Erfassen Sie lineare Algebra-Bilder mit Python (Translokation, inverse Matrix, Produkt von Matrizen)

Über den vorherigen Beitrag

Da ich beim letzten Mal zu elementar war, möchte ich als nächstes die Warteschlangentypen bis zu einem gewissen Grad auflisten. Ich denke, dass sich die Richtung ändern wird, aber wir werden die Flugbahn auf dem Weg korrigieren. Ich werde mein Bestes geben. In diesem Artikel gibt es einige Wörter, die ich im Vergleich zum letzten Mal nicht kenne. Nehmen Sie sich also bitte einen Moment Zeit. Siehe andere Artikel für keine Erklärung.

Translokationsmatrix

Als konkretes Beispiel eine 2x2 Matrix

\begin{pmatrix}
1 & 1 \\
0 & 3 
\end{pmatrix}

Eine Matrix, in der die Komponenten diagonal gefaltet sind, wird als transponierte Matrix bezeichnet.

\begin{pmatrix}
1 & 0 \\
1& 3 
\end{pmatrix}

Etwas wie das. Das Bild ist. jetzt

import numpy as np
A = np.array([1, 1],
             [0,3])

C = A.T
print(C)

Ist es so

Merkmale der Translokationsmatrix

Für jeden Vektor A, B,

(A+B)^T=A^T+B^T\\
(AB)^T=B^TA^T\\(A^T)^T=A

Es ist geworden. Bitte rechnen Sie tatsächlich. Es gibt noch eine Formel. ..

Matrix Produkt

Sie haben das Produkt der Matrix nicht erklärt. Für zwei beliebige Matrizen A, B.

\vec{A}=\begin{pmatrix}
a& b \\
c& d 
\end{pmatrix}

\vec{B}=\begin{pmatrix}
e& f \\
g& h 
\end{pmatrix}

Wenn ja, ist das Produkt der Matrix


\vec{AB}=\begin{pmatrix}
a& b \\
c& d 
\end{pmatrix}\begin{pmatrix}
e& f \\
g& h 
\end{pmatrix}=\begin{pmatrix}
ae+bg& af+bh \\
ce+dg& cf+hd 
\end{pmatrix}

Es wird sein. Es ist so. Es ist wie viermal vertikal x horizontal. Es kann schwierig sein, es in Worten zu verstehen. Schauen Sie sich also bitte diese Seite an. https://mathwords.net/gyouretsuseki


import numpy as np
 
#Definieren Sie die Matrix A.
A=np.matrix([
    [1,1],
    [0,3]
        
])
 
#Definieren Sie die Matrix B.
B=np.matrix([ 
    [1,0],
    [1,3]
])
 
#Matrixprodukt (Produkt von A und B)
C=np.dot(A,B)
 
print("Matrixprodukt C.")
print(C)

Inverse Matrix

Es scheint, dass es eine Methode zum Auffinden der inversen Matrix gab, wie Saras, Cofaktorexpansion oder Sweeping-Methode. Dieses Mal werde ich die 2x2-Cofaktor-Erweiterung vorstellen.

\vec{A}=\begin{pmatrix}
1 & 1 \\
0 & 3 
\end{pmatrix}

Angenommen, es gibt eine Zeile von. Verwenden Sie die Saras-Formel, um die Matrixformel zu finden

\begin{vmatrix}
1 & 1 \\
0 & 3
\end{vmatrix}=(1×3)-(1×0)=3=det(A)

Wird sein. Aus dieser Matrixgleichung wird nach dem Erweitern des Cofaktors A transponiert und der Wert der Matrixgleichung geteilt, um den Wert der inversen Matrix zu erhalten. Wenn ich tatsächlich rechne


A^{-1}=\frac{1}{det(A)}A^{\sim}


A^{\sim}=\begin{pmatrix}
3 & 1 \\
0 &-1 
\end{pmatrix}\\

A^{-1}=\frac{1}{3}\begin{pmatrix}
3 & 1 \\
0 &-1 
\end{pmatrix}


Inverser Code

import numpy as np
 
#Definieren Sie die Matrix A.
A=np.matrix([
    [1,1],
    [0,3]
        
])
 
#Definieren Sie die Matrix B.
B=np.matrix([ 
    [1,0],
    [1,3]
])
 
#Matrixprodukt (Produkt von A und B)
C=np.dot(A,B)
D=np.linalg.inv(A)
print("Matrixprodukt C.")
print(C)
print(D)

Wird sein. Ich werde die Cofaktor-Erweiterung später erklären. Es ist auf halbem Weg geworden. Das nächste Mal möchte ich eine grobe Erklärung der linearen Unabhängigkeit, der linearen Abhängigkeit, der Cofaktoren und der Sweeping-Methoden geben.

Impressionen

Lineare Algebra scheint ein interessantes Thema zu sein, wenn es extrem gut ist. Ich weiß eigentlich, wie es geht, aber ich verstehe den Beweis überhaupt nicht, oder es scheint, dass ich aufgrund eines Berechnungsproblems eine Einheit bekommen habe. Es ist traurig, dass ich in meinem ersten Studienjahr eigentlich nichts gelernt habe. Es ist erfrischend, sich daran zu erinnern, dass ich den Artikel so geschrieben habe. Ich habe völlig vergessen, wie man die Cofaktoren erweitert. Das ist nicht gut, also werde ich weitermachen.

Warum ist der Artikel über partielle Differenzierung so beliebt, um die Geschichte zu ändern? Ich möchte, dass Sie den Artikel über das Brechen von Blöcken lesen, der ungefähr fünfmal so lange dauert, um diesen Artikel zu erstellen.

Nachtrag

Möglicherweise wissen Sie nicht, was Sie tun, da alle Artikel zu halb fertig sind. Hier möchte ich den vorherigen Artikel überarbeiten und dann erneut einen neuen Artikel veröffentlichen. Zum Beispiel habe ich keine grundlegendere Erklärung für die Cofaktorexpansion hinzugefügt, was eine Matrix ist, und ich denke, dass mein Mangel an Wissen ziemlich offengelegt ist. Selbst wenn Sie es korrigieren, werden Sie einen Fehler machen. Bitte weisen Sie mit kalten Augen darauf hin.

Recommended Posts

Erfassen Sie lineare Algebra-Bilder mit Python (Translokation, inverse Matrix, Produkt von Matrizen)
Einheitsmatrix und inverse Matrix: Lineare Algebra in Python <4>
Inneres Produkt und Vektor: Lineare Algebra in Python <2>
Matrixberechnung und lineare Gleichungen: Lineare Algebra in Python <3>
Echte Werte und Eigenvektoren: Lineare Algebra in Python <7>
Suchen und überprüfen Sie die inverse Matrix in Python
Lineare Unabhängigkeit und Basis: Lineare Algebra in Python <6>
Einführung in Vektoren: Lineare Algebra in Python <1>
Lineare Suche in Python
Einführung in die lineare Algebra mit Python: A = LU-Zerlegung
Base64-Codierung von Bildern in Python 3
Matrixprodukt in Python numpy
Transmutationsmatrix im Python-Standard
Erste Computerphysik: Quantenmechanik und lineare Algebra mit Python.
Online lineare Regression in Python
Zahlenerkennung in Bildern mit Python
Verschieben von CSV-Dateien mit Python Teil 1
So sammeln Sie Bilder in Python
Zeichnen Sie eine Streudiagrammmatrix mit Python
Extrahieren Sie mit Python Text aus Bildern
Gesamtleistung in Python (mit Funktools)
Arbeiten mit DICOM-Bildern in Python
Lineare Regression in Python (Statmodelle, Scikit-Learn, PyMC3)
Projekt Euler # 11 "Maximales Produkt im Raster" in Python
[Python] [Windows] Machen Sie eine Bildschirmaufnahme mit Python
Laden Sie Bilder von der URL-Liste in Python herunter
Vergleich der Matrixtranspositionsgeschwindigkeit durch Python
Entfernen Sie DICOM-Bilder in Python
Lesen von Zeichen in Bildern mit Python OCR