Young87

当前位置:首页 >个人收藏

矩阵的转置,逆矩阵,行列式的计算,伴随矩阵等

行列式的操作:
在这里插入图片描述
逆矩阵:就是两个矩阵相乘是单位矩阵
在这里插入图片描述
对角矩阵相乘:就是对角线元素相乘
在这里插入图片描述
当两个矩阵相乘不是单位矩阵:
在这里插入图片描述

伴随矩阵:是有代数余子式拼成的
为什么伴随矩阵会出现?为什么伴随矩阵的形式是这样的?
因为行列式的乘法:
根据矩阵的乘法可以看到:
行列式是一个数字,当改行元素跟本身的代数余子式相乘积的情况下,才能非0。绝大情况下是0,只有少数部分情况对上的时候才非0。
在这里插入图片描述
所以伴随矩阵出现之后,可以将原来的矩阵变成对角矩阵,而且对角线元素是该剧真的行列式。

在这里插入图片描述
所以看伴随矩阵的等式可以看出,矩阵的逆就很容易就看出来:A的逆矩阵怎么求,先求出伴随矩阵,再求出A的行列式。
在这里插入图片描述
等式变换一下,灵活变换,求伴随矩阵的逆矩阵:

在这里插入图片描述
所以可以推导出矩阵是否可逆的充要条件:
查看该行列式的矩阵是否等于0?因为行列式在分母上,可证明存在性。
在这里插入图片描述
逆矩阵的一些运算法则:
在这里插入图片描述

在这里插入图片描述
因为行列式是数字,数字就简单太多了:
在这里插入图片描述
性质3的证明:简单的证明
在这里插入图片描述
转置的证明:等式两边求转置就可以看到
在这里插入图片描述
原矩阵和伴随矩阵的行列式之间的关系:
推导1:
在这里插入图片描述

矩阵的分块:
矩阵的分块的转置
在这里插入图片描述

矩阵分块的乘法:这样乘法有一定的缺点,小分块符合乘法规律么?
首先,切分的地方要复合矩阵乘法规律。

在这里插入图片描述
要这样切分分块:
第一列和第二列 VS 第一行和第二行

在这里插入图片描述
所以矩阵也可以分解成为两个向量,空间复杂度降低了很多:本来是m*L,现在是M+L,但是时间复杂度就下降了
在这里插入图片描述

除特别声明,本站所有文章均为原创,如需转载请以超级链接形式注明出处:SmartCat's Blog

上一篇: TensorFlow 上手实战,就看这篇!

下一篇: Linux命令学习神器!命令看不懂直接给你解释!

精华推荐