1.Introduction
在上一节,已经引入了矩阵A和我们要面临的第一个问题Ax=b。
2.高斯消元法
2.1计算方法
假设Ax=b是下面的形式
⎣⎡130284111⎦⎤⎣⎡xyz⎦⎤=⎣⎡21222⎦⎤(2.1)
通过行之间的相减,或者互换,化成阶梯形式(echelon form),这里引入了增广矩阵
⎣⎡130284111∣∣∣21222⎦⎤→⎣⎡1002201−25∣∣∣2610⎦⎤(2.2)
将化简后的增广矩阵回代。
2.2思考
高斯消元法的思想比较简单,有很多工作还需要做。
1)化简的步骤能否用矩阵形式表示,这些矩阵有什么特点?
2)
3.高斯消元法中的变换矩阵
3.1row 互换
因为是行操作,采用左乘,用基向量的角度理解,(i, j)基向量发生了互换(j, i),假设i=1,j=2.
这种矩阵有个特殊的名称,置换矩阵,是对称矩阵,ATA=I,AT=A−1
⎣⎡010100001⎦⎤
形象的理解,新的row1,只要之前的第二行了;新的row2只要之前的第一行了,新的row是置换矩阵中的系数乘以A矩阵中对应的行。
3.2row消去
同样采用上面的理解方式,新的一行需要减掉那一行就减掉。例如:第二行减掉3倍的第一行
⎣⎡1−30010001⎦⎤(3.1)
3.3小节
这两个矩阵很显然都是可以逆操作的,也就是所上面两个转换矩阵A都可以逆转成I,两个都是可逆矩阵。
3.4可逆矩阵
高斯消元法中出现的两种特殊的矩阵都可以逆转成I,同时我们知道其他的矩阵和这两种矩阵一样,也是对基向量的线性变换,那么普通的矩阵是否可逆?如何判断可逆?
参考3blue1brown的视频,如果变换后维度发生了降低,这才是不可逆的。
(补充一点:信息压缩一样,如果某些维度丢失了,才是有损压缩,才是不可逆的)
4.解集
4.1解的数量
4.1.1几何上理解
- 以A2x2举例,当转换矩阵A不会降低column space的维度,根据线性变换规则,x只有一个解
如果转换矩阵A会降低向量空间的维度,则如果output vector v在矩阵的低维度空间中,有无数解,如果不在则没有解。
4.2 引入column space 和 null space
- vector space
简单的理解:向量空间是:向量构成的集合,这里的任意一个向量在进行数乘和叠加之后仍在这个空间中。
向量空间必须包括零向量。
- column space
按照矩阵是中线性变换的角度去理解,矩阵改变了原坐标系下的基向量,获得了新的坐标系,span出了新的空间,称为column space,这个space是有维度的,用rank(A)表示。
w=x1∗acol1+x2∗acol2+...+xn∗acoln
- null space
如图,经过变换之后整个整个平面对应的input vectorx都会被压缩成零。这些特殊的input vector span出的向量子空间是null space。
数学形式表示: Ax=0,也就是说columnspace和nullspace是正交的
null space其中一个作用是,对于求解Ax=b的问题,只要求出一个特殊解x,加上nullspace就是实际结果。
4.2求解Ax=b
求解的方法,在前面也说了,主要是通过高斯消去法,然后回代。在我们回代的时候会遇到无穷个解的情况,以Ax=0这种情况为例。
⎣⎡1232462682810⎦⎤→⎣⎡100200220240⎦⎤→⎣⎡100200010−220⎦⎤=R(4.1)
R 是reduced rechelon form, 公式(4.1)中第1,3列是pivot column, 2,4称为free columns.
在回代的过程中,因为有4个未知量,2个方程,一般的解题思想,将free variable x2,x4当成已知量。
方程的解为
x=⎣⎢⎢⎡−2x2+2x4x2−2x4x4⎦⎥⎥⎤
这里有两个free variable,我们知道他们组成了null space,为了更简便的表示这个null space,选择基向量
x1=⎣⎢⎢⎡−2100⎦⎥⎥⎤x2=⎣⎢⎢⎡20−21⎦⎥⎥⎤(4.2)
注意观察一下方程(4.1)和方程(4.2),结果有很大的相似性,原因是:
在进行操作之前先将矩阵A,第2列和第3列进行互换(右乘操作),经过高斯消去法,得到
R=[I0F0]
null space 的结果则为
N(A)=[−FI]
因为R∗N=0
4.3 求解A−1
4.3.1高斯若尔当方法
在求解之前搞清楚是否可逆,本质上就是搞清楚,转换矩阵column space的维度,也就是rank(A),
可以采用行列式(determination,只知道有没有发生降维,并不知道降成了几维)去做,或者还是用高斯消去法。
注意:求逆解只在方阵中
采用的高斯若尔当方法:
思路:
A−1A→A−1I
如果能将左边转换成单位阵,那么右边就是逆解。
5.高斯消去法和LU分解
5.1消去操作对应矩阵的逆
以方程(3.1)为例,该矩阵的逆为:
⎣⎡130010001⎦⎤(3.1)
特点是消去矩阵和它的逆矩阵都是下三角矩阵:即为L形矩阵
有EA=U,A=E−1U,即A=LU