:线性变换。缺的是重复和遍数。行列式不为零,矩阵就是可逆的。可逆矩阵乘以任何矩阵,原来的矩阵是不变秩的。相当于进行了一些行变换。

6.3: 这题的关键是判断变换矩阵是否是可逆的。假设是不可逆的,那么就推不出合同。不可逆的线性变换,是考研中的坑。算二次型的秩,就是算二次型对应矩阵的秩,对应矩阵是除了前面的行向量,后面的列向量,夹在中间的那个矩阵。

考点 6:线性变换为标准型。首先是正交变换。有点没跟上。蒙了直接。本质上就是算特征值和特征向量,然后就结束了。非常简单。

6.4:把二次型的对应的对称阵表示出来,然后把一些基础的东西列一下,可以把参数算出来。 算特征值和特征向量非常简单。奥,这里要求特征向量是正交的。算公共解,本质上是联立方程,算齐次方程的解。但是这里为啥还需要单位化,奥,正交需要正交,也需要单位化。所以关键还是计算,只要计算不出错,就没啥难度呢。这里是一环套一环的。

相关文章:

数学复习笔记 25

今天能把第五章学完。加油。今年是最好上岸的一年。 5.23:全是单根,笑死,居然难受了。我现在每个题,都要总结。总结。总结实际上也总结不出啥东西。但是我一定要总结。主动让自己思考一下。老师的思路很清奇。他认为考的稀松平常…...

Linux可执行文件ELF文件结构

目标文件格式 编译器编译源代码后生成的文件叫做目标文件,而目标文件经过编译器链接之后得到的就是可执行文件。那么目标文件到底是什么?它和可执行文件又有什么区别?链接到底又做了什么呢?接下来,我们将探索一下目标…...

RAG:大模型微调的革命性增强——检索增强生成技术深度解析

RAG:大模型微调的革命性增强——检索增强生成技术深度解析 当大模型遇到知识瓶颈,RAG(检索增强生成)为模型装上"外部记忆库",让静态知识库与动态生成能力完美融合。本文将深入拆解RAG的技术原理、微调策略及…...

DisplayPort 2.0协议介绍(1)

最近开始学习DisplayPort 2.0协议,相比于DP1.4a,最主要的是速率提升到了10Gbps/lane,还有就是128b/132b编码方式的修改。至于速率13.5Gbps和20Gbps还只是可选项,在DP2.1协议才成为必须支持选项。 那在实现技术细节上有哪些变化呢…...

I2C通信讲解

I2C总线发展史 怎么在一条串口线上连接多个设备呢? 由于速度同步线是由主机实时发出的,所以主机可以按需求修改通信速度,这样在一条线上可以挂接不同速度的器件,单片机和性能差的器件通信,就输出较慢的脉冲信号&#x…...

【信息系统项目管理师-选择真题】2025上半年(第一批)综合知识答案和详解

更多内容请见: 备考信息系统项目管理师-专栏介绍和目录 文章目录 【第1题】【第2题】【第3题】【第4题】【第5题】【第6题】【第7题】【第8题】【第9题】【第10题】【第11题】【第12题】【第13题】【第14题】【第15题】【第16题】【第17题】【第18题】【第19题】【第20题】【第…...

ABP VNext 在 Kubernetes 中的零停机蓝绿发布

ABP VNext 在 Kubernetes 中的零停机蓝绿发布 🚀 📚 目录 ABP VNext 在 Kubernetes 中的零停机蓝绿发布 🚀📌 一、前提准备 ℹ️🧱 二、项目结构与目标 🎯🐳 三、多阶段 Dockerfile 构建 &#…...

linux 故障处置通用流程-36计-14-27

014:查看系统主要日志 查看以下日志: 主要查以下关键字 error/NIC/fs /"link down"/Oout of memory" /var/log/messages /var/log/dmesg 015:主机通讯是否延迟 执行命令: #ping 网关_IP #ping 关联主机_IP ​​​​…...

https和http有什么区别-http各个版本有什么区别

http和 https的区别 HTTP(超文本传输协议)和 HTTPS(安全超文本传输协议)是两种用于在网络上传输数据的协议,它们的主要区别在于安全性: HTTP(Hypertext Transfer Protocol)&#x…...

基于回归算法的心理健康预测(EDA + 预测)

心理健康涵盖情感、心理与社会福祉,影响认知、情绪和行为模式,决定压力应对、人际交往及健康决策,且在生命各阶段(从童年至成年)均至关重要。心理健康与身体健康同为整体健康的核心要素:抑郁会增加糖尿病、…...

React Native开发鸿蒙运动健康类应用的项目实践记录

​​项目名称​​:HarmonyFitness - 基于React Native的鸿蒙运动健康应用 ​​技术栈​​:React Native 0.72.5 TypeScript HarmonyOS API ArkTS原生模块 一、环境搭建与项目初始化 ​​双环境配置​​ ​​React Native环境​​: npx re…...

【新品解读】一板多能,AXRF49 定义新一代 RFSoC FPGA 开发平台

“硬件系统庞杂、调试周期长” “高频模拟前端不稳定,影响采样精度” “接收和发射链路难以同步,难以扩展更多通道” “数据流量大,处理与存储跟不上” 这些是大部分客户在构建多通道、高频宽的射频采样链路时,面临的主要问题。…...

贪心算法应用:线性规划贪心舍入问题详解

贪心算法应用:线性规划贪心舍入问题详解 贪心算法是一种在每一步选择中都采取当前状态下最优的选择,从而希望导致结果是全局最优的算法策略。在线性规划问题中,贪心算法特别是贪心舍入技术有着广泛的应用。下面我将全面详细地讲解这一主题。…...

YOLO在C#中的完整训练、验证与部署方案

YOLO在C#中的完整训练、验证与部署方案 C# 在 YOLO 部署上优势明显(高性能、易集成),但训练能力较弱,通常需结合 Python 实现。若项目对开发效率要求高且不依赖 C# 生态,建议全程使用 Python;若需深度集成…...

洛谷题目:P2761 软件补丁问题 (本题简单)

个人介绍: 题目传送门: P2761 软件补丁问题 - 洛谷 (luogu.com.cn) 前言: 这道题是一个典型的状态搜索问题,核心目标就是利用给定d额多个补丁程序,将包含若干错误的软件修复成没有错误的状态,并且要使得修复过程当中的总耗时最少。下面是小亦为大家阐述滴思路: 1、状态…...

智慧园区数字孪生全链交付方案:降本增效30%,多案例实践驱动全周期交付

在智慧园区建设浪潮中,数字孪生技术正成为破解传统园区管理难题的核心引擎。通过构建与物理园区1:1映射的数字模型,实现数据集成、状态同步与智能决策,智慧园区数字孪生全链交付方案已在多个项目中验证其降本增效价值——某物流园区通过该方案…...

【OpenGL学习】(四)统一着色和插值着色

文章目录 【OpenGL学习】(四)统一着色和插值着色统一着色(Flat/Uniform Shading)插值着色(Interpolated Shading) 【OpenGL学习】(四)统一着色和插值着色 着色器介绍: h…...

42、响应处理-【源码分析】-浏览器与PostMan内容协商完全适配

42、响应处理源码分析浏览器与PostMan内容协商完全适配 要实现浏览器与PostMan在内容协商上的完全适配,需要在Spring Boot应用中自定义内容协商策略,确保服务器能根据浏览器和PostMan的请求头正确返回合适格式的数据。以下是详细的步骤: ### …...

在 CentOS 上安装 Docker 和 Docker Compose 并配置使用国内镜像源

在 CentOS 上安装 Docker 和 Docker Compose 并配置使用国内镜像源,可以加速镜像下载速度。以下是详细的步骤: 一、安装 Docker 移除旧版本的 Docker(如果有): sudo yum remove docker \docker-client \docker-client…...

Java Lambda表达式深度解析:从入门到实战

简介 Lambda表达式是Java 8引入的最重要特性之一,它极大地简化了Java代码的编写方式,使函数式编程风格在Java中成为可能。本文将全面介绍Lambda表达式的概念、语法、应用场景以及与相关特性的配合使用,帮助开发者掌握这一强大的编程工具。 一、Lambda表达式基础 1.1 什么…...

Docker慢慢学

1、Docker DeskTop 2、N8N下载 docker run -p 8888:5678 n8nio/n8n 3、Kafka kafka依赖zookeeper,先启动zookeeper docker pull zookeeper docker run -d --name zookeeper -p 2181:2181 -e ALLOW_ANONYMOUS_LOGINyes zookeeper 启动kafka docker pull confluentinc/cp…...

cursor-free-vip使用

一、项目简介 Cursor-Free-VIP 是一个开源项目,旨在帮助用户免费使用 Cursor AI 的高级功能。它通过自动注册 Cursor 账号、重置机器 ID 和完成 Auth 验证等操作,解决 Cursor AI 中常见的限制提示。 二、系统准备 1…cursor需要更新到最新的版本 三、…...

使用SSH tunnel访问内网的MySQL

文章目录 环境背景方法参考 注:本文是使用SSH tunnel做端口转发的一个示例。有关SSH端口转发,可参考我的几篇文档 https://blog.csdn.net/duke_ding2/article/details/106878081https://blog.csdn.net/duke_ding2/article/details/135627263https://blo…...

Redis持久化模式RDB与AOF

RDB持久化 RDB也被叫做Redis数据快照。简单来说就是把内存中的所有数据记录到磁盘中。当Redis实例故障重启后重磁盘中读取快照文件进行数据恢复(快照文件默认保存在当前运行目录); 演示Redis正常停机自动执行一次RDB操作 配置Redis触发RDB机制 RDB其它配置也可在red…...

【JS进阶】ES5 实现继承的几种方式

ES5 实现继承的几种方式 1. 原型链继承(Prototype Chaining) function Parent(name) {this.name name || Parent;this.colors [red, blue]; }Parent.prototype.sayName function() {console.log(this.name); };function Child() {}// 关键&#xff…...

【数据结构】树形结构--二叉树(二)

【数据结构】树形结构--二叉树(二) 一.二叉树的实现1.求二叉树结点的个数2.求二叉树叶子结点的个数3.求二叉树第k层结点的个数4.求二叉树的深度(高度)5.在二叉树中查找值为x的结点6.判断二叉树是否为完全二叉树7.二叉树的销毁 一.…...

JavaScript性能优化实战:深入探讨JavaScript性能瓶颈与优化技巧

引言:为什么JavaScript性能至关重要 在现代Web开发中,JavaScript已成为构建交互式应用程序的核心技术。随着单页应用(SPA)和复杂前端架构的普及,JavaScript代码的性能直接影响用户体验、转化率甚至搜索引擎排名。研究表明,页面加载时间每增加1秒,转化率可能下降7%,而性能…...

在 CentOS 上将 Ansible 项目推送到 GitHub 的完整指南

1. 安装 Git 在 CentOS 中使用 yum 安装 Git,Git 是管理代码版本控制的工具: sudo yum install git -y 2. 配置 Git 用户信息 设置你的 Git 用户名和邮箱,这些信息会出现在你每次提交的记录中: git config --global user.nam…...

深度学习题目1

梯度下降法的正确步骤是什么? a.计算预测值和真实值之间的误差 b.重复迭代,直至得到网络权重的最佳值 c.把输入传入网络,得到输出值 d.用随机值初始化权重和偏差 e.对每一个产生误差的神经元,调整相应的(权重&#xff…...

Spring @Scheduled vs XXL-JOB vs DolphinScheduler vs Airflow:任务调度框架全景对比

引言 从单机定时任务到分布式工作流调度,不同场景需要选择匹配的调度框架。 本文对比 Spring Scheduled、XXL-JOB、DolphinScheduler (海豚调度器)和 Apache Airflow 的核心差异,助你避免过度设计或功能不足。 一、核心定位与适用…...