MIT 线性代数(16—18)读书笔记
来源:互联网 发布:自学人工智能 编辑:程序博客网 时间:2024/05/29 13:35
第十六讲 投影矩阵(Ax=b)和最小二乘法
上一讲中,我们知道了投影矩阵
1.投影矩阵(Ax=b无解的情形)
1.1两个极端的例子:
- 如果
b∈C(A) ,则Pb=b ;- 如果
b⊥C(A) ,则Pb=0 。
证明1:
证明2:
一般情况下,
1.2一般情形
一般情况下,
向量
可以理解为:向量
2. 最小二乘法(Ax=b)
回到上一讲最后提到的例题:
我们需要找到距离图中三个点
根据条件可以得到方程组
此时我们要找到最接近的解”最优解”,我们要使得解最优即误差最小,定义误差为
- 1.利用偏导求解
这里如果使用偏导数我们也能得到关于最优解的方程,展开结果为:
然后对
解方程得
于是我们得到
可以验证,向量p 与e 正交,并且e 与矩阵A 的列空间正交。
误差向量
- 2.利用矩阵求解
用矩阵的方法求解
写成方程形式为
求的的结果是一样的。
我们现在做的运算也称作
- 注:
如果有另一个点,如(0,100) ,在本例中该点明显距离别的点很远,最小二乘将很容易被离群的点影响,通常使用最小二乘时会去掉明显离群的点 。
3.证明ATA 可逆
3.1 证明可逆
接下来我们观察
先假设
3.2互相垂直线性无关
我们再来看一种线性无关的特殊情况:
比如:
另一个例子
下一讲研究标准正交向量组。
4.总结
1.记住图的意义:
2.最小二乘法求解的意义。
3.
第十七讲:正交矩阵和Gram-Schmidt正交化法
这是关于正交性最后一讲,已经知道正交空间,比如行空间和零空间,今天主要看正交基和正交矩阵
1.标准正交基与正交矩阵
1.1 标准正交基
- 定义
标准正交向量 (orthonormal):qTiqj={0i≠j1i=j ;
2.将标准正交向量放入矩阵中,有Q=[q1q2⋯qn] ,计算QTQ
QTQ=⎡⎣⎢⎢⎢⎢⎢10⋮001⋮0⋯⋯⋱⋯00⋮1⎤⎦⎥⎥⎥⎥⎥=I
我们也把Q 成为标准正交矩阵 (orthonormal matrix)。
标准正交基:
- 举个置换矩阵的例子:
- 使用上一讲的例子
- 其他例子
- 使用上一个例子的矩阵,令
- 再来看一个例子,
标准正交矩阵
注意:标准正交矩阵 orthogonormal matrix不一定是方阵,当它是方阵的时候,我们叫它正交矩阵 orthogonal matrix。
1.2正交矩阵
为什么我们如此关注标准正交矩阵 orthogonormal matrix为方阵 的情形?
上一讲我们研究了
我们断言,当列向量为标准正交基时,
投影矩阵的两个性质:
1.(QQT)T=QQT ,
证明:(QQT)T=(QT)TQT=QQT 2.
(QQT)2=QQT
证明:(QQT)2=QQTQQT=Q(QTQ)QT=QQT
2. Gram-Schmidt正交化法
这是一种将矩阵转化为标准正交向量orthogonormal matrix的方法。按老师的说法Schmidt教我们如何将一个向量标准化normalized,而Graham教我们如何使得各个向量正交orthogonal。
总思路:
已知相互无关的向量a ,b ,目标要将a ,b 变成相互正交且长度为1 的q1 ,q2 ,可将向量a 固定,然后b 投影到a 上,误差e=B .
我们有两个线性无关的向量
- 我们取定
a 向量的方向,a=A ; - 接下来将
b 投影在A 的法方向上得到B ,也就是求子空间投影一讲中,我们提到的误差向量e=b−p ,即B=b−ATbATAA 。检验一下A⊥B ,ATB=ATb−ATATbATAA=ATb−ATAATAATb=0 。(ATbATAA 就是Ax^=p ); - 再将它们单位化,变为单位正交向量
q1=A∥A∥,q2=B∥B∥ 。
如果我们有三个线性无关的向量
- 前两个向量我们已经得到了,我们现在需要求第三个向量同时正交于
A,B ; - 我们依然沿用上面的方法,从
c 中减去其在A,B 上的分量,得到正交与A,B 的C :C=c−ATcATAA−BTcBTBB ; 再将它们单位化,变为单位正交向量
q1=A∥A∥,q2=B∥B∥,q3=C∥C∥ 。例子:
现在我们试验一下推导出来的公式,a=⎡⎣⎢111⎤⎦⎥,b=⎡⎣⎢102⎤⎦⎥ :
则A=a=⎡⎣⎢111⎤⎦⎥ ;
根据公式有B=a−hA ,h 是比值ATbATA=33 ,则B=⎡⎣⎢111⎤⎦⎥−33⎡⎣⎢102⎤⎦⎥=⎡⎣⎢0−11⎤⎦⎥ 。验证一下正交性有A⋅B=0 。
单位化,q1=13√⎡⎣⎢111⎤⎦⎥,q2=12√⎡⎣⎢102⎤⎦⎥ ,则标准正交矩阵为Q=⎡⎣⎢⎢⎢⎢13√13√13√0−12√12√⎤⎦⎥⎥⎥⎥ ,对比原来的矩阵D=⎡⎣⎢111102⎤⎦⎥ ,有D,Q 的列空间是相同的,我们只是将原来的基标准正交化了。
3.QR分解
我们曾经用矩阵的眼光审视消元法,有
设矩阵
4.总结
1.标准正交基与正交矩阵;
2.Gram-Schmidt正交标准化;
3.QR分解(与LU分解的区别)。
第十八讲:行列式及其性质
- 行列式最早是应用在用来判断方程组是否有解,在矩阵被发明后,行列式就拥有了更多的性质和应用。其强大之处在于将整个矩阵的信息压缩到了一个值当中。
- 行列式的英文名为determinant:决定因素,因为他可以决定方程组是否有解即矩阵是否可逆,从另外一个角度来理解,行列式代表了这个矩阵的特征,这是学习特征分解的前置概念。
1.基础性质
本讲我们讨论出行列式(determinant)的性质:
行列式的基本性质:
性质1:detI=1,单位矩阵行列式值为一。
性质2:交换行,行列式变号。
性质3: a.∣∣∣tatctbtd∣∣∣=t∣∣∣acbd∣∣∣。
b.∣∣∣a+a′cb+b′d∣∣∣=∣∣∣acbd∣∣∣+∣∣∣a′cb′d∣∣∣。
由性质1和2可知,对置换矩阵有
举例:
性质3(b)对于每行都单独成立,其他行则不变,即不能同时组合第一行和第二行。
2. 推导出的性质
更多的性质可以从以上的三条性质中推导出来。
性质4:
如果两行相等,则行列式为零。使用性质2交换两行易证。 性质5 :
从第k行中减去第i行的l倍,行列式不变。
解析:这条性质是针对消元的,我们可以先消元,将方阵变为上三角形式后再计算行列式。
举例:∣∣∣ac−labd−lb∣∣∣=3.b∣∣∣acbd∣∣∣+∣∣∣a−lab−lb∣∣∣=3.a∣∣∣acbd∣∣∣−l∣∣∣aabb∣∣∣=4∣∣∣acbd∣∣∣ 性质6:
如果方阵的某一行为零,则其行列式值为零。
证明:使用性质3(a)对为零行乘以不为零系数l ,使ldetA=detA 即可证明;或使用性质5将某行加到为零行,使存在两行相等后使用性质4即可证明。
性质7:有上三角行列式U=∣∣∣∣∣∣∣d10⋮0∗d2⋮0⋯⋯⋱⋯∗∗⋮dn∣∣∣∣∣∣∣,则detU=d1d2⋯dn。
证明:使用性质5,从最后一行开始,将对角元素上方的∗ 元素依次变为零,可以得到型为D=∣∣∣∣∣∣∣d10⋮00d2⋮0⋯⋯⋱⋯00⋮dn∣∣∣∣∣∣∣ 的对角行列式,再使用性质3将对角元素提出得到dndn−1⋯d1∣∣∣∣∣∣∣10⋮001⋮0⋯⋯⋱⋯00⋮1∣∣∣∣∣∣∣ ,得证。
性质8:当矩阵A为奇异矩阵时,detA=0;当且仅当A可逆时,有detA≠0 。
证明:如果矩阵可逆,则化简为上三角形式后各行都含有主元,行列式即为主元乘积;如果矩阵奇异,则化简为上三角形式时会出现全零行,行列式为零。
再回顾二阶情况:∣∣∣acbd∣∣∣−→−消元∣∣∣a0bd−cab∣∣∣=ad−bc ,前面的猜想得到证实。性质9:
detAB=(detA)(detB) 。
解析:使用这一性质,detI=detA−1A=detA−1detA ,所以detA−1=1detA 。
同时还可以得到:detA2=(detA)2 ,以及det2A=2ndetA ,这个式子就像是求体积,对三维物体有每边翻倍则体积变为原来的八倍。性质10:
detAT=detA。
前面一直在关注行的属性给行列式带来的变化,有了这条性质,行的属性同样适用于列,比如对性质2就有“交换列行列式变号”。
证明:∣∣AT∣∣=|A|→∣∣UTLT∣∣=|LU|→∣∣UT∣∣∣∣LT∣∣=|L||U| ,值得注意的是,L,U 的行列式并不因为转置而改变,得证。
- MIT 线性代数(16—18)读书笔记
- MIT 线性代数(1—3)读书笔记
- MIT 线性代数(4—6)读书笔记
- MIT 线性代数(7—9)读书笔记
- MIT 线性代数(10—12)读书笔记
- MIT 线性代数(13—15)读书笔记
- MIT 线性代数(19—21)读书笔记
- MIT 线性代数(22—24)读书笔记
- MIT 线性代数(25—27)读书笔记
- MIT 线性代数(28—30)读书笔记
- MIT 线性代数(31—33)读书笔记
- MIT 线性代数(34—35)读书笔记
- MIT线性代数学习(1)——求解线性方程组
- MIT 线性代数
- 看MIT的线性代数
- MIT线性代数--向量空间
- 线性代数MIT-0、前言
- MIT线性代数公开课
- 作业:c++作业3-项目2
- 《剑指Offer》 包含min函数的栈
- jdk动态代理源码剖析
- 细细探究MySQL Group Replicaiton — 配置维护故障处理全集
- celery 任务队列预取机制
- MIT 线性代数(16—18)读书笔记
- SVProgressHud 自定义颜色
- zookeeper c client编译
- js中的sort函数的自定义函数
- [Sencha] 破解 VS Code 的 Sencha Plugin 插件
- SystemClock.sleep()方法与Thread.sleep()方法的区别
- web.xml 中的listener、 filter、servlet 加载顺序及其详解
- 剑指offer:最小的K个数
- Android -- 在线播放歌曲 2 -- 下载歌曲