当前位置：首页 > news >正文

考研数学【线性代数基础box（数二）】

news 2025/10/29 13:04:58

本文是对数学二线性代数基础进行总结，一些及极其简单的被省略了，代数的概念稀碎，不如高数关联性高，所以本文仅供参考，做题请从中筛选！

本文为初稿，后面会根据刷题和自己的理解继续更新

第一章：行列式：

基本概念：

link:

求n阶行列式: $\sum _{j_{1}j_{2}...j_{n}} (-1)^{r(j_{1}j_{2}...j_{n})}a_{1j_{1}}a_{2j_{2}}...a_{n j_{n}}$
余子式： $a_{ij}$ 的余子式 $M_{ij}$ 是除去i行、j列的其余项组成的行列式
代数余子式： $A_{ij}=(-1)^{i+j}M_{ij}$
按某行展开： $|A|=a_{i1}A_{i1}+a_{i2}A_{i2}+...+a_{in}A_{in}$ ,元素乘其代数余子式，然后相加

记：

行列互换值不变
若某行元素全为0，行列式为0
k*行列式=对行列式的一行都乘k倍
某行元素是两个数之和，可以拆成两个行列式之和
行列式两行互换，行列式变号
行列式中某行的k倍加到另一行，行列式不变

重要行列式：

link:

主对角线行列式：无论上下都是主对角线的乘积（这个概念对于分块矩阵也成立，称为拉普拉斯展开式）
副对角线行列式 $(-1)^{\frac{n(n-1)}{2}}*$ 副对角线元素的乘积（分块阵： $(-1)^{mn}|A||B|$ ,AB为副对角线行列式乘积，m、n分别为A、B的阶数）
范德蒙德行列式：形如的行列式，其值为：

行列式计算：

link:

爪型行列式：利用斜爪消去竖爪或者横爪。然后展开
递推法：找规律，适用与宽对角类型的行列式行列式递推法1_哔哩哔哩_bilibili
抽象型行列式：性质、|AB|=|A||B|、将行列式拆分成两个行列式的乘积
余子式和代数余子式的线性组合：行列式按行（或按列）展开的“逆过程”。如：给|A|，和代数余子式的线性组合，把线性组合的系数换掉其按行展开的行，求出行列式就是代数余子式的和
求解n元非齐次方程组：克拉默法则：非齐次线性方程组的行列式（行列式不带等号右边的常数项），若不等于0，则方程组存在唯一解且解为 $x_{i}\frac{D_{i}}{D},i=1,2,3,...,n$ ， $D_{i}$ 是常数项（等号右边的值 $b_{i}$ ）替换第i列得到的行列式。

第二章：矩阵：

矩阵基本运算：

link：

不满足交换律 $AB\neq BA$
加法：每项相加；数乘：每项都乘
转置矩阵的性质： $(A^{T})^{T}=A,,,(A+B)^{T}=A^{T}+B^{T},,,(AB)^{T}=B^{T}A^{T}$ $|kA|=k^{n}|A|,,,|A+B|\neq |A|+|B|,,,|AB|=|A||B|,,,|A^{T}|=|A|$ 相当重要

特殊矩阵：

link：

数量矩阵：k倍的单位矩阵
对称矩阵：满足条件 $A^{T}=A$ 的矩阵称为对称矩阵
反对称矩阵：满足条件 $A^{T}=-A$ ，对角线为0， $a_{ij}=-a_{ji}$
分块矩阵：比较特殊的就是分块矩阵的n次幂 $\begin{bmatrix} A & O\\ O & B \end{bmatrix}^{n}=\begin{bmatrix} A^{n} & O\\ O & B^{n} \end{bmatrix}$ 、求逆： $\begin{bmatrix} A & O\\ O & B \end{bmatrix}^{-1}=\begin{bmatrix} A^{-1} & O\\ O & B^{-1} \end{bmatrix}$ 、 $\begin{bmatrix} O & A\\ B & O \end{bmatrix}^{-1}=\begin{bmatrix} O & B^{-1}\\ A^{-1} & O \end{bmatrix}$
正交矩阵： $A^{T}A=E<=>A^{T}=A^{-1}<=>$ A的行（列）向量是规范正交基（正交的长度为单位1的向量）。

矩阵的逆

link：

本质：定义：AB=BA=E，则B为A的逆
可逆的充要条件是： $|A|\neq 0$
$(A^{-1})^{-1}=A$ ，可以把-1理解成负一次方： $(kA)^{-1}=\frac{1}{k}A^{-1}$ ，或者就是，把A做的变换反向变回去
重要性质： $(AB)^{-1}=B^{-1}A^{-1}$ 、 $(A^{T})^{-1}=(A^{-1})^{T}$ 、 $|A^{-1}|=|A|^{-1}=\frac{1}{|A|}$
求逆矩阵：定义法（AB=BA=E， $(AB)^{-1}=B^{-1}A^{-1}$ ）、用伴随矩阵、初等变换求逆矩阵

伴随矩阵

link:

本质:定义:由A的代数余子式构成的矩阵
$AA^{*}=A^{*}A=|A|E$ 、 $|A^{*}|=|A|^{n-1}$ 、 $|A^{T}|^{*}=(A^{*})^{T}$ 、 $(A^{-1})^{*}=(A^{*})^{-1}$ $(AB)^{*}=B^{*}A^{*}$ 、 $(A^{*})^{*}=|A|^{n-2}A$
求逆矩阵的公式： $A^{-1}=\frac{1}{|A|}A^{*}$
求伴随矩阵：定义法、用逆矩阵求伴随

初等矩阵：

link:

本质：对另一个矩阵进行初等变换，初等变换包括：数乘、互换、倍加
初等矩阵都可逆，逆矩阵也为初等矩阵（后面可以看一下初等变换逆前后对另一个矩阵的影响的变化）
可逆矩阵可表示为有限个初等矩阵的乘积。
对A作初等行变换，相当于左乘初等矩阵，列则是右。
初等变换求逆矩阵 $[A\vdots E]\rightarrow [E\vdots A^{-1}]$

矩阵方程：

$AX=B,X=A^{-1}B$ ,类似可自行推理

等价矩阵和等价标准型：

$PAQ=B$ ，P、Q为初等矩阵，也就是说，A通过初等变换可以变成B，则A和B等价。将其化为 $\begin{bmatrix} E_{r} & O\\ O& O \end{bmatrix}$ ,r为矩阵的秩。这个矩阵为等价标准型。
求可逆矩阵P：1、单个，把A化到B的过程每次行变换的矩阵相乘即可。2、求所有的可逆矩阵P：第四讲方程组求解再来看？？？？

矩阵的秩：

本质：定义：存在k阶子式子不为0，任意k+1阶子式全为0，矩阵的秩r(A)=k。
k是A的线性无关向量的个数；k个线性无关的向量，任意k+1个向量线性相关。
如何理解线性相关和线性无关：线性无关的向量撑起“整个空间”，线性相关的则是由这些线性无关向量表示，“躺平”在这个空间里。
重要式子： $0<r(A)<min{m,n}$ 、 $r(kA)=r(A)$ 、 $r(AB)\leq min ( r(A),r(B))$ 、 $r(A+B)\leq r(A)+r(B)$ 、 $r(A^{*})==\left\{\begin{matrix} n,&r(A)=n \\ 1,& r(A)=n-1\\ 0,& r(A)=n-1 \end{matrix}\right.$ 、 $r(A)=r(PA)=r(AQ)=r(PAQ)$ 、 $A_{m*n}B_{n*s}=r(A)+r(B)\leq n$ 、 $r(A)=r(A^{T})=r(A^{T}A)=r(AA^{T})$

第三章：向量组：

link:

正交向量： $\alpha ^{T}\beta =0$ ,本质是垂直向量
向量的模： $||\alpha ||=\sqrt{\sum_{i=1}^{n} a_{i}^{2}}$ ,二维向量为例好记
标准正交基：本质就是相互垂直的单位向量组
线性无关：向量组中的每个向量都是“基础”的，它们独立存在，没有多余的部分
线性相关：向量组中有一些向量是“多余的”，可以由其他向量通过线性组合得到（存在不全为0的数，使 $k_{1} \alpha_{1}+k_{2} \alpha_{2}+...+k_{n} \alpha_{n}=0$ 成立，其中k为0的就是多余的向量）

线性相关、线性无关

link：

判定线性相关的定理：

线性相关<=>向量组中，至少有一个向量可由其余的向量线性表示。（本质是存在非0的k），逆否命题：线性无关<=>向量中任何向量都不能由其余向量表示（本质不存在非0的k）
向量组a线性无关，a加一个向量 $\beta$ 后线性相关，则 $\beta$ 可由向量组a线性表示且唯一。（本质是引入了冗余向量）
大向量组b可由小a线性表示（大小体现在列），则向量组b线性相关。（本质：b 中所有向量实际上都“依赖”于 a）
m（m列）个n（行）维向量组线性相关<=>其所构成的齐次线性方程组=0，有非零解<=>构成的矩阵的秩<m（列数）（本质：把方程列出来化简之后就是线性相关的定义，若有非零解就是k不全为0；m-秩=自由度，存在自由度，使方程=0）等价就是：线性无关充要条件是齐次方程组只有零解
$\beta$ 可由向量组a表示<=>非齐次线性方程组= $\beta$ 有解<=>r([a, $\beta$ ])=r([a]) （本质： $\beta$ 在a的空间内，可由a表示）
如果向量组a一部分线性相关，则整个向量组线性相关，（小部分就能概括整个空间，则其余的都是多余向量）逆否命题：如果a向量无关，则任何一部分向量组都线性无关。
如果n维向量组a线性无关，则向量组添加m个分量得到的向量组(m+n)维也是线性无关。（添加的分量，是独立的信息，没有引入与原来a线性相关的冗余）逆否命题：a线性相关，去掉若干分类后也是线性相关。
总结：判断能不能线性表示，就看添加后是否多一维（秩），如果向量为撑起空间的向量，则不能被线性表示，如果向量不是撑起空间的向量，则可以被线性表示

记：

自由度：就是对秩展成的空间的约束

极大线性无关组

link:

本质：向量组中撑起空间的那几个向量的集合
求极大线性无关组用进行初等行变换，找出和矩阵秩相同的子矩阵就是（不唯一）
也就是说，求极大线性无关组可以作为空间的基向量，表示其他向量。那怎么表示其他向量呢：用矩阵乘法，基向量*倍数矩阵。

等价向量组：

link：

本质：两个向量组可以相互线性表示（同一个空间中的同一个子空间，只是使用的基向量不同），记为 $A\cong B$
等价向量组有传递性、对称性
若 $A\cong B$ <=>r(a)=r(B)=r(A,B)（三秩相同）

向量组的秩：

link:

三秩相等：r(A)=A的行秩=A的列秩
等价向量组=>秩相等
对A进行初等行变换后变为B，A、B的行向量是等价向量组
向量组A、B，若A中向的向量均可由B线性表示，则r(A)<=r(B)（A 的向量组实际上“依赖于” B 的向量组，说明 A 张成的子空间是 B 张成空间的子空间）
r(A+B)<=r(A,B)<=r(A)+r(B)

第四章：线性方程组：

齐次线性方程组：

r(A)=n，n为未知数的数量，此时有唯一0解，（此时，向量组为线性无关，只有x全为0的时候成立）
r(A)=r<n，有非零解（无穷多个），且有n-r个线性无关解（自由度）（基础空间r+约束(自由度)=总维度n，）。
求解方法：1、行变换化为行阶梯型矩阵（方便看秩）。2、找出一个秩为r的子矩阵，其余位置为自由变量（明确自由变量）。3、设基础解系个数为n-r。4、设解中自由变量的位置为任意值（方便解题就行，一般是0或1），然后用A的每非0行和基础解系相乘，求出基础解系所有项。5、k*基础解系然后相加即可。
基础解系的理解：秩组成了基本的空间，如三维，自由项就是在三维上开辟一个二维的子空间（通过原点的线性子空间），这个子空间由基础解系描述

非齐次线性方程组：

$AX=B,\begin{bmatrix} A \vdots B \end{bmatrix}$ 为A的增广矩阵。
$r(A)\neq r([A\vdots B])$ ,方程无解（说明增广矩阵引入了新的独立方向，B不在A的空间内）
$r(A)= r([A\vdots B])=n$ 方程有唯一解（B在A内，没有自由项，所以解空间被完全限制，只要一个）
$r(A)= r([A\vdots B])=r<n$ ,方程有无穷多解
基础解系的理解：与非齐次的相同，但其描述的是偏移的线性子空间，与一阶的通过原点的不同。
求解方法：1、求出齐次方程通解，2、求出特解（设一个特解，选出秩相同的子矩阵，令自由变量全为0，带入行求出其他值）3、解=通解+特解

公共解：

A与B的公共解： $\begin{bmatrix} A\\ B \end{bmatrix}x=0$ ，其实就是求通解的公共部分

同解方程组：

A与B有完全相同的解
$r(A)=r(B)=r(\begin{bmatrix} A\\ B \end{bmatrix})$ （三秩相同）

第五章：特征值与特征向量

矩阵的特征值和特征向量：

link：

本质：矩阵A对这个特殊的向量的变换就是λ，而这个特殊的向量就是特征向量
$(\lambda E-A)\xi =0$ ， $\lambda$ 为特征值<=>方程有非零解<=>所以 $|\lambda E-A|=0$ （这个叫做特征方程，可求出 $\lambda$ 的n个解）。（求这个 $\lambda$ 需要做多项式除法）
若 $\lambda_{1} \lambda_{2}... \lambda_{n}$ 为A的n个特征值， $|A|=\lambda_{1} \lambda_{2}... \lambda_{n}$ ， $tr(A)=\lambda_{1}+ \lambda_{2}+...+\lambda_{n}$
$\xi$ 是A的属于 $\lambda _{0}$ 的特征向量<=> $\xi$ 是 $(\lambda E-A)x =0$ 的解
k重特征值 $\lambda _{0}$ 至多只有k个线性无关的特征向量（k重特征值，是A对多个不同的k个特征向量有相同的作用效果）（特征值的“重数”表示矩阵 A 对某些方向（特征向量）的作用是重复的，但这些方向独立的最大数量（几何自由度）由重数 k 限制）其实跟没说一样，就是说当k个重复特征值的时候，仍可以有k个线性无关向量，只是提供一个上限，提示一下比k少的可以有。
若n个特征向量是A的属于不同特征值的特征向量，则这n个特征向量线性无关（线性相关的特征向量，A的特征值一定相同，而线性无关的可以相同也可以不同）
若 $\xi _{1},\xi _{2}$ 为A的属于同一（不同）特征值 $\lambda$ 的特征向量，则 $k_{1}\xi _{1}+k_{2}\xi _{2}$ 仍是（不是）A的属于特征值 $\lambda$ 的特征向量（线性子空间的任意线性组合仍然属于这个子空间）
常规矩阵的特征值和特征向量

相似矩阵：

link:

$P^{-1}AP=B$ ,则AB相似记为A~B，这个相似有传递性
相似矩阵的必要性：|A|=|B|、r(A)=r(B)、tr(A)=tr(B)、 $\lambda _{A}=\lambda _{B}$ 、 $r(\lambda E-A)=r(\lambda E-B)$ 、A，B的各阶主子式之和分别相等
A~B则 $f(A)\sim f(B)$ 、 $A^{-1}\sim B^{-1},f(A^{-1})\sim f(B^{-1})$ 、 $A^{*}\sim B^{*}$ 。以上结论A到B的手段与其变化后A到B的手段相同； $A^{T}\sim B^{T}$ 。
若A~C，B~D则 $\begin{bmatrix} A &O \\ O&B \end{bmatrix}\sim \begin{bmatrix} C &O \\ O&D \end{bmatrix}$
如何求相似：定义、传递性、必要性反正不相似

相似对角化：

本质： $P^{-1}AP=\Lambda$ , $\Lambda$ 为对角矩阵，则A可相似对角化， $\Lambda$ 是A的相似标准型
可相似对角化的充要条件：n阶矩阵A有n个线性无关的特征向量。（A对应每个k重特征值都有k个线性无关的特征向量）
可相似对角化的充分条件：n阶矩阵有n个不同的特征值；n阶矩阵为实对称矩阵（满秩）
计算：
求可逆阵P：1、求特征值，2、求特征向量，3、把向量按列排就是P
由特征值、特征向量反推A： $A=P\Lambda P^{-1}$

实对称矩阵的相似对角化：

link:

对称阵A的不同特征值的特征向量相互正交
利用 $P^{T}=P^{-1}$ 的性质推出： $Q^{T}AQ=Q^{-1}AQ=\begin{bmatrix} \lambda _{1}& & \\ & \lambda _{2}...& \\ & & \lambda _{n} \end{bmatrix}$
求实对称矩阵的相似对角化的基本步骤是：1、求特征值，2、求特征向量，3、将特征向量正交化（why:因为要求正交矩阵Q），4、按列排就是Q
施密特正交化公式（将非正交积化为正交积）：

第六章：二次型：

二次型的定义：

link:

本质：就是个二元齐次多项式f(x)，写成的形式，用矩阵A表示。A为f(x)的二次型矩阵。

合同变换：

link:

本质：把x换成y，把一个二次型（ $f(x)=x^{T}Ax$ ）通过线性变换化为另一个二次型( $g(x)=y^{T}By$ )，A和B的关系 .若存在可逆矩阵C使 $C^{T}AC=B$ 。则 $A\simeq B$ 。（从表达式A表示，到表达式B表示（换系））
合同必等价、对称矩阵合同也是对称矩阵
合同标准型：没有交叉项，只有平方项
规范型：把标准型的系数都化为1,0,-1
定理：1、任何实对称矩阵A(任何二次型)，必存在可逆矩阵C，使得： $C^{T}AC=\Lambda$ （对角阵，且为规范型）2、扩展到正交变换Q， $Q^{-1}AQ=Q^{T}AQ=\Lambda$ 。
惯性定理：正系数（正惯性指数）和负系数（负惯性指数）的个数是不变的。合同变换下的不变量就是惯性指数
秩r=正惯性指数+负惯性指数
合同的充要条件：有相同的正负惯性指数；
在对称条件下，相似一定合同
合同和相似的区别：？？
配方法化二次型：1、把二次型化成 $(x_{1}+x_{2}+..)^{2}+...(x_{a}+x_{b}+...)^{2}$ 的形式，2、令y1,y2,y3等于平方项内的x的和，3、解出x=y1+...，也就是x=Cy，4、然后换元带入，把二次型变为y的标准型，5、求出|C|不为0则可以做可逆线性变换。

正定二次型：

正定二次型<=> $x^{T}Ax>0$ <=>正惯性指数p=n<=>存在可逆矩阵D， $A=D^{T}D$ <=>A=E<=>A的特征值全部>0<=>A的全部顺序主子式均大于0
顺序主子式：看图
二次型正定的必要条件：系数都大于0；|A|>0

考研数学【线性代数基础box（数二）】

本文是对数学二线性代数基础进行总结，一些及极其简单的被省略了，代数的概念稀碎，不如高数关联性高，所以本文仅供参考，做题请从中筛选！ 本文为初稿，后面会根据刷题和自己的理解继续更新第一章…...

编程日记 2024/12/14 12:26:58

ModbusTcp获取数据

ModbusTcp获取数据记录一个用 pymodbus 库来获取数据的代码。注意： 1.读取寄存器地址是16进制的。2.大小端转换通过代码知道原理。读取数据时，切记频率别太高，否则会出现连接被关闭问题。 from pymodbus.client.sync import ModbusTcpCli…...

编程日记 2024/12/14 12:25:56

java 知识点：注解及使用

注解大多数时候，我们会使用注解，而不是自定义注解。注解给谁用？编译器、给解析程序用注解不是程序的一部分，可以理解为注解就是一个标签主要的作用有以下四方面： 生成文档，通过代码里标识的元数据生成…...

编程日记 2024/12/14 12:23:55

AI预测体彩排3采取888=3策略+和值012路+胆码+通杀1码测试12月13日升级新模型预测第156弹

经过100多期的测试，当然有很多彩友也一直在观察我每天发的预测结果，得到了一个非常有价值的信息，那就是9码定位的命中率非常高，已到达90%的命中率，这给喜欢打私菜的朋友提供了极高价值的预测结果~当然了，大…...

编程日记 2024/12/14 12:22:53

faiss数据检索不稳定 def build_faiss_index(embeddings_vector):dim np.shape(embeddings_vector)[-1]index faiss.index_factory(dim, HNSW64, faiss.METRIC_INNER_PRODUCT)index.add(embeddings_vector)return index这个代码不稳定，构建的索引召回结果可能会不…...

编程日记 2024/12/14 12:21:52

Vue技术中参数传递：Props与事件的实践指南

在Vue.js中，组件间的参数传递是构建动态和交互式应用的核心。本文将深入探讨如何通过Props和事件（$emit）在Vue组件间进行参数传递，并提供代码示例。 Props传递数据 Props是Vue中组件间传递数据的一种方式，它允许父组…...

编程日记 2024/12/14 12:19:45

C++【基础】 ---- 快速入门 C++

文章目录前言一、有关 const 区分二、有关命名空间三、有关输入和输出四、有关缺省参数四、函数重载总结前言本篇文章笔者将会对 C 这么语言中必须的基础部分进行简单讲解 , 同时也作为笔者自我复习使用, 这部分是初学C 的学者不可绕过的部分 , 希望学者认真理解 ,认真领会…...

编程日记 2024/12/14 12:18:44

Neo4j+Neovis+Vue3：前端连接数据库渲染

Neovis（github）：https://github.com/neo4j-contrib/neovis.js Neovis配置文档：neovis.js (neo4j-contrib.github.io) 一、安装Neo4j 参考文章：neo4j下载安装配置步骤-CSDN博客二、Neovis使用 1.npm引入 ?npm ins…...

编程日记 2024/12/14 12:13:38

React 18

文章目录 React 18自动批处理并发特性Suspense 组件增强新 HookscreateRoot API 替代 ReactDOM.renderStrict Mode严格模式服务器端渲染改进性能优化 React 18 React 18 引入了一系列新特性和改进，旨在提升性能、改善用户体验，并简化开发流程。以下是 R…...

编程日记 2024/12/14 12:12:37

Java:集合(List、Map、Set)

文章目录 1. Collection集合1-1. 迭代器遍历方式1-2. 通过for循环进行遍历1-3. forEach遍历 2. List集合2-1. ArrayList底层实现原理2-2. LinkedList底层实现原理 3. Set集合3-1. HashSet 底层实现3-2. LinkedHashSet 底层实现3-3. TreeSet 4. Collection集合->总结5. Map集…...

编程日记 2024/12/14 12:10:35

使用秘钥登录服务器

在我们测试或生产环境中，为了服务器安全性，有时可能需要以 SSH 密钥的方式登录服务器，接下来，将演示如何通过 SSH 私钥的方式来远程服务器。一、远程服务器生成密钥对 1、首先在目标远程服务器下生成 SSH 密钥对 ssh-keygen然…...

编程日记 2024/12/14 12:09:34

BFS算法题

目录 1.BFS 2.树里的宽搜题目一——429. N 叉树的层序遍历 - 力扣（LeetCode） 题目二——103. 二叉树的锯齿形层序遍历 - 力扣（LeetCode） 题目三——662. 二叉树最大宽度 - 力扣（LeetCode） 题目四——…...

编程日记 2024/12/14 12:07:32

网络应用技术实验八：防火墙实现访问控制（华为ensp）

目录一、实验简介二、实验目的三、实验需求四、实验拓扑五、实验步骤 1、设计全网 IP 地址 2、设计防火墙安全策略 3、在 eNSP 中部署园区网 4、配置用户主机地址 5、配置网络设备配置交换机SW-1~SW-5 配置路由交换机RS-1~RS-5 配置路由器R-1~R-3 6、配置仿…...

编程日记 2024/12/14 12:05:30

嵌入式现状、机遇、挑战与展望

在当今数字化浪潮中，嵌入式系统宛如一颗璀璨的明珠，熠熠生辉，深刻地渗透到了我们生活的方方面面，成为推动现代科技进步不可或缺的关键力量。从智能家居的便捷控制，到工业生产的精准运作，再到汽车的智能驾驶…...

编程日记 2024/12/14 12:03:26

天通卫星卡通知短信模板

文章目录引言I 阿里云新增短信模板短信模板通知短信变量规范计费规则: 短信长度不超过70个字，按照1条短信计费；II 表设计III 实现方案引言背景：天通卡适用于应急救灾、登山探险、海上通信、野外作业等需要稳定可靠通信的场景。需求：天通卡充值成功通知平台基于阿里云给…...

编程日记 2024/12/14 12:01:24

Unity WebGL 编译和打包说明（官方文档翻译校正）

目录 Unity WebGL 编译和打包说明WebGL 简介WebGL 浏览器兼容性 (WebGL Browser Compatibility)平台支持 (Platform Support)多线程支持限制多线程支持的因素安装 Unity Hub 并添加所需模块WebGL 开发WebGL Player 设置Resolution and PresentationResolutionWebGL TemplateSpl…...

编程日记 2024/12/14 11:59:22

题解 - 取数排列

题目描述取1到N共N个连续的数字（1≤N≤9），组成每位数不重复的所有可能的N位数，按从小到大的顺序进行编号。当输入一个编号M时，就能打印出与该编号对应的那个N位数。例如，当N＝3时，可…...

编程日记 2024/12/14 11:58:20

JAVA实战：借助阿里云实现短信发送功能

亲爱的小伙伴们😘，在求知的漫漫旅途中，若你对深度学习的奥秘、JAVA 、PYTHON与SAP 的奇妙世界，亦或是读研论文的撰写攻略有所探寻🧐，那不妨给我一个小小的关注吧🥰。我会精心筹备，在…...

编程日记 2024/12/14 11:56:18

高阶函数：JavaScript 编程中的魔法棒

在JavaScript的世界里，高阶函数是一种强大的工具，它允许我们将函数作为参数传递或将函数作为返回值。这种特性使得JavaScript代码更加灵活和强大。本文将深入探讨高阶函数的定义、用法以及在实际项目中的最佳实践，帮助大家更好地理解和应用这…...

编程日记 2024/12/14 11:51:14

Android 12.0 Launcher3从首页开始安装app功能实现

1.前言在12.0的系统rom定制化开发中，在进行Launcher3的某些功能开发实现过程中，在某些项目中，安装的app比较多，要求在launcher3的首页开始安装 app应用，接下来就需要分析下app安装图标排序的流程，然后在实现相关的功能 2. Launcher3从首页开始安装app功能实现的核心…...

编程日记 2024/12/14 11:50:12

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目：3442. 奇偶频次间的最大差值 I 思路 ：哈希，时间复杂度0(n)。用哈希表来记录每个字符串中字符的分布情况，哈希表这里用数组即可实现。 C版本： class Solution { public:int maxDifference(string s) {int a[26]…...

编程新知 2025/10/28 2:05:07

业务系统对接大模型的基础方案：架构设计与关键步骤

业务系统对接大模型：架构设计与关键步骤在当今数字化转型的浪潮中，大语言模型（LLM）已成为企业提升业务效率和创新能力的关键技术之一。将大模型集成到业务系统中，不仅可以优化用户体验，还能为业务决策提供…...

编程新知 2025/10/28 1:05:27

XCTF-web-easyupload

试了试php，php7，pht，phtml等，都没有用尝试.user.ini 抓包修改将.user.ini修改为jpg图片在上传一个123.jpg 用蚁剑连接，得到flag...

编程新知 2025/10/27 21:11:19

Qt/C++开发监控GB28181系统/取流协议/同时支持udp/tcp被动/tcp主动

一、前言说明在2011版本的gb28181协议中，拉取视频流只要求udp方式，从2016开始要求新增支持tcp被动和tcp主动两种方式，udp理论上会丢包的，所以实际使用过程可能会出现画面花屏的情况，而tcp肯定不丢包，起码…...

编程新知 2025/10/28 21:32:08

FastAPI 教程：从入门到实践

FastAPI 是一个现代、快速（高性能）的 Web 框架，用于构建 API，支持 Python 3.6。它基于标准 Python 类型提示，易于学习且功能强大。以下是一个完整的 FastAPI 入门教程，涵盖从环境搭建到创建并运行一个简单的…...

编程新知 2025/10/16 7:51:26

大数据零基础学习day1之环境准备和大数据初步理解

学习大数据会使用到多台Linux服务器。一、环境准备 1、VMware 基于VMware构建Linux虚拟机是大数据从业者或者IT从业者的必备技能之一也是成本低廉的方案所以VMware虚拟机方案是必须要学习的。 （1）设置网关打开VMware虚拟机，点击编辑…...

编程新知 2025/10/27 13:54:04

高频面试之3Zookeeper

高频面试之3Zookeeper 文章目录高频面试之3Zookeeper3.1 常用命令3.2 选举机制3.3 Zookeeper符合法则中哪两个？3.4 Zookeeper脑裂3.5 Zookeeper用来干嘛了 3.1 常用命令 ls、get、create、delete、deleteall3.2 选举机制半数机制（过半机制&#xff0…...

编程新知 2025/10/25 12:40:33

Java-41 深入浅出 Spring - 声明式事务的支持事务配置 XML模式 XML+注解模式

点一下关注吧！！！非常感谢！！持续更新！！！ 🚀 AI篇持续更新中！（长期更新） 目前2025年06月05日更新到： AI炼丹日志-28 - Aud…...

编程新知 2025/10/27 13:41:34

Mac软件卸载指南，简单易懂！

刚和Adobe分手，它却总在Library里给你写"回忆录"？卸载的Final Cut Pro像电子幽灵般阴魂不散？总是会有残留文件，别慌！这份Mac软件卸载指南，将用最硬核的方式教你"数字分手术"&#xff0…...

编程新知 2025/10/27 13:40:44

涂鸦T5AI手搓语音、emoji、otto机器人从入门到实战

“🤖手搓TuyaAI语音指令 😍秒变表情包大师，让萌系Otto机器人🔥玩出智能新花样！开整！” 🤖 Otto机器人 → 直接点明主体手搓TuyaAI语音 → 强调自主编程/自定义语音控制（TuyaAI…...

编程新知 2025/10/28 23:13:58

第一章：行列式：

基本概念：

重要行列式：

行列式计算：

第二章：矩阵：

矩阵基本运算：

特殊矩阵：

矩阵的逆

伴随矩阵

初等矩阵：

矩阵方程：

等价矩阵和等价标准型：

矩阵的秩：

第三章：向量组：

线性相关、线性无关

极大线性无关组

等价向量组：

向量组的秩：

第四章：线性方程组：

齐次线性方程组：

非齐次线性方程组：

公共解：

同解方程组：

第五章：特征值与特征向量

矩阵的特征值和特征向量：

相似矩阵：

相似对角化：

实对称矩阵的相似对角化：

第六章：二次型：

二次型的定义：

合同变换：

正定二次型：

相关文章：