用4种不同视角理解矩阵乘法

目录

1. 背景

2. 线性方程组视角(向量点积视角)

3. 列向量观点视角

4. 向量变换视角(矩阵函数)

5. 坐标变换视角


1. 背景

        矩阵诞生于线性方程组的求解,最基本的运算方法来自于高斯消元法,所以矩阵整个运算规则都符合高斯消元法,矩阵源于线性方程组但经过几十年的发展已不限于求解线性方程组,可用于很多应用场景,线性方程组如下所示:

a_{11}x_1+a_{12}x_2+···+a_{1n}x_n=y_1\\ a_{21}x_1+a_{22}x_2+···+a_{2n}x_n=y_2\\ ···\\ a_{m1}x_1+a_{m2}x_2+···+a_{mn}x_n=y_m

2. 线性方程组视角(向量点积视角)

        将线性方程组直接写成向量形式,如下所示:

\begin{pmatrix} a_{11}x_1 + a_{12}x_2 + ··· + a_{1n}x_n\\ a_{21}x_1 + a_{22}x_2 + ··· + a_{2n}x_n\\ ···\\ a_{m1}x_1+a_{m2}x_2+···+a_{mn}x_n \\ \end{pmatrix}= \begin{pmatrix} y_1\\ y_2\\ ···\\ y_m \end{pmatrix}

        可以认为是矩阵的行向量与向量x的点积(矩阵的行乘以向量的列),如下:

\begin{pmatrix} a_{11}&a_{12}&···&a_{1n}\\ a_{21}&a_{22}&···&a_{2n}\\ ···\\ a_{m1}&a_{m2}&···&a_{mn} \\ \end{pmatrix} \begin{pmatrix} x_1\\x_2\\···\\x_n \end{pmatrix}= \begin{pmatrix} y_1\\ y_2\\ ···\\ y_m \end{pmatrix}

3. 列向量观点视角

        对于Ax=y

\begin{pmatrix} a_{11}x_1 + a_{12}x_2 + ··· + a_{1n}x_n\\ a_{21}x_1 + a_{22}x_2 + ··· + a_{2n}x_n\\ ···\\ a_{m1}x_1+a_{m2}x_2+···+a_{mn}x_n \\ \end{pmatrix}= \begin{pmatrix} y_1\\ y_2\\ ···\\ y_m \end{pmatrix}

        可以分解成:

\begin{pmatrix} a_{11}\\ a_{21}\\ ···\\ a_{m1}\\ \end{pmatrix}x_1+\begin{pmatrix} a_{12}\\ a_{22}\\ ···\\ a_{m2}\\ \end{pmatrix}x_2+\begin{pmatrix} ···\\ ···\\ ···\\ ···\\ \end{pmatrix}x_{...}+\begin{pmatrix} a_{1n}\\ a_{2n}\\ ···\\ a_{mn}\\ \end{pmatrix}x_n = \begin{pmatrix} y_1\\ y_2\\ ···\\ y_m \end{pmatrix}

        上述就表示向量y是否能由向量a线性组合得到,只要向量y位于向量a张成的向量空间内,那么向量y一定能由向量a线性组合得到,即一定能找到一组x使得上式必然成立。

4. 向量变换视角(矩阵函数)

        对于Ax=y,在矩阵作用向量x经过拉伸、旋转操作变成了向量y,写成函数形式如下:

f(x)=Ax

        矩阵乘法𝐴𝑥 可以理解为矩阵A 作为一个线性变换函数,将输入向量𝑥映射到一个新的向量 𝐴𝑥, 对于一个 m×n 的矩阵 A,定义域是所有 n维向量的集合,即\mathbb{R}^n;而值域可以从矩阵乘法的列观点视角,那么值域\mathbb{R}^m

        通过矩阵函数可研究在矩阵作用下,可研究定义域与值域的映射关系,如A是一个m*n的矩阵,x是一个n维向量,那么值域可认为是由A的n个列向量张成的空间,张成的空间的维数等于列向量组的秩(小于等于n),即值域的维数一定是小于等于定义域的维数。通过函数视角可研究在矩阵A有什么特征下定义域x与值域y的关系(满射特性/单射特性)。

5. 坐标变换视角

        对于同一个向量在不同基(即为不同坐标系)下有不同的坐标值,虽然坐标值不同但可以表达同一向量,即它们的方向和长度一样,对于矩阵向量的乘法可以认为是同一个向量在不同的坐标系的的表达,当然就可以从正向变换与逆向变换两个角度去理解矩阵乘法。

        对于Ax=y可以有两个坐标变换的视角,一个视角是向量x自然基坐标,另外一个是非自然基坐标。对于向量x为非自然基坐标,向量y为自然基坐标,向量x可以理解为以矩阵A的列向量为基的非自然坐标系坐标,那个Ax运算即为将向量x转换到到自然系的向量y的坐标

Ax=\begin{pmatrix} a_{11}\\ a_{21}\\ ···\\ a_{m1}\\ \end{pmatrix}x_1+\begin{pmatrix} a_{12}\\ a_{22}\\ ···\\ a_{m2}\\ \end{pmatrix}x_2+\begin{pmatrix} ···\\ ···\\ ···\\ ···\\ \end{pmatrix}x_{...}+\begin{pmatrix} a_{1n}\\ a_{2n}\\ ···\\ a_{mn}\\ \end{pmatrix}x_n

        坐标变换的另外一个角度是认为x是自然基坐标系,即:

x=\begin{pmatrix}x_1 \\x2\\···\\x_n\end{pmatrix}= E*\begin{pmatrix}x_1 \\x2\\···\\x_n\end{pmatrix}= x_1\begin{pmatrix}1\\0\\···\\0\end{pmatrix}+ x_2\begin{pmatrix}0\\1\\···\\0\end{pmatrix}+ ···+ x_n\begin{pmatrix}0\\0\\···\\1\end{pmatrix}\\ \ \\=x_1e_1+x_2e_2+···+x_3e_3

        从Ax视角观察并不直观观察到坐标变换规律,可以将其做一个简单的变形:

Ax=y\ \rightarrow \ x=A^{-1}y

        上式中x是自然基坐标系,y是非自然基坐标系,Ax就将自然基坐标转换成以A^{-1}的列向量为基坐标系的坐标。

        矩阵向量乘法Ax=y,一定情况下可以认为向量x与向量y为同一向量,仅仅是坐标系不一样,这里“一定情况下”这里是指A为满秩矩阵,但A非满秩矩阵就可能降维情况。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/408593.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Linux 离线安装docker和docker-compose

前言 公司有 docker 和 docker-compose 离线包安装部署的需求,本文应运而生撰写时间:2024-06-07(初稿) 1 应用版本 docker:20.10.7, build f0df350docker-compose:1.25.1 2 物料准备 服务器账号/密码d…

[数据集][目标检测]电力场景输电线防震锤检测数据集VOC+YOLO格式2721张2类别

数据集格式:Pascal VOC格式YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2721 标注数量(xml文件个数):2721 标注数量(txt文件个数):2721 标注…

《javaEE篇》--线程池

线程池是什么 线程的诞生是因为进程创建和销毁的成本太大,但是也是相对而言,如果频繁的创建和销毁线程那么这个成本就不能忽略了。 一般有两种方法来进一步提高效率,一种是协程(这里不多做讨论),另一种就是线程池 假如说有一个学校食堂窗口…

智能控制,高效节能。ZLG致远电子能源智慧管理解决方案

面对楼宇及建筑群能源管理与设备控制的复杂需求,ZLG致远电子推出了一套能源智慧管理解决方案。该方案集设备管理、任务调度和数据可视化于一体,不仅实现数据的实时监控与分析,还助力系统节能降耗。 ZLG致远电子能源智慧管理解决方案 在ZLG致…

ShareSDK 企业微信

本篇文档主要讲解如何使用企业微信并进行分享和授权。 创建应用 登录企业微信并通过企业认证。选择应用管理 > 应用 >创建应用。编辑应用信息。配置授权登录信息。 以下为创建过程示例,图中信息仅为示例,创建时请按照真实信息填写,否…

如何查看ubuntu版本

在当前的技术环境中,了解操作系统的具体版本对于用户来说至关重要。这不仅能确保软件兼容性,还有助于进行系统管理和故障排查。对于使用Ubuntu系统的用户来说,有几种不同的方法可以查看当前系统的版本。下面将详细介绍如何查看您的Ubuntu系统…

Spring Boot(快速上手)

Spring Boot 零、环境配置 1. 创建项目 2. 热部署 添加依赖&#xff1a; <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-devtools</artifactId><optional>true</optional> </dependency&…

polarctf靶场[WEB]cookie欺骗、upload、签到

[web]cookie欺骗 考点&#xff1a;cookie值 工具&#xff1a;Burp Suite抓包 根据题目提示&#xff0c;cookie欺骗&#xff0c;所以要在cookie值寻找关键 进入网页之后&#xff0c;说只有admin用户才能得到flag&#xff0c;而我们此时只属于普通访客 我们查看cookie值&…

「Python程序设计」基本数据类型:字符串

​在python的程序设计过程中&#xff0c;字符串是需要经常处理的变量类型。字符串在程序中的存储方式&#xff0c;类似于一维数组&#xff0c;每个字符占据数组中的一个单元格。 字符串可以存储字符类型的变量&#xff0c;即使是数字类型&#xff0c;也可以通过字符串来进行存…

vue3+vite配置环境变量实现开发、测试、生产的区分

文章目录 一、为什么需要区分 (dev)、测试 (test) 和生产 (prod) 环境二、vue3的项目如何通过配置方式区分不同的环境1、创建不同环境的.env文件2、在不同的.env文件中配置相应的环境变量1&#xff09;.env.develoment2&#xff09;.env.test3&#xff09;.env.production 3、在…

Git之git stash高级用法(五十)

简介&#xff1a; CSDN博客专家&#xff0c;专注Android/Linux系统&#xff0c;分享多mic语音方案、音视频、编解码等技术&#xff0c;与大家一起成长&#xff01; 新书发布&#xff1a;《Android系统多媒体进阶实战》&#x1f680; 优质专栏&#xff1a; Audio工程师进阶系列…

Tomcat 部署与优化

目录 tomcat 简介 tomcat 构件 1. Web 容器 2. Servlet 容器 3.Jsp容器 tomcat 核心组件 Connector Container Service 子容器 总结 tomcat 部署 tomcat请求过程 tomcat部署 tomcat 优化 tomcat配置文件参数优化 JVM优化 tomcat 简介 提到Tomcat 就想到 java&a…

RISC-V vector(1) --- vector的引入与register说明

Vector相较于SIMD的优势 这两种实现方案&#xff0c;都是为了实现数据级并行性&#xff08;存在大量的数据可供程序同时计算&#xff09;&#xff1b; SIMD&#xff08;Single Instruction Multiple Data&#xff09; SIMD是将数据宽度和操作类型&#xff0c;都放在了指令中&a…

http应用层协议

一、万维网 用来存放各种资源的网络。 1、如何在万维网中表示一个资源 ? url ——统一资源定位符&#xff1b; 形式&#xff1a; <协议>://<主机>:<端口>/<路径>&#xff1b; <主机>:<端口>/<路径> //表示了资源所在的…

这个TOP 100 AI应用榜单,包含了所有你需要的使用场景(一)

大家好&#xff0c;我是木易&#xff0c;一个持续关注AI领域的互联网技术产品经理&#xff0c;国内Top2本科&#xff0c;美国Top10 CS研究生&#xff0c;MBA。我坚信AI是普通人变强的“外挂”&#xff0c;专注于分享AI全维度知识&#xff0c;包括但不限于AI科普&#xff0c;AI工…

【Unity3D小技巧】Unity3D中实现FPS数值显示功能实现

推荐阅读 CSDN主页GitHub开源地址Unity3D插件分享简书地址QQ群&#xff1a;398291828 大家好&#xff0c;我是佛系工程师☆恬静的小魔龙☆&#xff0c;不定时更新Unity开发技巧&#xff0c;觉得有用记得一键三连哦。 一、前言 很简单也很使用的小技巧&#xff0c;就是在Unity…

【系统分析师】-综合知识-计算机系统基础

1、流水线的吞吐率是指流水线在单位时间里所完成的任务数或输出的结果数。设某流水线有 5 段&#xff0c;有 1 段的时间为 2ns &#xff0c;另外 4 段的每段时间为 1ns&#xff0c;利用此流水线完成 100 个任务的吞吐率约为&#xff08;16&#xff09;个/s 。 2、矢量图像通过使…

[NeurIPS 2024] Self-Refine: Iterative Refinement with Self-Feedback

Contents TL;DRReferences TL;DR 通过让 LLM 生成 feedback 不断 refine 自身的回答&#xff0c;可以提升回答效果&#xff0c;但也会带来不可忽视的推理开销 References Madaan, Aman, et al. “Self-refine: Iterative refinement with self-feedback.” Advances in Neura…

广州网站制作seo优化技巧

随着互联网的迅速发展&#xff0c;越来越多的企业意识到网站对于品牌推广和销售的重要性。而在众多网站中&#xff0c;如何让自己的站点脱颖而出&#xff0c;是每个网站管理员和SEO从业者必须面对的挑战。特别是对于广州这样一个经济繁荣、竞争激烈的城市&#xff0c;网站制作和…

基于R语言进行AMMI分析2

接续上文【基于R语言进行AMMI分析1】 1、AMMI()函数的结果解读 # 加载agricolae包 library(agricolae) # 加载数据 data(plrv) # 查看数据 head(plrv) model<-with(plrv,AMMI(Locality,Genotype,Rep,Yield,PCTRUE)) # 查看方差分析结果 model$ANOVA # 查看主成分的方差分析…