当前位置: 首页 > news >正文

线性代数基础【3】向量

第一节 向量的概念与运算

一、基本概念

①向量

②向量的模(长度)

③向量的单位化

④向量的三则运算

⑤向量的内积

二、向量运算的性质

(一)向量三则运算的性质

  1. α + β = β + α
  2. α + (β + γ) = (α + β) + γ
  3. k (α + β) = kα + kβ
  4. (k + l) α = kα + lα

(二)向量内积运算的性质

  1. (α , β) = (β , α) = α^Tβ = β^Tα
  2. (α , α) = α^Ta = |α|^2 , 且(a,a)-0的充分必要条件是a=0
  3. (α , k1β1 + k2β2 + … + knβn) = k1(α1 , β1) + k2(α2 , β2) +… + kn(αn , βn)
  4. 若(α , β) = 0 ←→ a1b1 + a2b2 + … + anbn = 0, 称a,β正交,记为a⊥β,特别地,零向量与任何向量正交

第二节 向量组的相关性与线性表示

一、向量的相关性与线性表示理论的背景

对齐次线性方程组

及非齐次线性方程组


则方程组(I)(II)可以表示为如下向量形式:

向量的相关性与线性表示理论本质上就是以向量为工具对方程组理论进行描述

注意:

(1)设a1,a2,…,an为向量组,称 k1a1+k2a2+…+knan为向量组a1,a2,…,an的线性组合

(2)设a2,a2,…,an为向量组,b为一个向量,若存在一组数 k1,k2,…,kn,使得b=k1a1+k2a2+…+knan,称向量b可由向量组a1,a2,…,an线性表示

二、向量组相关性与线性表示的基本概念

①相关性

对齐次线性方程组

x1a1+x2a2+…+xnan=0     (*)

(1)若方程组()只有零解,即()成立当且仅当x1=x2=…=xn=0,称向量组a1,a2,…,an线性无关

(2)若方程组(*)有非零解,即存在不全为零的数 k1,k2,…,kn使得,k1a1+k2a2+…+knan=0,称向量组 a1,a2,…,az线性相关

②线性表示

对非齐次线性方程组

x1a1+x2a2+…+xnan=b     (**)

(1)若方程组(**)有解,即存在常数k1,k2,…,kn,使得k1a1+k2a2+…+knan=b,称向量b可由向量组a1,a2,…,an线性表示;

(2)若方程组(**)无解,称向量b不可由向量组a1,a2,…,an线性表示

三、向量组相关性与线性表示的性质

性质1 向量组a1,a2,…,an线性相关的充分必要条件是向量组a1,a2,…,an中至少有一个向量可由其余向量线性表示

注意:

(1)一个向量线性相关的充分必要条件是该向量为零向量

(2)两个向量线性相关的充分必要条件是两个向量成比例

(3)含零向量的向量组一定线性相关

性质2 设a1,a2,…,an线性无关,则

(1)若a1,a2,…,an,b线性相关,则向量b可由a1,a2,…,an唯一线性表示

(2)a1,a2,…,an,b线性无关的充分必要条件是向量b不可由a1,a2,…,an线性表示

性质3 若一个向量组线性无关,则该向量组的任何部分向量组都线性无关

性质4 若向量组有一个部分向量组线性相关,则该向量组一定线性相关.

性质5 设a1,a2,…,an为n个n维向量,则a1,a2,…,an线性无关的充分必要条件是,|a1,a2,…,an|≠0

性质6 设a1,a2,…,an为n个m维向量,若m<n,则向量组a1,a2,…,an一定线性相关

注意:

(1)向量组中向量的个数对应齐次线性方程组未知数的个数,向量组中向量的个数越多,齐次线性方程组中未知数的个数就越多,齐次线性方程组产生自由变量的可能性也越大,从而齐次线性方程组有非零解的可能性增加,即向量组线性相关的可能性增加。故增加向量的个数后线性相关的可能性增加

(2)向量组中向量的维数对应齐次线性方程组方程的个数,维数越多,齐次线性方程组方程的个数越多,只有零解的可能性增加,即向量组线性无关的可能性增加,故增加向量的维数后线性无关的可能性增加

性质7 设向量组a’1,a’2,…,a’n为向量组a1,a2,…,an的扩充向量组(即添加维数后的向量组),若向量组a1,a2,…,an线性无关,则向量组a’1,a’2,…,a’n线性无关,反之不对

性质8 设a1,a2,…,an为两两正交的非零向量组,则a1,a2,…,an线性无关,反之不对.

第三节 向量组等价、向量组的极大线性无关组与向量组的秩

一、基本概念

①向量组等价

注意:等价的两个向量组所含的向量个数可能不同

②向量组的极大线性无关组与向量组的秩

设a1,a2,…,an为一组向量,若满足

(1)向量组a1,a2,…,an中存在r个向量线性无关;

(2)任意r+1个向量(不一定存在)一定线性相关,

称广个线性无关的向量组为向量组a1,a2,…,an的极大线性无关组,极大线性无关组中所含向量的个数称为向量组的秩.

注意:

二、向量组秩的性质

第四节 n维向量空间

一、基本概念

①n维向量空间

所有n维向量连同向量的加法及数与向量的乘法运算称为n维向量空间,记为R^n

②基

设Rn为n维向量空间,设a1,a2,…,an为Rn中的n个向量,若满足:

(1)a1,a2,…,an线性无关

(2)对任意的β∈R^n,β都可由向量组a1,a2,…,an线性表示

则称a1,a2,…,an为维向量空间R^n的基.

特别地,设a1,a2,…,an为n维向量空间R^n的基,如满足:

(1)a1,a2,…,an两两正交

(2)a1,a2,…,an都是单位向量

称a1,a2,…,an为n维向量空间R^n的正交规范基

③向量在基下的坐标

设a1,a2,…,an为n维向量空间Rn的基,β∈Rn,若B=k1a1+k2a2+…+knan,称(k1,k2,…,kn)为向量B在基a1,a2,…,an下的坐标

④过渡矩阵

二、基本性质

相关文章:

线性代数基础【3】向量

第一节 向量的概念与运算 一、基本概念 ①向量 ②向量的模(长度) ③向量的单位化 ④向量的三则运算 ⑤向量的内积 二、向量运算的性质 (一)向量三则运算的性质 α β β αα (β γ) (α β) γk (α β) kα kβ(k l) α kα lα (二)向量内积运…...

Spring Boot + MinIO 实现文件切片极速上传技术

文章目录 1. 引言2. 文件切片上传简介3. 技术选型3.1 Spring Boot3.2 MinIO 4. 搭建Spring Boot项目5. 集成MinIO5.1 配置MinIO连接信息5.2 MinIO配置类 6. 文件切片上传实现6.1 控制器层6.2 服务层6.3 文件切片上传逻辑 7. 文件合并逻辑8. 页面展示9. 性能优化与拓展9.1 性能优…...

uniapp中如何使用image图片

当在UniApp中使用图片时&#xff0c;可以通过<image>标签将图片显示在页面上。这个标签可以指定src属性来引用图片&#xff0c;并且可以通过mode属性来设置图片的显示模式。除此之外&#xff0c;还可以利用click事件来实现图片的点击事件。在编写代码时&#xff0c;要注意…...

docker-compose 安装gitlab

写在前面的话&#xff1a;docker-compose的文件是通用的&#xff0c;因此可以切换任意版本的gitlab的镜像版本。 往期docker-compose部署系列如&#xff1a; docker-compose语法格式docker-compose部署openldapdocker-compose 安装Sonar并集成gitlab 文章目录 1. 参考文档2. 环…...

到底是前端验证还是后端验证

背景 软件应用研发中&#xff0c; 前端验证还是后端验证这是意识与认知问题。鉴于某些入门同学还不清楚&#xff0c;我们再来看下&#xff1a; 一. 从软件行业来自国外 Q: 前端验证和后端验证都是对同一个数据的验证&#xff0c;有什么区别&#xff1f; A: 二者的目的不同&…...

AlignBench:量身打造的中文大语言模型对齐评测

对齐&#xff08;Alignment&#xff09;&#xff0c;是指大语言模型&#xff08;LLM&#xff09;与人类意图的一致性。换言之&#xff0c;就是让LLM生成的结果更加符合人类的预期&#xff0c;包括遵循人类的指令&#xff0c;理解人类的意图&#xff0c;进而能产生有帮助的回答等…...

asp.net core 教程

asp.net core 教程 写在前面新建项目Get和PostGETPOST MVC-模型控制视图如何通俗理解MVCMVC架构---文件夹详解Connected ServicesPropertieswwwroot依赖项ControllersModelsViews 代码实例 API模型&#xff08;前后端分离&#xff09;前端代码后端代码 文件配置优先级优先级顺序…...

概率论1:下象棋问题(3.5)

每日小语 时刻望着他人的眼色行事&#xff0c;是腾飞不了的。自己怎么想就积极地去做&#xff0c;这是需要胆量的。——广中平佑 题目 甲、乙二人下象棋&#xff0c; 每局甲胜的概率为a,乙胜的概率为b. 为简化问题&#xff0c;设没有和局的情况&#xff0c;这意味着a b1. 设想…...

LLM调研笔记

这里写目录标题 LLM调研1. 外挂知识库2. 微调数据prompting和fine-tuning的对比 3. NLP的发展4. 大语言模型的涌现能力5. 大模型的几个关键技术6. 数据预处理7. 主流架构8. 模型训练9. 大模型的微调10. 大模型的使用11. 大模型的评估 LLM调研 大模型的不足&#xff1a;在特定的…...

K8S----RBAC

一、角色、绑定、用户 1、 Role 与ClusterRole 1、Role 总是要在一个命名空间中设置权限,当需要创建一个Role的时候必须指定命名空间; 2、ClusterRole 是非命名空间范围的,不受命名空间局限 2 、RoleBinding 与ClusterRoleBinding 1、RoleBinding 是受命名空间限制的 2、…...

HBase 超大表迁移、备份、还原、同步演练手册:全量快照 + 实时同步(Snapshot + Replication)不停机迁移方案

博主历时三年精心创作的《大数据平台架构与原型实现&#xff1a;数据中台建设实战》一书现已由知名IT图书品牌电子工业出版社博文视点出版发行&#xff0c;点击《重磅推荐&#xff1a;建大数据平台太难了&#xff01;给我发个工程原型吧&#xff01;》了解图书详情&#xff0c;…...

统计直线上2个点的分布占比

直线上有6个格子&#xff0c;向格子里扔2个石子&#xff0c;共有5种可能。 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 第1种两个石子是连着的&#xff0c;共有5个 1 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 1 0 …...

uniapp创建/运行/发布项目

1、产生背景----跨平台应用框架 在移动端各大App盛行的时代&#xff0c;App之间的竞争也更加激烈&#xff0c;他们执着于让一个应用可以做多个事情 所以就应运而生了小程序&#xff0c;微信小程序、支付宝小程序、抖音小程序等等基于App本身的内嵌类程序。 但是各大App他不可…...

洛谷 P2367 语文成绩 刷题笔记

P2367 语文成绩 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn) 差分 令a[i]为b[i]数组的前缀和 a[n]b[1]b[2]b[3].....b[n]; a[n-1]b[1]b[2]b[3].....b[n-1]; 构造差分数组 b[i]a[i]-a[i-1]; 有什么好处 当我们想对a[l]--a[r]范围内所有数据加上一个数x 不必循环 for(i…...

Opencv_CUDA实现推理图像前处理与后处理

Opencv_CUDA实现推理图像前处理与后处理 通过trt 或者 openvino部署深度学习算法时&#xff0c;往往会通过opencv的Mat及算法将图像转换为固定的格式作为输入openvino图像的前后处理后边将在单独的文章中写出今晚空闲搜了一些opencv_cuda的使用方法&#xff0c;在此总结一下前…...

Android.bp 和 Android.mk 的对应关系

参考 Soong 构建系统 Android.mk 转为 Android.bp 没有分支、循环等流程控制的简单的 Android.mk &#xff0c;可以通过 androidmk 命令转化为 Android.bp source 、lunch 之后执行即可。 androidmk Android.mk > Android.bp对应关系 Android 13 &#xff0c;build/soon…...

力扣-收集足够苹果的最小花园周长[思维+组合数]

题目链接 题意&#xff1a; 给你一个用无限二维网格表示的花园&#xff0c;每一个 整数坐标处都有一棵苹果树。整数坐标 (i, j) 处的苹果树有 |i| |j| 个苹果。 你将会买下正中心坐标是 (0, 0) 的一块 正方形土地 &#xff0c;且每条边都与两条坐标轴之一平行。 给你一个整…...

【C语言】自定义类型:结构体深入解析(三)结构体实现位段最终篇

文章目录 &#x1f4dd;前言&#x1f320;什么是位段&#xff1f;&#x1f309; 位段的内存分配&#x1f309;VS怎么开辟位段空间呢&#xff1f;&#x1f309;位段的跨平台问题&#x1f320; 位段的应⽤&#x1f320;位段使⽤的注意事项&#x1f6a9;总结 &#x1f4dd;前言 本…...

基于Hexo+GitHub Pages 的个人博客搭建

基于HexoGitHub Pages 的个人博客搭建 步骤一&#xff1a;安装 Node.js 和 Git步骤二&#xff1a;创建Github Pages 仓库步骤二&#xff1a;安装 Hexo步骤三&#xff1a;创建 Hexo 项目步骤四&#xff1a;配置 Hexo步骤五&#xff1a;创建新文章步骤六&#xff1a;生成静态文件…...

7. 结构型模式 - 代理模式

亦称&#xff1a; Proxy 意图 代理模式是一种结构型设计模式&#xff0c; 让你能够提供对象的替代品或其占位符。 代理控制着对于原对象的访问&#xff0c; 并允许在将请求提交给对象前后进行一些处理。 问题 为什么要控制对于某个对象的访问呢&#xff1f; 举个例子&#xff…...

突破不可导策略的训练难题:零阶优化与强化学习的深度嵌合

强化学习&#xff08;Reinforcement Learning, RL&#xff09;是工业领域智能控制的重要方法。它的基本原理是将最优控制问题建模为马尔可夫决策过程&#xff0c;然后使用强化学习的Actor-Critic机制&#xff08;中文译作“知行互动”机制&#xff09;&#xff0c;逐步迭代求解…...

【Linux】C语言执行shell指令

在C语言中执行Shell指令 在C语言中&#xff0c;有几种方法可以执行Shell指令&#xff1a; 1. 使用system()函数 这是最简单的方法&#xff0c;包含在stdlib.h头文件中&#xff1a; #include <stdlib.h>int main() {system("ls -l"); // 执行ls -l命令retu…...

聊聊 Pulsar:Producer 源码解析

一、前言 Apache Pulsar 是一个企业级的开源分布式消息传递平台&#xff0c;以其高性能、可扩展性和存储计算分离架构在消息队列和流处理领域独树一帜。在 Pulsar 的核心架构中&#xff0c;Producer&#xff08;生产者&#xff09; 是连接客户端应用与消息队列的第一步。生产者…...

django filter 统计数量 按属性去重

在Django中&#xff0c;如果你想要根据某个属性对查询集进行去重并统计数量&#xff0c;你可以使用values()方法配合annotate()方法来实现。这里有两种常见的方法来完成这个需求&#xff1a; 方法1&#xff1a;使用annotate()和Count 假设你有一个模型Item&#xff0c;并且你想…...

多模态商品数据接口:融合图像、语音与文字的下一代商品详情体验

一、多模态商品数据接口的技术架构 &#xff08;一&#xff09;多模态数据融合引擎 跨模态语义对齐 通过Transformer架构实现图像、语音、文字的语义关联。例如&#xff0c;当用户上传一张“蓝色连衣裙”的图片时&#xff0c;接口可自动提取图像中的颜色&#xff08;RGB值&…...

ServerTrust 并非唯一

NSURLAuthenticationMethodServerTrust 只是 authenticationMethod 的冰山一角 要理解 NSURLAuthenticationMethodServerTrust, 首先要明白它只是 authenticationMethod 的选项之一, 并非唯一 1 先厘清概念 点说明authenticationMethodURLAuthenticationChallenge.protectionS…...

sqlserver 根据指定字符 解析拼接字符串

DECLARE LotNo NVARCHAR(50)A,B,C DECLARE xml XML ( SELECT <x> REPLACE(LotNo, ,, </x><x>) </x> ) DECLARE ErrorCode NVARCHAR(50) -- 提取 XML 中的值 SELECT value x.value(., VARCHAR(MAX))…...

用docker来安装部署freeswitch记录

今天刚才测试一个callcenter的项目&#xff0c;所以尝试安装freeswitch 1、使用轩辕镜像 - 中国开发者首选的专业 Docker 镜像加速服务平台 编辑下面/etc/docker/daemon.json文件为 {"registry-mirrors": ["https://docker.xuanyuan.me"] }同时可以进入轩…...

Android Bitmap治理全解析:从加载优化到泄漏防控的全生命周期管理

引言 Bitmap&#xff08;位图&#xff09;是Android应用内存占用的“头号杀手”。一张1080P&#xff08;1920x1080&#xff09;的图片以ARGB_8888格式加载时&#xff0c;内存占用高达8MB&#xff08;192010804字节&#xff09;。据统计&#xff0c;超过60%的应用OOM崩溃与Bitm…...

tree 树组件大数据卡顿问题优化

问题背景 项目中有用到树组件用来做文件目录&#xff0c;但是由于这个树组件的节点越来越多&#xff0c;导致页面在滚动这个树组件的时候浏览器就很容易卡死。这种问题基本上都是因为dom节点太多&#xff0c;导致的浏览器卡顿&#xff0c;这里很明显就需要用到虚拟列表的技术&…...