數學復習筆記 27

前言

太難受了。因為一些事情。和朋友傾訴了一下,也沒啥用,幾年之后不知道自己再想到的時候,會怎么考慮呢。另外,筆記還是有框架一點比較好,這樣比較有邏輯感受。不然太亂了。這篇筆記是關于線代第五章,特征值的例題的我的一些理解和分析。筆記還是希望有價值一些。第一次學的時候,我是說看著網課學習的時候,還是把筆記做到講義上面比較好,后面復盤回顧的時候再整理成電子筆記。

5.1

純粹的概念計算。幾十秒就可以算出來了。

5.2

這個題是一個經驗,然后,要是換了特征向量里面的數字呢,感覺也是壓力比較大的。我感覺最重要是要觀察到,3 階矩陣,乘以一個列向量,結果是一個列向量,我知道,這樣描述大家都知道這個意思,但是自己解題的時候,能一下子反應過來這件事情,非常重要。還有就是還是從題目出發,不要慢慢扣概念,那沒啥效率。題目會幫助我復習不熟悉的知識點的,要是不知道的時候再去看知識點。這題可能還是從特征值,特征向量的定義出發去計算的。

5.3

特征值和特征向量的計算是基本功,過程懶得描述了,講點重點,就是特征值是單根,然后三階,秩就是 2,可以快速計算,然后還有解特征值的時候盡量找相消為零,然后有成比例的,這種一般適合有參數的,參數成比例,不然不是很方便處理。特征向量有無數個,但是不能等于零。

5.4

這題關鍵點是,加快計算速度的,對角陣,上三角矩陣,下三角矩陣,主對角線上面的元素就是特征值,但是特征矩陣還是要寫出來,這樣方便計算特征向量。同上,其他的沒啥好總結的了。

刻意練習

那個參數原來就是特征值,笑死,我還以為是啥呢,需要刻意練習的就是,第一步,消出來一個零,第二步,把成比例的兩個元素消了,一般是用行消一次,用列消一次,之前高斯消元就是老老實實行變換,這里是有一定的靈活度,要觀察,怎么消零之后能出現成比例的兩個元素。反正一般考察三階矩陣,也比較容易觀察,消出來兩個零之后行列式展開,記得判斷是否要加負號。行列式,行倍加,列倍加,行列式都是不發生改變的。假設基礎解析有兩個向量,那么特征值的系數的描述是 “k1 k2 不同時為零”,因為特征向量不為零。

5.5

這題是,改變矩陣,看對特征值和特征向量有什么影響。非常重要,這個題。關鍵是這個結論。有幾個不會推導,我蒙了。這題其實有點難。能否記住,還有是否會推導都有點難度。轉置之后,要用特征多項式來推導,這個可能反應不過來。可以積累這個思路,判斷特征值是否相等,可以看特征值的形式是否一致,假設特征多項式的形式是一致的,那么兩個矩陣的特征值是一致的。還用到了,矩陣轉置不影響行列式的值。常數轉置直接拿出來就行,不用做任何改變,單位陣轉置還是單位陣。最后一個相似矩陣,就是設這個相似的矩陣,然后代進去整體做一些變換,看了答案之后實際上非常簡單,關鍵就是自己一個人獨立思考的時候,真不一定能推導出來。

5.6

這題第二問稍微有點難。要觀察到,這個形式,可以把特征值加起來,特征向量不變。總結可以稍微簡潔一些。自己完全明白這個意思就可以了。

5.7

這題太秀了。我覺得完全值得一個五分題。就是,先是算特征值,可以用公式算特征值,然后矩陣變換導致特征值變換,然后行列式等于特征值的乘積。就結束了。

5.8

這里的推導可以多推導推導。

5.9

相似的充要條件只有三個,轉置,可逆,一次多項式。可以積累一個反例排除 A 選項,這個反例有點意思。

5.10

絕對是一道好題,很靈活,看到代數余子式就要考慮伴隨矩陣。

5.11

明天再繼續寫,做任何事情,都可以稍微慢一點,無所謂的,不要著急,別人催促,或者自己催促,都不能著急,思考就是一件非常非常慢的事情。慢才能穩,穩才能快。加油。

5.12

相似對角化之后,對焦矩陣就是特征值,然后改變特征向量的系數,特征值是不變的。

5.13

同一特征值的特征向量的線性組合,對應的特征值還是原來的特征值。不同特征值對應的特征向量的線性組合不是矩陣的特征向量了。

5.14

夸夸自己,這題運算量真的是爆炸了,我算到最后和答案一模一樣。我果然是 150 的苗子。算矩陣的指數次方,相似對角化,然后找規律寫出表達式,這個可能要做很多次,或者直接把公式記住?我感覺還是記住底層的公式,考試的時候,推導十秒鐘就出來了。然后算特征值特征向量啥的,關鍵是算幾個矩陣乘法,我真的老實了。

5.15

判斷能否相似對角化,首先看特征值,假設有 n 個特征值,就可以相似對角化,假設特征值有重根,判斷 k 重根是否有 k 個線性無關的特征向量,我這里把線性無關的特征向量的個數記為 s ,那么有 s = n ? r ( λ E ? A ) s = n - r ( \lambda E-A) s=n?r(λE?A) ,判斷一下就可以了。

5.16

沒啥難的,就是計算的時候要小心一些。別出現抄錯數字的情況。

5.17

很簡單,計算是重點。

5.18

用線性無關的定義秒了。還是比較難的。

5.19

這題要是觀察到幾個列向量是兩兩正交的,計算可以簡化很多,沒觀察到直接做也可以,無所謂。反正這題很可以。非常棒的一道題。

5.20

施密特正交化公式。

5.21

比較簡單,但是不容易切入到這個點。感覺別搞花里胡哨的,直接做題,能做對題,就達到我的目的了。判斷有沒有學好,就是隨便拿一個題,看能不能不借助任何外力從頭寫到尾并且寫對。

5.22

難倒是不難,但是我化簡的時候,算錯了一個數字,就是除以二的時候,有一個矩陣元素沒有除以二,然后其他的就還好。還有算行列式的時候,展開的時候,最好直接畫一個十字,這樣不容易出錯,要是看差行了,就一失足成千古恨了。祛魅。祛魅非常重要。

5.23

這題稍微繞了一下,關鍵是要把題目信息翻譯一下,就是特征向量實際上是特征其次方程的一個解。

5.24

實對稱矩陣必可相似對角化。

5.25

這個,不好評價,感覺還是挺難的,雖然老師講的時候就是一嘴帶過,可能三十秒把這題講完了。這個結論還是非常好用的。在前面某個題可以用,可以簡化計算。

5.26

這題實際上非常有價值。考察得非常深刻。

后記

感覺沒有很難,很有價值的 26 個題。線代拿滿分,加油。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/bicheng/83737.shtml
繁體地址,請注明出處:http://hk.pswp.cn/bicheng/83737.shtml
英文地址,請注明出處:http://en.pswp.cn/bicheng/83737.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

第四十五天打卡

知識點回顧: tensorboard的發展歷史和原理 tensorboard的常見操作 tensorboard在cifar上的實戰:MLP和CNN模型 效果展示如下,很適合拿去組會匯報撐頁數: 作業:對resnet18在cifar10上采用微調策略下,用tensor…

使用高斯樸素貝葉斯算法對鳶尾花數據集進行分類

高斯樸素貝葉斯算法通常用于特征變量是連續變量,符合高素分布的情況。 使用高斯樸素貝葉斯算法對鳶尾花數據集進行分類 """ 使用高斯貝葉斯堆鳶尾花進行分類 """ #導入需要的庫 from sklearn.datasets import load_iris from skle…

【docker】Windows安裝docker

環境及工具(點擊下載) Docker Desktop Installer.exe (windows 環境下運行docker的一款產品) wsl_update_x64 (Linux 內核包) 前期準備 系統要求2: Windows 11:64 位系統&am…

量化Quantization初步之--帶量化(QAT)的XOR異或pyTorch版250501

量化(Quantization)這詞兒聽著玄,經常和量化交易Quantitative Trading (量化交易)混淆。 其實機器學習(深度學習)領域的量化Quantization是和節約內存、提高運算效率相關的概念(因大模型的普及,這個量化問題尤為迫切)。 揭秘機器…

【Redis】zset 類型

zset 一. zset 類型介紹二. zset 命令zaddzcard、zcountzrange、zrevrange、zrangebyscorezpopmax、zpopminzrank、zrevrank、zscorezrem、zremrangebyrank、zremrangebyscorezincrby阻塞版本命令:bzpopmax、bzpopmin集合間操作:zinterstore、zunionstor…

Mermaid 繪圖--以企業權限視圖為例

文章目錄 一、示例代碼二、基礎結構設計2.1 組織架構樹2.2 權限視圖設計 三、銷售數據權限系統四、關鍵語法技巧匯總 一、示例代碼 在企業管理系統開發中,清晰的權限視圖設計至關重要。本文將分享如何使用 Mermaid 繪制直觀的企業權限關系圖,復制以下代…

[pdf、epub]300道《軟件方法》強化自測題業務建模需求分析共257頁(202505更新)

DDD領域驅動設計批評文集 做強化自測題獲得“軟件方法建模師”稱號 《軟件方法》各章合集 在本賬號CSDN資源下載,或者訪問鏈接: http://www.umlchina.com/url/quizad.html 如果需要提取碼:umlc 文件夾中的“300道軟件方法強化自測題2025…

std__map,std__unordered_map,protobuf__map之間的性能比較

簡單比較下 std::map、std::unordered_map 和 protobuf::Map 的性能,主要關注在 插入、查找 和 刪除 操作上的效率以及內存管理的差異。 std::map 底層實現:std::map 使用紅黑樹作為底層數據結構,紅黑樹是一種平衡二叉查找樹的變體結構&…

文檔處理組件Aspose.Words 25.5全新發布 :六大新功能與性能深度優化

在數字化辦公日益普及的今天,文檔處理的效率與質量直接影響到企業的運營效率。Aspose.Words 作為業界領先的文檔處理控件,其最新發布的 25.5 版本帶來了六大新功能和多項性能優化,旨在為開發者和企業用戶提供更強大、高效的文檔處理能力。 六…

Three.js + Vue3 加載GLB模型項目代碼詳解

本說明結合 src/App.vue 代碼,詳細解釋如何在 Vue3 項目中用 three.js 加載并顯示 glb 模型。 1. 依賴與插件導入 import {onMounted, onUnmounted } from vue import * as THREE from three import Stats from stats.js import {OrbitControls } from three/examples/jsm/co…

Flutter如何支持原生View

在 Flutter 中集成原生 View(如 Android 的 SurfaceView、iOS 的 WKWebView)是通過 平臺視圖(Platform View) 實現的。這一機制允許在 Flutter UI 中嵌入原生組件,解決了某些場景下 Flutter 自身渲染能力的不足&#x…

vue-11(命名路由和命名視圖)

命名路由和命名視圖 命名路由和命名視圖提供了組織和導航 Vue.js 應用程序的強大方法,尤其是在它們的復雜性增加時。它們提供了一種語義更合理、可維護的路由方法,使您的代碼更易于理解和修改。命名路由允許您按名稱引用路由,而不是依賴 URL…

微軟認證考試科目眾多?該如何選擇?

在云計算、人工智能、數據分析等技術快速發展的今天,微軟認證(Microsoft Certification)已成為IT從業者、開發者、數據分析師提升競爭力的重要憑證。但面對眾多考試科目,很多人不知道如何選擇。本文將詳細介紹微軟認證的考試方向、…

視頻匯聚平臺EasyCVR“明廚亮灶”方案筑牢旅游景區餐飲安全品質防線

一、背景分析? 1)政策監管剛性需求?:國家食品安全戰略及 2024年《關于深化智慧城市發展的指導意見》要求構建智慧餐飲場景,推動數字化監管。多地將“AI明廚亮灶”納入十四五規劃考核,要求餐飲單位操作可視化并具備風險預警能力…

Mysql莫名奇妙重啟

收到客戶反饋有時接口報504,查看應用日志發現故障期間數據庫連接失敗 com.mysql.cj.jdbc.exceptions.CommunicationsException: Communications link failureThe last packet sent successfully to the server was 0 milliseconds ago. The driver has not receive…

半監督學習:低密度分離假設 (Low-Density Separation Assumption)

半監督學習(SSL)的目標是借助未標記數據輔助訓練,以期獲得比僅用帶標簽的監督學習范式更好的效果。但是,SSL的前提是數據分布需滿足某些假設。否則,SSL可能無法提升監督學習的效果,甚至會因誤導性推斷降低預測準確性。 半監督學習…

Python Day44

Task: 1.預訓練的概念 2.常見的分類預訓練模型 3.圖像預訓練模型的發展史 4.預訓練的策略 5.預訓練代碼實戰:resnet18 1. 預訓練的概念 預訓練(Pre-training)是指在大規模數據集上,先訓練模型以學習通用的特征表示&am…

vue3 eslint ts 關閉多單詞命名檢查

無效做法 import { globalIgnores } from eslint/config import {defineConfigWithVueTs,vueTsConfigs, } from vue/eslint-config-typescript import pluginVue from eslint-plugin-vue import skipFormatting from vue/eslint-config-prettier/skip-formatting// To allow m…

貪心,回溯,動態規劃

1.貪心算法 ? 貪心算法是一種在每一步選擇中都采取在當前狀態下最好或最優的選擇,從而希望全局最好或是最優的算法。 特點 局部最優選擇不能保證全局最優高效 適用條件 局部最優可以導致全局最優問題的最優解包含子問題的最優解 經典問題 活動選擇問題最短路徑最…

【Netty4核心原理⑧】【揭開Bootstrap的神秘面紗 - 服務端Bootstrap?】

文章目錄 一、前言二、流程分析1. 創建 EventLoopGroup2. 指定 Channel 類型2.1 Channel 的創建2.2 Channel 的初始化 3. 配置自定義的業務處理器 Handler3.1 ServerBootstrap#childHandler3.2 handler 與 childHandler 的區別 4. 綁定端口服務啟動 三、bossGroup 與 workerGro…