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.
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
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. ..
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)
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}
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.
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.
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.