线性代数的本质(二)——线性变换与矩阵

文章目录

  • 线性变换与矩阵
    • 线性变换与二阶方阵
    • 常见的线性变换
    • 复合变换与矩阵乘法
    • 矩阵的定义
    • 列空间与基
    • 矩阵的秩
    • 逆变换与逆矩阵

线性变换与矩阵

线性变换与二阶方阵

本节从二维平面出发学习线性代数。通常选用平面坐标系 O x y Oxy Oxy ,基向量为 i , j \mathbf i,\ \mathbf j i, j,平面内的任意向量都可以写成基向量的线性组合
v = x i + y j \mathbf v=x\mathbf i+y\mathbf j v=xi+yj
这样,平面内的点和有序实数对 ( x , y ) (x,y) (x,y) 一一对应。借助平面坐标系,我们可以从代数的角度来研究几何变换。

请添加图片描述

变换与函数类似,函数把数映射到数,变换把点(向量)映射到点(向量)。
T : v ↦ T ( v ) T:\quad \mathbf v\mapsto T(\mathbf v) T:v↦T(v)

例如,(1) 平面内任意一点 P ( x , y ) P(x,y) P(x,y) 绕原点 O O O 逆时针方向旋转 60 ° 60\degree 60° 角得到点 P ′ ( x ′ , y ′ ) P'(x',y') P′(x′,y′),坐标变换公式为
{ x ′ = 1 2 x − 3 2 y y ′ = 3 2 x + 1 2 y \begin{cases} x'=\frac{1}{2}x-\frac{\sqrt 3}{2}y \\ y'=\frac{\sqrt 3}{2}x+\frac{1}{2}y \end{cases} {x′=21​x−23 ​​yy′=23 ​​x+21​y​
可写为向量形式
[ x ′ y ′ ] = x [ 1 2 3 2 ] + y [ − 3 2 1 2 ] \begin{bmatrix}x'\\y'\end{bmatrix}= x\begin{bmatrix}\frac{1}{2}\\\frac{\sqrt 3}{2}\end{bmatrix}+ y\begin{bmatrix}-\frac{\sqrt 3}{2}\\\frac{1}{2}\end{bmatrix} [x′y′​]=x[21​23 ​​​]+y[−23 ​​21​​]

(2) 平面内任意一点 P ( x , y ) P(x,y) P(x,y) 关于 y y y 轴的对称点 P ′ ( x ′ , y ′ ) P'(x',y') P′(x′,y′)的表达式为
{ x ′ = − x y ′ = y \begin{cases} x'=-x \\ y'=y \end{cases} {x′=−xy′=y​
可写为向量形式
[ x ′ y ′ ] = x [ − 1 0 ] + y [ 0 1 ] \begin{bmatrix}x'\\y'\end{bmatrix}= x\begin{bmatrix}-1\\0\end{bmatrix}+ y\begin{bmatrix}0\\1\end{bmatrix} [x′y′​]=x[−10​]+y[01​]

事实上,在平面坐标系 O x y Oxy Oxy 中,很多几何变换都具有如下坐标变换公式
{ x ′ = a x + b y y ′ = c x + d y \begin{cases} x'=ax+by \\ y'=cx+dy \end{cases} {x′=ax+byy′=cx+dy​
向量形式为
[ x ′ y ′ ] = x [ a c ] + y [ b d ] \begin{bmatrix}x'\\y'\end{bmatrix}= x\begin{bmatrix}a\\c\end{bmatrix}+ y\begin{bmatrix}b\\d\end{bmatrix} [x′y′​]=x[ac​]+y[bd​]
其中 ( x ′ , y ′ ) (x',y') (x′,y′)为平面内任意一点 ( x , y ) (x,y) (x,y) 变换后的点。我们把形如上式的几何变换叫做平面线性变换。

容易证明,线性变换满足下列两条性质

(1) 可加性: T ( v + w ) = T ( v ) + T ( w ) T(\mathbf v+\mathbf w)=T(\mathbf v)+T(\mathbf w) T(v+w)=T(v)+T(w)
(2) 伸缩性: T ( c v ) = c L ( v ) T(c\mathbf v)=cL(\mathbf v) T(cv)=cL(v)

事实上,这两条性质才是线性变换的严格定义。

请添加图片描述

为了进一步了解线性变换的本质,取任意向量 v = x i + y j \mathbf v=x\mathbf i+y\mathbf j v=xi+yj ,在线性变换 T T T 的作用下
T ( v ) = T ( x i + y j ) = x T ( i ) + y T ( j ) T(\mathbf v)=T(x\mathbf i+y\mathbf j)=xT(\mathbf i)+yT(\mathbf j) T(v)=T(xi+yj)=xT(i)+yT(j)
可知,变换后的向量 T ( v ) T(\mathbf v) T(v) 由变换后的基向量以同样的系数完全确定。设变换后的基向量分别为
T ( i ) = a i + c j = [ a c ] , T ( j ) = b i + d j = [ b d ] T(\mathbf i)=a\mathbf i+c\mathbf j=\begin{bmatrix}a\\c\end{bmatrix},\quad T(\mathbf j)=b\mathbf i+d\mathbf j=\begin{bmatrix}b\\d\end{bmatrix} T(i)=ai+cj=[ac​],T(j)=bi+dj=[bd​]

注意:本章线性变换中的坐标始终使用最初的 O x y Oxy Oxy 坐标系。

于是,线性变换 T : v ↦ T ( v ) T:\mathbf v\mapsto T(\mathbf v) T:v↦T(v) 对应的坐标运算为
[ x ′ y ′ ] = x [ a c ] + y [ b d ] \begin{bmatrix}x'\\y'\end{bmatrix}= x\begin{bmatrix}a\\c\end{bmatrix}+ y\begin{bmatrix}b\\d\end{bmatrix} [x′y′​]=x[ac​]+y[bd​]
由于上述变换由变换后的基向量唯一确定,我们可以按顺序写为数表的形式

在这里插入图片描述

我们把这个数表称为二阶矩阵,一般用大写英文字母表示。变换后的向量则定义为矩阵与向量的乘积
[ a b c d ] [ x y ] = x [ a c ] + y [ b d ] = [ a x + b y c x + d y ] \begin{bmatrix}a & b\\c & d\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}= x\begin{bmatrix} a \\ c \end{bmatrix}+ y\begin{bmatrix} b \\ d \end{bmatrix}= \begin{bmatrix} ax+by \\ cx+dy \end{bmatrix} [ac​bd​][xy​]=x[ac​]+y[bd​]=[ax+bycx+dy​]
可知,矩阵代表一个特定的线性变换,我们完全可以把矩阵的列看作变换后的基向量,矩阵向量乘法就是将线性变换作用于给定向量。

Grant:矩阵最初的定义就来自线性变换。

至此,任何一个线性变换都可以写为矩阵与向量乘积的形式。反之,确定了坐标系后,任何一个矩阵都唯一确定了一个线性变换。矩阵和向量的乘积与线性变换实现了一一对应。

一般地,直线在线性变换后仍然保持直线。

在这里插入图片描述

证明:如图 l l l 为向量 w 1 , w 2 \mathbf w_1,\mathbf w_2 w1​,w2​ 终点所确定的直线, v \mathbf v v 为终点在直线 l l l 上的任意向量。
v = w 1 + λ ( w 2 − w 1 ) = ( 1 − λ ) w 1 + λ w 2 ( λ ∈ R ) \mathbf v=\mathbf w_1+\lambda(\mathbf w_2-\mathbf w_1)=(1-\lambda)\mathbf w_1+\lambda \mathbf w_2 \quad (\lambda\in\R) v=w1​+λ(w2​−w1​)=(1−λ)w1​+λw2​(λ∈R)
令 λ 1 + λ 2 = 1 \lambda_1+\lambda_2=1 λ1​+λ2​=1 则
v = λ 1 w 1 + λ 2 w 2 \mathbf v=\lambda_1 \mathbf w_1+\lambda_2 \mathbf w_2 v=λ1​w1​+λ2​w2​
这就是由向量 w 1 , w 2 \mathbf w_1,\mathbf w_2 w1​,w2​ 的终点所确定的直线的向量形式。由线性变换的基本性质可知,直线 l l l 在线性变换 A A A 的作用下变成
v ′ = A ( λ 1 w 1 + λ 2 w 2 ) = λ 1 A w 1 + λ 2 A w 2 \mathbf v'=A(\lambda_1 \mathbf w_1+\lambda_2 \mathbf w_2)=\lambda_1 A\mathbf w_1+\lambda_2 A\mathbf w_2 v′=A(λ1​w1​+λ2​w2​)=λ1​Aw1​+λ2​Aw2​
(1) 如果 A w 1 ≠ A w 2 A\mathbf w_1\neq A\mathbf w_2 Aw1​=Aw2​,那么 v ′ \mathbf v' v′ 表示由向量 A w 1 , A w 2 A\mathbf w_1,A\mathbf w_2 Aw1​,Aw2​ 的终点确定的直线。此时矩阵 A A A 对应的线性变换把直线变成直线;
(2) 如果 A w 1 = A w 2 A\mathbf w_1 = A\mathbf w_2 Aw1​=Aw2​,那么 λ 1 A w 1 + λ 2 A w 2 = A w 1 \lambda_1 A\mathbf w_1+\lambda_2 A\mathbf w_2=A\mathbf w_1 λ1​Aw1​+λ2​Aw2​=Aw1​ 。由于向量 A w 1 A\mathbf w_1 Aw1​ 的终点是一个确定的点,因而,矩阵 A A A 所对应的线性变换把直线 l l l 映射成了一个点 A w 1 A\mathbf w_1 Aw1​ 。

常见的线性变换

Grant:我们可以使用无限网格刻画二维空间所有点的变换。线性变换是操作空间的一种手段,它能够保持网格线平行且等距,并保持原点不动。

我们已经知道,在线性变换的作用下,直线仍然保持直线(或一个点)。为了方便,我们只考虑在平面直角坐标系内,单位正方形区域的线性变换。

根据向量加法的平行四边形法则,单位正方形区域可用向量形式表示为
[ x y ] = x i + y j ( 0 ⩽ x , y ⩽ 1 ) \begin{bmatrix}x\\y\end{bmatrix}=x\mathbf i+y\mathbf j \quad(0\leqslant x,y\leqslant 1) [xy​]=xi+yj(0⩽x,y⩽1)
由线性变换基本性质知,变换后的区域为
A [ x y ] = x ( A i ) + y ( A j ) ( 0 ⩽ x , y ⩽ 1 ) A\begin{bmatrix}x\\y\end{bmatrix}=x(A\mathbf i)+y(A\mathbf j) \quad(0\leqslant x,y\leqslant 1) A[xy​]=x(Ai)+y(Aj)(0⩽x,y⩽1)

表示以 A i , A j A\mathbf i,A\mathbf j Ai,Aj 为邻边的平行四边形区域。因此,我们只需考虑单位向量 i , j \mathbf i,\mathbf j i,j 在线性变换作用下的结果,就能得到单位正方形区域在线性变换作用下所变成的图形。

在这里插入图片描述

恒等变换:把平面内任意一点 P ( x , y ) P(x,y) P(x,y) 变成它本身,记为 I I I 。对应的矩阵称为单位阵
[ 1 0 0 1 ] \begin{bmatrix} 1 & 0\\ 0 & 1 \end{bmatrix} [10​01​]

旋转变换:(rotations)平面内任意一点 P ( x , y ) P(x,y) P(x,y) 绕原点 O O O按逆时针方向旋转 θ \theta θ 角,记为 R θ R_{\theta} Rθ​ 。对应的矩阵为
[ cos ⁡ θ − sin ⁡ θ sin ⁡ θ cos ⁡ θ ] \begin{bmatrix} \cos\theta & -\sin\theta\\ \sin\theta & \cos\theta \end{bmatrix} [cosθsinθ​−sinθcosθ​]

在这里插入图片描述

切变变换:(shears)平行于 x x x 轴的切变变换对应的矩阵为
[ 1 k 0 1 ] \begin{bmatrix} 1 & k\\ 0 & 1 \end{bmatrix} [10​k1​]
类似的,平行于 y y y 轴的切变变换对应的矩阵为
[ 1 0 k 1 ] \begin{bmatrix} 1 & 0\\ k & 1 \end{bmatrix} [1k​01​]

在这里插入图片描述

反射变换:(reflection)一般的我们把平面内任意一点 P ( x , y ) P(x,y) P(x,y) 关于直线 l l l 对称的线性变换叫做关于直线 l l l 的反射变换。

(1) 关于 y y y 轴的反射变换对应的矩阵为
[ − 1 0 0 1 ] \begin{bmatrix} -1 & 0\\ 0 & 1 \end{bmatrix} [−10​01​]
(2) 关于直线 y = x y=x y=x 的反射变换对应的矩阵为
[ 0 1 1 0 ] \begin{bmatrix} 0 & 1\\ 1 & 0 \end{bmatrix} [01​10​]
(3) 关于直线 y = k x y=kx y=kx 的反射变换对应的矩阵为
1 k 2 + 1 [ 1 − k 2 2 k 2 k k 2 − 1 ] \frac{1}{k^2+1}\begin{bmatrix} 1-k^2 & 2k\\ 2k & k^2-1 \end{bmatrix} k2+11​[1−k22k​2kk2−1​]

在这里插入图片描述

伸缩变换:(stretching)将每个点的横坐标变为原来的 k 1 k_1 k1​ 倍,纵坐标变为原来的 k 2 k_2 k2​ 倍,其中 k 1 , k 2 ≠ 0 k_1,k_2\neq0 k1​,k2​=0 。对应的矩阵为
[ k 1 0 0 k 2 ] \begin{bmatrix} k_1 & 0\\ 0 & k_2 \end{bmatrix} [k1​0​0k2​​]

在这里插入图片描述

投影变换:(projection)平面内任意一点 P ( x , y ) P(x,y) P(x,y) 在直线 l l l 的投影称为关于直线 l l l 的投影变换。

(1) 关于 x x x 轴的投影变换对应的矩阵为
[ 1 0 0 0 ] \begin{bmatrix} 1 & 0\\ 0 & 0 \end{bmatrix} [10​00​]
(2) 关于 y y y 轴的投影变换对应的矩阵为
[ 0 0 0 1 ] \begin{bmatrix} 0 & 0\\ 0 & 1 \end{bmatrix} [00​01​]
(3) 关于直线 y = k x y=kx y=kx 的投影变换对应的矩阵为
1 k 2 + 1 [ 1 k k k 2 ] \frac{1}{\sqrt{k^2+1}}\begin{bmatrix} 1 & k\\ k & k^2 \end{bmatrix} k2+1 ​1​[1k​kk2​]

在这里插入图片描述

平移变换:形如 ( x , y ) ↦ ( x + h , y + k ) (x,y)\mapsto (x+h,y+k) (x,y)↦(x+h,y+k) 的平移变换并不是线性变换,我们无法直接使用矩阵向量乘法。对此可以引入齐次坐标:平面内的每个点 ( x , y ) (x,y) (x,y) 都可以对应于空间中的点 ( x , y , 1 ) (x,y,1) (x,y,1) 。平移变换可以用齐次坐标写成变换 T : ( x , y , 1 ) ↦ ( x + h , y + k , 1 ) T:(x,y,1)\mapsto (x+h,y+k,1) T:(x,y,1)↦(x+h,y+k,1),对应的矩阵为
[ 1 0 h 0 1 k 0 0 1 ] \begin{bmatrix} 1 & 0 & h \\ 0 & 1 & k \\ 0 & 0 & 1 \end{bmatrix} ​100​010​hk1​ ​

在这里插入图片描述

复合变换与矩阵乘法

平面内任意一向量,依次做旋转变换 R θ 1 : [ cos ⁡ θ 1 − sin ⁡ θ 1 sin ⁡ θ 1 cos ⁡ θ 1 ] R_{\theta_1}:\begin{bmatrix} \cos{\theta_1} & -\sin{\theta_1}\\ \sin{\theta_1} & \cos{\theta_1} \end{bmatrix} Rθ1​​:[cosθ1​sinθ1​​−sinθ1​cosθ1​​] 和 R θ 2 : [ cos ⁡ θ 2 − sin ⁡ θ 2 sin ⁡ θ 2 cos ⁡ θ 2 ] R_{\theta_2}:\begin{bmatrix} \cos{\theta_2} & -\sin{\theta_2}\\ \sin{\theta_2} & \cos{\theta_2} \end{bmatrix} Rθ2​​:[cosθ2​sinθ2​​−sinθ2​cosθ2​​]

在这里插入图片描述

很显然最终作用的效果可以用一个变换 R θ 1 + θ 2 R_{\theta_1+\theta_2} Rθ1​+θ2​​ 来表示,对应的矩阵为
[ cos ⁡ ( θ 1 + θ 2 ) − sin ⁡ ( θ 1 + θ 2 ) sin ⁡ ( θ 1 + θ 2 ) cos ⁡ ( θ 1 + θ 2 ) ] \begin{bmatrix} \cos{(\theta_1+\theta_2)} & -\sin{(\theta_1+\theta_2)}\\ \sin{(\theta_1+\theta_2)} & \cos{(\theta_1+\theta_2)} \end{bmatrix} [cos(θ1​+θ2​)sin(θ1​+θ2​)​−sin(θ1​+θ2​)cos(θ1​+θ2​)​]
旋转变换 R θ 1 + θ 2 R_{\theta_1+\theta_2} Rθ1​+θ2​​仍然是线性变换。

一般地,设矩阵 A = [ a 1 b 1 c 1 d 1 ] , B = [ a 2 b 2 c 2 d 2 ] A=\begin{bmatrix}a_1 & b_1\\ c_1 & d_1\end{bmatrix},B=\begin{bmatrix}a_2 & b_2\\ c_2 & d_2\end{bmatrix} A=[a1​c1​​b1​d1​​],B=[a2​c2​​b2​d2​​],他们对应的线性变换分别为 f f f 和 g g g 。

平面上任意一个向量 v = [ x y ] \mathbf v=\begin{bmatrix} x \\ y \end{bmatrix} v=[xy​] 依次做变换 g g g 和 f f f ,其作用效果为
f ( g ( v ) ) = A ( B v ) f(g(\mathbf v))=A(B\mathbf v) f(g(v))=A(Bv)

Grant:线性变换的本质主要在于追踪基向量变换后的位置。

接下来,我们追踪变换过程中基向量的位置。由矩阵向量乘法的定义知道,基向量 i , j \mathbf i,\mathbf j i,j 经过矩阵 B B B 变换后(第一次变换)的位置为
B i = [ a 2 c 2 ] , B j = [ b 2 d 2 ] B\mathbf i=\begin{bmatrix}a_2\\c_2\end{bmatrix},\quad B\mathbf j=\begin{bmatrix}b_2\\d_2\end{bmatrix} Bi=[a2​c2​​],Bj=[b2​d2​​]
基向量 B i , B j B\mathbf i,B\mathbf j Bi,Bj 又经过矩阵 A A A 变换后的最终位置为
i ′ : [ a 1 b 1 c 1 d 1 ] [ a 2 c 2 ] = a 2 [ a 1 c 1 ] + c 2 [ b 1 d 1 ] = [ a 1 a 2 + b 1 c 2 c 1 a 2 + d 1 c 2 ] j ′ : [ a 1 b 1 c 1 d 1 ] [ b 2 d 2 ] = b 2 [ a 1 c 1 ] + d 2 [ b 1 d 1 ] = [ a 1 b 2 + b 1 d 2 c 1 b 2 + d 1 d 2 ] \mathbf i':\begin{bmatrix}a_1 & b_1\\ c_1 & d_1\end{bmatrix} \begin{bmatrix}a_2\\ c_2\end{bmatrix}= a_2\begin{bmatrix}a_1\\ c_1\end{bmatrix}+ c_2\begin{bmatrix}b_1\\d_1\end{bmatrix}= \begin{bmatrix}a_1a_2+b_1c_2 \\ c_1a_2+d_1c_2\end{bmatrix} \\ \mathbf j':\begin{bmatrix}a_1 & b_1\\ c_1 & d_1\end{bmatrix} \begin{bmatrix}b_2\\ d_2\end{bmatrix}= b_2\begin{bmatrix}a_1\\ c_1\end{bmatrix}+ d_2\begin{bmatrix}b_1\\d_1\end{bmatrix}= \begin{bmatrix}a_1b_2+b_1d_2\\c_1b_2+d_1d_2\end{bmatrix} i′:[a1​c1​​b1​d1​​][a2​c2​​]=a2​[a1​c1​​]+c2​[b1​d1​​]=[a1​a2​+b1​c2​c1​a2​+d1​c2​​]j′:[a1​c1​​b1​d1​​][b2​d2​​]=b2​[a1​c1​​]+d2​[b1​d1​​]=[a1​b2​+b1​d2​c1​b2​+d1​d2​​]
从而,对任意向量 v = [ x y ] \mathbf v=\begin{bmatrix} x \\ y \end{bmatrix} v=[xy​] 依次做变换 B B B 和 A A A ,其总体作用效果为
A ( B v ) = x i ′ + y j ′ = [ a 1 a 2 + b 1 c 2 a 1 b 2 + b 1 d 2 c 1 a 2 + d 1 c 2 c 1 b 2 + d 1 d 2 ] [ x y ] A(B\mathbf v)=x\mathbf i'+y\mathbf j'=\begin{bmatrix}a_1a_2+b_1c_2 & a_1b_2+b_1d_2\\ c_1a_2+d_1c_2 & c_1b_2+d_1d_2\end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix} A(Bv)=xi′+yj′=[a1​a2​+b1​c2​c1​a2​+d1​c2​​a1​b2​+b1​d2​c1​b2​+d1​d2​​][xy​]
这也是一个线性变换,我们称为复合变换(composite transformation),记为 f ∘ g f\circ g f∘g 。

在此,我们定义复合变换 f ∘ g f\circ g f∘g 为矩阵 A , B A,B A,B 的乘积,记为
A B = [ a 1 b 1 c 1 d 1 ] [ a 2 b 2 c 2 d 2 ] = [ a 1 a 2 + b 1 c 2 a 1 b 2 + b 1 d 2 c 1 a 2 + d 1 c 2 c 1 b 2 + d 1 d 2 ] AB=\begin{bmatrix}a_1 & b_1\\ c_1 & d_1\end{bmatrix} \begin{bmatrix}a_2 & b_2\\ c_2 & d_2\end{bmatrix}= \begin{bmatrix}a_1a_2+b_1c_2 & a_1b_2+b_1d_2\\ c_1a_2+d_1c_2 & c_1b_2+d_1d_2\end{bmatrix} AB=[a1​c1​​b1​d1​​][a2​c2​​b2​d2​​]=[a1​a2​+b1​c2​c1​a2​+d1​c2​​a1​b2​+b1​d2​c1​b2​+d1​d2​​]

注意:矩阵乘积的次序与复合变换相同,从右向左相继作用。

由定义易知,对任意向量 v \mathbf v v 有
( A B ) v = A ( B v ) (AB)\mathbf v=A(B\mathbf v) (AB)v=A(Bv)

矩阵的定义

接下来,我们将矩阵的概念推广到高维空间。高维线性空间中的变换与二维空间中的变换类似。

矩阵: m × n m\times n m×n 个数按一定次序排成的数表称为矩阵
[ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a m 1 a m 2 ⋯ a m n ] \begin{bmatrix} a_{11}&a_{12}&\cdots&a_{1n} \\ a_{21}&a_{22}&\cdots&a_{2n} \\ \vdots&\vdots&\ddots&\vdots \\ a_{m1}&a_{m2}&\cdots&a_{mn} \\ \end{bmatrix} ​a11​a21​⋮am1​​a12​a22​⋮am2​​⋯⋯⋱⋯​a1n​a2n​⋮amn​​ ​
常用大写英文字母表示矩阵,如 A A A或 A m × n A_{m× n} Am×n​。矩阵中的每个数 a i j a_{ij} aij​ 称为它的元素(entry),有时矩阵也记作 ( a i j ) (a_{ij}) (aij​) 或 ( a i j ) m × n (a_{ij})_{m× n} (aij​)m×n​ 。根据矩阵的元素所属的数域,可以将矩阵分为复矩阵和实矩阵。

几种特殊的矩阵:

  1. 元素全为零的矩阵称为零矩阵(zero matrix),记作 O O O。
  2. 只有一行的矩阵称为行矩阵(row matrix)或行向量;只有一列的矩阵称为列矩阵(column matrix)或列向量。行(列)矩阵通常用小写黑体字母表示,如 a , x \mathbf a,\mathbf x a,x。
  3. 当行数和列数相等时的矩阵 A n × n A_{n\times n} An×n​ 称为** n n n 阶方阵**(n-order square matrix)。
  4. 不在主对角线上的元素全为零的方阵称为对角阵(diagonal matrix),记作 d i a g ( a 1 , a 2 , ⋯ , a n ) \mathrm{diag}(a_1,a_2,\cdots,a_n) diag(a1​,a2​,⋯,an​)
  5. 主对角线上的元素全为1的对角阵,称为单位阵(identity matrix)。记 n n n 阶单位阵记作 E n E_n En​或 I n I_n In​

矩阵的线性运算:因为矩阵 A m × n A_{m\times n} Am×n​ 的各列是 m m m维向量,写作 A = [ a 1 a 2 ⋯ a n ] A=\begin{bmatrix}\mathbf a_1&\mathbf a_2&\cdots&\mathbf a_n\end{bmatrix} A=[a1​​a2​​⋯​an​​] ,因此矩阵可看作向量集,向量的线性运算自然推广到矩阵。

设矩阵 A = ( a i j ) A=(a_{ij}) A=(aij​) 与 B = ( b i j ) B=(b_{ij}) B=(bij​)

  1. 他们的对应元素完全相同 a i j = b i j a_{ij}=b_{ij} aij​=bij​,则称矩阵 A A A 与 B B B 相等,记作 A = B A=B A=B;
  2. 矩阵的加法定义为 A + B = ( a i j + b i j ) A+B=(a_{ij}+b_{ij}) A+B=(aij​+bij​)
  3. 矩阵的数乘定义为 k A = ( k a i j ) kA=(ka_{ij}) kA=(kaij​)

{% label 性质 orange %}:线性运算满足以下性质

  1. 加法交换律: A + B = B + A A+B=B+A A+B=B+A
  2. 加法结合律: A + ( B + C ) = ( A + B ) + C A+(B+C)=(A+B)+C A+(B+C)=(A+B)+C
  3. 零矩阵: O + A = A O+A=A O+A=A
  4. 负矩阵: A + ( − A ) = O A+(-A)=O A+(−A)=O
  5. 数乘结合律: k ( l A ) = ( k l ) A k(lA)=(kl)A k(lA)=(kl)A
  6. 数乘分配律: k ( A + B ) = k A + k B k(A+B)=kA+kB k(A+B)=kA+kB
  7. 数乘分配律: ( k + l ) A = k A + l A (k+l)A=kA+lA (k+l)A=kA+lA
  8. 数乘单位元: 1 A = A 1A=A 1A=A

矩阵向量的乘法: 矩阵与向量的乘法来源于线性变换,它有着直观的、深刻的几何背景。设 m × n m\times n m×n 维矩阵 A = ( a i j ) A=(a_{ij}) A=(aij​) 与 n n n维向量 v = ( x 1 , x 2 , ⋯ , x n ) T \mathbf v=(x_1,x_2,\cdots,x_n)^T v=(x1​,x2​,⋯,xn​)T 的乘积
[ a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a m 1 a m 2 ⋯ a m n ] [ x 1 x 2 ⋮ x n ] = x 1 [ a 11 a 21 ⋮ a m 1 ] + ⋯ + x n [ a 1 n a 2 n ⋮ a m n ] = [ ∑ j = 1 n a 1 j x j ∑ j = 1 n a 2 j x j ⋮ ∑ j = 1 n a m j x j ] \begin{bmatrix} a_{11}&a_{12}&\cdots&a_{1n} \\ a_{21}&a_{22}&\cdots&a_{2n} \\ \vdots&\vdots&\ddots&\vdots \\ a_{m1}&a_{m2}&\cdots&a_{mn} \\ \end{bmatrix} \begin{bmatrix}x_1\\x_2\\\vdots\\x_n\end{bmatrix}= x_1\begin{bmatrix}a_{11}\\a_{21}\\\vdots\\a_{m1}\end{bmatrix}+\cdots+ x_n\begin{bmatrix}a_{1n}\\a_{2n}\\\vdots\\a_{mn}\end{bmatrix}= \begin{bmatrix}\sum_{j=1}^na_{1j}x_j\\\sum_{j=1}^na_{2j}x_j\\\vdots\\\sum_{j=1}^na_{mj}x_j\end{bmatrix} ​a11​a21​⋮am1​​a12​a22​⋮am2​​⋯⋯⋱⋯​a1n​a2n​⋮amn​​ ​ ​x1​x2​⋮xn​​ ​=x1​ ​a11​a21​⋮am1​​ ​+⋯+xn​ ​a1n​a2n​⋮amn​​ ​= ​∑j=1n​a1j​xj​∑j=1n​a2j​xj​⋮∑j=1n​amj​xj​​ ​
一般地, m × n m\times n m×n 维的矩阵,表示将 n n n 维空间中的向量映射到 m m m 维空间中。矩阵的第 j j j列表示第 j j j 个基向量变换后的坐标。

矩阵乘法:矩阵与矩阵乘法来源于复合线性变换。设矩阵 A = ( a i j ) m × n A=(a_{ij})_{m\times n} A=(aij​)m×n​与 B = ( b i j ) n × p B=(b_{ij})_{n\times p} B=(bij​)n×p​,向量 v = ( x 1 , x 2 , ⋯ , x p ) \mathbf v=(x_1,x_2,\cdots,x_p) v=(x1​,x2​,⋯,xp​) ,用 b 1 , b 2 , ⋯ , b p \mathbf b_1,\mathbf b_2,\cdots,\mathbf b_p b1​,b2​,⋯,bp​表示矩阵 B B B 的各列,则
B v = x 1 b 1 + x 2 b 2 + ⋯ + x p b p B\mathbf v=x_1\mathbf b_1+x_2\mathbf b_2+\cdots+x_p\mathbf b_p Bv=x1​b1​+x2​b2​+⋯+xp​bp​
由线性变换的性质
A ( B v ) = A ( x 1 b 1 ) + A ( x 2 b 2 ) + ⋯ + A ( x p b p ) = x 1 A b 1 + x 2 A b 2 + ⋯ + x p A b p = [ A b 1 A b 2 ⋯ A b p ] v \begin{aligned} A(B\mathbf v)&=A(x_1\mathbf b_1)+A(x_2\mathbf b_2)+\cdots+A(x_p\mathbf b_p) \\ &=x_1A\mathbf b_1+x_2A\mathbf b_2+\cdots+x_pA\mathbf b_p \\ &=\begin{bmatrix}A\mathbf b_1&A\mathbf b_2&\cdots&A\mathbf b_p\end{bmatrix}\mathbf v \end{aligned} A(Bv)​=A(x1​b1​)+A(x2​b2​)+⋯+A(xp​bp​)=x1​Ab1​+x2​Ab2​+⋯+xp​Abp​=[Ab1​​Ab2​​⋯​Abp​​]v​
于是可定义矩阵的乘积 A B AB AB 为 m × p m\times p m×p 矩阵
A B = A [ b 1 b 2 ⋯ b p ] = [ A b 1 A b 2 ⋯ A b p ] AB=A\begin{bmatrix}\mathbf b_1&\mathbf b_2&\cdots&\mathbf b_p\end{bmatrix}= \begin{bmatrix}A\mathbf b_1&A\mathbf b_2&\cdots&A\mathbf b_p\end{bmatrix} AB=A[b1​​b2​​⋯​bp​​]=[Ab1​​Ab2​​⋯​Abp​​]
矩阵 A A A的列数必须和 B B B 的行数相等,乘积才有意义 。之前定义的矩阵向量乘法是矩阵乘法的特例。通常,更方便的方法是用元素定义矩阵乘法。设乘积 A B = ( c i j ) m × p AB=(c_{ij})_{m× p} AB=(cij​)m×p​。则元素
c i j = a i 1 b 1 j + a i 2 b 2 j + ⋯ + a i p b p j c_{ij}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots+a_{ip}b_{pj} cij​=ai1​b1j​+ai2​b2j​+⋯+aip​bpj​
{% label 性质 orange %}:矩阵乘法满足以下性质

  1. 矩阵乘法满足结合率: A ( B C ) = ( A B ) C A(BC)=(AB)C A(BC)=(AB)C
  2. 矩阵乘法满足左分配律: A ( B + C ) = A B + A C A(B+C)=AB+AC A(B+C)=AB+AC
  3. 矩阵乘法满足右分配律: ( B + C ) A = B A + C A (B+C)A=BA+CA (B+C)A=BA+CA
  4. 矩阵乘法满足数乘分配律: k ( A B ) = ( k A ) B = A ( k B ) k(AB)=(kA)B=A(kB) k(AB)=(kA)B=A(kB)
  5. 矩阵乘法单位元: I A = A I = A IA=AI=A IA=AI=A

证明:(1) 可从矩阵乘法的定义证明满足结合率。从线性变换角度来看,对于复合变换 A ( B C ) A(BC) A(BC) 和 ( A B ) C (AB)C (AB)C 是同样的变换,且依次作用的顺序并不会发生改变,变换的最终结果自然不变。
v → C C v → B B C v → A A B C v \mathbf v\xrightarrow{C}C\mathbf v\xrightarrow{B}BC\mathbf v\xrightarrow{A}ABC\mathbf v vC ​CvB ​BCvA ​ABCv

注意:

  1. 矩阵乘法不满足交换率,即一般情况下 A B ≠ B A AB\neq BA AB=BA
  2. 矩阵乘法不满足消去率,即若 A B = A C AB=AC AB=AC,不能推出 B = C B=C B=C ;同样由 A B = O AB=O AB=O,不能推出 A = O A=O A=O 或 B = O B=O B=O。

证明:(1) 一般地,复合变换 f ∘ g ≠ g ∘ f f\circ g\neq g\circ f f∘g=g∘f ,自然 A B ≠ B A AB\neq BA AB=BA,矩阵乘法不满足交换率。
(2) 可举例证明矩阵乘法不满足消去率

设矩阵
A = [ 0 1 0 0 0 1 0 0 1 ] , B = [ 0 0 1 0 0 0 0 0 0 ] A=\begin{bmatrix}0&1&0\\ 0&0&1\\ 0&0&1\end{bmatrix},\quad B=\begin{bmatrix}0&0&1\\ 0&0&0\\ 0&0&0\end{bmatrix} A= ​000​100​011​ ​,B= ​000​000​100​ ​
则有
A B = [ 0 1 0 0 0 1 0 0 1 ] [ 0 0 1 0 0 0 0 0 0 ] = [ 0 0 0 0 0 0 0 0 0 ] = O B A = [ 0 0 1 0 0 0 0 0 0 ] [ 0 1 0 0 0 1 0 0 1 ] = [ 0 0 1 0 0 0 0 0 0 ] ≠ O AB=\begin{bmatrix}0&1&0\\ 0&0&1\\ 0&0&1\end{bmatrix} \begin{bmatrix}0&0&1\\ 0&0&0\\ 0&0&0\end{bmatrix}= \begin{bmatrix}0&0&0\\ 0&0&0\\ 0&0&0\end{bmatrix}=O \\ BA=\begin{bmatrix}0&0&1\\ 0&0&0\\ 0&0&0\end{bmatrix} \begin{bmatrix}0&1&0\\ 0&0&1\\ 0&0&1\end{bmatrix}= \begin{bmatrix}0&0&1\\ 0&0&0\\ 0&0&0\end{bmatrix}\neq O AB= ​000​100​011​ ​ ​000​000​100​ ​= ​000​000​000​ ​=OBA= ​000​000​100​ ​ ​000​100​011​ ​= ​000​000​100​ ​=O

列空间与基

定义:为方便使用,先介绍几个简单的定义

  1. 线性变换是一种映射,称变换后的向量 T ( v ) T(\mathbf v) T(v) 为向量 v \mathbf v v 在映射 T T T 下的像,而称 v \mathbf v v 为 T ( v ) T(\mathbf v) T(v) 在映射 T T T 下的原像。
  2. 线性变换 T T T 的像集 T ( V ) T(V) T(V)是一个线性空间,称为线性变换 T T T 的值域,记作
    range ( T ) = { T ( v ) ∣ v ∈ V } \text{range}(T)=\{T(\mathbf v)\mid\mathbf v\in V\} range(T)={T(v)∣v∈V}
  3. 在前面几节的分析中,我们始终将矩阵的列看成是向量。而这些列向量所张成的空间,称为列空间,若 A = ( a 1 , a 2 , ⋯ , a n ) A=(\mathbf a_1,\mathbf a_2,\cdots,\mathbf a_n) A=(a1​,a2​,⋯,an​)
    col  A = span { a 1 , a 2 , ⋯ , a n } \text{col }A=\text{span}\{\mathbf a_1,\mathbf a_2,\cdots,\mathbf a_n\} col A=span{a1​,a2​,⋯,an​}

我们已经知道,变换后的向量 A v A\mathbf v Av 是变换后的基向量以同样的系数线性组合,而矩阵的列就是基向量变换之后的位置。因此,矩阵 A A A 线性变换后的空间即是矩阵 A A A 的列空间
col  A = range  A = { A v ∣ v ∈ V } \text{col }A=\text{range }A=\{A\mathbf v\mid\mathbf v\in V\} col A=range A={Av∣v∈V}
定理:矩阵 A A A 的主元列构成 col  A \text{col }A col A 的一组基。

下面两个例子给出对列空间求基的简单算法。

例1:求 Col  B \text{Col }B Col B 的一组基,其中
B = ( b 1 , b 2 , ⋯ , b n ) = [ 1 4 0 2 0 0 0 1 − 1 0 0 0 0 0 1 0 0 0 0 0 ] B=(\mathbf b_1,\mathbf b_2,\cdots,\mathbf b_n)=\begin{bmatrix}1&4&0&2&0\\ 0&0&1&-1&0\\ 0&0&0&0&1\\0&0&0&0&0\end{bmatrix} B=(b1​,b2​,⋯,bn​)= ​1000​4000​0100​2−100​0010​ ​
事实上, B B B 的每个非主元列都是主元列的线性组合 b 2 = 4 b 1 , b 4 = 2 b 1 − b 3 \mathbf b_2=4\mathbf b_1,\mathbf b_4=2\mathbf b_1-\mathbf b_3 b2​=4b1​,b4​=2b1​−b3​ 且主元列时线性无关的,所以主元列构成列空间的一组基 col  B = span  { b 1 , b 3 , b 5 } \text{col }B=\text{span }\{\mathbf b_1,\mathbf b_3,\mathbf b_5\} col B=span {b1​,b3​,b5​} 。

当矩阵不是阶梯型矩阵时,回顾矩阵 A = ( a 1 , a 2 , ⋯ , a n ) A=(\mathbf a_1,\mathbf a_2,\cdots,\mathbf a_n) A=(a1​,a2​,⋯,an​) 中列向量间的线性关系都可以用方程 A x = 0 A\mathbf x=0 Ax=0 的形式刻画。当 A A A 被行简化为阶梯型矩阵 B = ( b 1 , b 2 , ⋯ , b n ) B=(\mathbf b_1,\mathbf b_2,\cdots,\mathbf b_n) B=(b1​,b2​,⋯,bn​) 时,即存在可逆矩阵 P P P 使 B = P A B=PA B=PA 。若 B B B 的列向量线性相关,即存在系数 x \mathbf x x 使得 B x = 0 B\mathbf x=0 Bx=0 ,即
x 1 b 1 + x 2 b 2 + ⋯ + x n b n = 0 x_1\mathbf b_1+x_2\mathbf b_2+\cdots+x_n\mathbf b_n=0 x1​b1​+x2​b2​+⋯+xn​bn​=0
同样的系数 x \mathbf x x 也适用于矩阵 A A A 的列向量, A x = P − 1 B x = 0 A\mathbf x=P^{-1}B\mathbf x=0 Ax=P−1Bx=0,即
x 1 a 1 + x 2 a 2 + ⋯ + x n a n = 0 x_1\mathbf a_1+x_2\mathbf a_2+\cdots+x_n\mathbf a_n=0 x1​a1​+x2​a2​+⋯+xn​an​=0
综上,即矩阵 A A A的列与阶梯型矩阵 B B B 的列具有完全相同的线性相关关系。

例2:
A = ( a 1 , a 2 , ⋯ , a n ) = [ 1 4 0 2 − 1 3 12 1 5 5 2 8 1 3 2 5 20 2 8 8 ] A=(\mathbf a_1,\mathbf a_2,\cdots,\mathbf a_n)=\begin{bmatrix}1&4&0&2&-1\\ 3&12&1&5&5\\ 2&8&1&3&2\\5&20&2&8&8\end{bmatrix} A=(a1​,a2​,⋯,an​)= ​1325​412820​0112​2538​−1528​ ​
已知矩阵 A A A 行等价于上例中的矩阵 B B B ,求 Col  A \text{Col }A Col A 的一组基。

由于上例中 b 2 = 4 b 1 , b 4 = 2 b 1 − b 3 \mathbf b_2=4\mathbf b_1,\mathbf b_4=2\mathbf b_1-\mathbf b_3 b2​=4b1​,b4​=2b1​−b3​ ,相关关系完全适用于矩阵 A A A 的列向量 a 2 = 4 a 1 , a 4 = 2 a 1 − a 3 \mathbf a_2=4\mathbf a_1,\mathbf a_4=2\mathbf a_1-\mathbf a_3 a2​=4a1​,a4​=2a1​−a3​ 。于是线性无关集 a 1 , a 3 , a 5 \mathbf a_1,\mathbf a_3,\mathbf a_5 a1​,a3​,a5​ 是 Col  A \text{Col }A Col A 的一组基 col  A = span  { a 1 , a 3 , a 5 } \text{col }A=\text{span }\{\mathbf a_1,\mathbf a_3,\mathbf a_5\} col A=span {a1​,a3​,a5​}。

注意:阶梯形矩阵的主元列通常不在原矩阵的列空间中。

矩阵的秩

矩阵的秩就是列空间的维度,记作 rank  A = dim ⁡ ( col  A ) \text{rank }A=\dim(\text{col }A) rank A=dim(col A)。

前面介绍的都是方阵,表示向量空间到自身的映射。下面简单说下非方阵的映射关系。

一般地, m × n m\times n m×n 维的矩阵,表示将 n n n 维空间中的向量映射到 m m m 维空间中。矩阵的第 j j j列表示第 j j j 个基向量变换后的坐标。例如:

3 × 2 3\times 2 3×2 维矩阵是把二维空间映射到三维空间上,因为矩阵有两列,说明输入空间有两个基向量,三行表示每一个基向量在变换后用三个独立的坐标来描述。
[ 1 − 1 3 2 0 3 ] [ x y ] = [ 1 3 0 ] x + [ − 1 2 3 ] y \begin{bmatrix}1&-1\\3&2\\0&3\end{bmatrix} \begin{bmatrix}x\\y\end{bmatrix}= \begin{bmatrix}1\\3\\0\end{bmatrix}x+ \begin{bmatrix}-1\\2\\3\end{bmatrix}y ​130​−123​ ​[xy​]= ​130​ ​x+ ​−123​ ​y

在这里插入图片描述

2 × 3 2\times 3 2×3 维矩阵是把三维空间映射到二维空间上,因为矩阵有三列,说明输入空间有三个基向量,二行表示每一个基向量在变换后用二个独立的坐标来描述。
[ 2 2 1 1 0 − 1 ] [ x y z ] = [ 2 1 ] x + [ 2 0 ] y + [ 1 − 1 ] z \begin{bmatrix}2&2&1\\1&0&-1\end{bmatrix} \begin{bmatrix}x\\y\\z\end{bmatrix}= \begin{bmatrix}2\\1\end{bmatrix}x+ \begin{bmatrix}2\\0\end{bmatrix}y+ \begin{bmatrix}1\\-1\end{bmatrix}z [21​20​1−1​] ​xyz​ ​=[21​]x+[20​]y+[1−1​]z

在这里插入图片描述

若矩阵的秩等于列数,则称为满秩矩阵(full rank matrix),零向量一定在列空间内,满秩变换中,唯一能落在原点的就是零向量自身。满秩矩阵的列即为列空间的基。

对于非满秩矩阵,意味着该线性变换会将空间压缩到一个更低维的空间,通俗来讲,就是会有一系列直线上不同方向的向量压缩为原点。

由此可得,秩可以用来描述线性变换对空间的压缩程度。

逆变换与逆矩阵

我们已经知道了矩阵与线性变换中的对应关系,试想一下,将变换后的向量还原到初始状态。

在这里插入图片描述

逆矩阵:对于 n n n 阶方阵 A A A ,如果存在 n n n 阶方阵 B B B ,使得
A B = B A = I AB=BA=I AB=BA=I
则称矩阵 A A A 可逆(invertible), B B B 是 A A A 的逆矩阵。实际上, A A A 的逆矩阵是唯一的,记为 A − 1 A^{-1} A−1。因为,若 B , C B,C B,C 都是 A A A 的逆矩阵,则

B = ( C A ) B = C ( A B ) = C B=(CA)B=C(AB)=C B=(CA)B=C(AB)=C

不可逆矩阵有时称为奇异矩阵,而可逆矩阵也称为非奇异矩阵。

{% label 性质 orange %}:逆矩阵满足下列性质

  1. ( A − 1 ) − 1 = A (A^{-1})^{-1}=A (A−1)−1=A
  2. ( k A ) − 1 = 1 k A − 1 , ( k ≠ 0 ) (kA)^{-1}=\dfrac{1}{k}A^{-1},\quad(k\neq0) (kA)−1=k1​A−1,(k=0)
  3. ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1
  4. ( A T ) − 1 = ( A − 1 ) T (A^T)^{-1}=(A^{-1})^T (AT)−1=(A−1)T

证明:(性质3)若方阵 A , B A,B A,B 都可逆,则有
( A B ) ( B − 1 A − 1 ) = ( B − 1 A − 1 ) ( A B ) = I (AB)(B^{-1}A^{-1})=(B^{-1}A^{-1})(AB)=I (AB)(B−1A−1)=(B−1A−1)(AB)=I
因此 ( A B ) − 1 = B − 1 A − 1 (AB)^{-1}=B^{-1}A^{-1} (AB)−1=B−1A−1 。

从变换的角度考虑,复合变换的逆 ( f ∘ g ) − 1 = g − 1 ∘ f − 1 (f\circ g)^{-1}=g^{-1}\circ f^{-1} (f∘g)−1=g−1∘f−1 ,很容易理解。

在这里插入图片描述

(性质4)
I = ( A A − 1 ) T = ( A − 1 ) T A T , I = ( A − 1 A ) T = A T ( A − 1 ) T I=(AA^{-1})^T=(A^{-1})^TA^T,\quad I=(A^{-1}A)^T=A^T(A^{-1})^T I=(AA−1)T=(A−1)TAT,I=(A−1A)T=AT(A−1)T
因此 ( A T ) − 1 = ( A − 1 ) T (A^T)^{-1}=(A^{-1})^T (AT)−1=(A−1)T 。

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.tpcf.cn/news/81758.html

如若内容造成侵权/违法违规/事实不符,请联系多彩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

数据结构-时间复杂度/空间复杂度

Hello,好久没有更新了哦,已经开始学习数据结构了,这篇文章呢就是对刚学数据结构所接触到的时间复杂度进行一个分享哦,如果有错误之处,大家记得拍拍我哦~ 既然要讨论时间/空间复杂度,那我们就得知道时间/空…

SpringBoot国际化配置组件支持本地配置和数据库配置

文章目录 0. 前言i18n-spring-boot-starter1. 使用方式0.引入依赖1.配置项2.初始化国际化配置表3.如何使用 2. 核心源码实现一个拦截器I18nInterceptorI18nMessageResource 加载国际化配置 3.源码地址 0. 前言 写个了原生的SpringBoot国际化配置组件支持本地配置和数据库配置 背…

tdesign的文件上传(微信小程序+idea的springboot)

目录 1. springboot后端 1.1 FileController.java 1.2 listener文件的ErpApplicationListener.java 1.3 【重点!】FileServiceImpl层 1.4 IFileService 1.5 StringUtil通用类 1.6 主程序加一个监听器 1.7 application.yml文件 2. 微信小程序端 2.1 TDesign的…

latex如何保证图片和文字的相对位置不变

文章目录 latex如何保证图片与文字的相对位置不变?解决方法: latex如何保证图片与文字的相对位置不变? 解决方法: 加入宏包\usepackage{float} 在figure环境后面加入参数H \begin{figure}[H]\centering\includegraphics[width…

随机产生两个数在屏幕上打印,例如6*7=? 让学生输入答案,若正确打印答对了,否则提示学生重做,直到答对为止(小游戏)

#include<stdio.h> #include<stdlib.h> #include<time.h>//时间的库函数 int main() {int i 0;srand(time(0));//随机种子初始化int num1 rand() %10;//随机数int num2 rand() %10;printf("%d * %d ?\n", num1, num2);printf("请输入答案…

阿里云无影电脑:免费体验无影云电脑3个月

阿里云无影云电脑免费领取流程&#xff0c;免费无影云电脑配置为4核8G&#xff0c;可以免费使用3个月&#xff0c;阿里云百科分享阿里云无影云电脑&#xff08;云桌面&#xff09;免费申请入口、申请流程及免费使用限制条件说明&#xff1a; 目录 阿里云无影云电脑免费申请入…

【C++初阶】动态内存管理

​&#x1f47b;内容专栏&#xff1a; C/C编程 &#x1f428;本文概括&#xff1a; C/C内存分布、C语言动态内存管理、C动态内存管理、operator new与operator delete函数、new和delete的实现原理、定位new表达式、常见面试问题等。 &#x1f43c;本文作者&#xff1a; 阿四啊 …

SQL2 查询多列

描述 题目&#xff1a;现在运营同学想要用户的设备id对应的性别、年龄和学校的数据&#xff0c;请你取出相应数据 示例&#xff1a;user_profile iddevice_idgenderageuniversityprovince12138male21北京大学Beijing23214male复旦大学Shanghai36543female20北京大学Beijing42…

CSRF和SSRF有什么不同?

文章目录 CSRF复现SSRF复现启动环境漏洞复现探测存活IP和端口服务计划任务反弹shell 区别 CSRF复现 打开dvwa&#xff0c;将难度调为low&#xff0c;点击CSRF&#xff0c;打开后发现有一个修改密码的输入框&#xff1a; 在这里修改密码&#xff0c;并用bp抓包&#xff0c;在…

C++实现观察者模式(包含源码)

文章目录 观察者模式一、基本概念二、实现方式三、角色四、过程五、结构图六、构建思路七、完整代码 观察者模式 一、基本概念 观察者模式&#xff08;又被称为模型&#xff08;Model&#xff09;-视图&#xff08;View&#xff09;模式&#xff09;是软件设计模式的一种。在…

开启编程之门

自我介绍 目前已经大二了&#xff0c;计算机专业在读&#xff0c;是一个热爱编程&#xff0c;做事踏实专注的人。转眼间一年已经过去了&#xff0c;也接触编程一年了&#xff0c;但开始并没有对所学所想进行很好的总结和输出&#xff0c;这一年也有了新的很多感悟与心得&#x…

浅谈双十一背后的支付宝LDC架构和其CAP分析

本人汤波&#xff0c;superthem.com 圆领超级个体创始人&#xff0c;Github page地址&#xff1a;https://tbwork.github.io/ 看到很多人在盗用我的文章&#xff0c;还标记成原创&#xff0c;进行收费&#xff0c;非常令人作呕。 我的所有技术文章全部免费阅读&#xff0c;大家…

PCB走线规则

1、线间距。 这里应该遵循3W规则&#xff0c;所谓3W就是为了减少线间串扰&#xff0c;应保证线间距足够大&#xff0c;当线中心不少于3倍线宽&#xff0c;则可 保持70%的电场不互相干扰。如要达到98%的电场不互相干扰&#xff0c;可使用10W的间距。——这是查阅华为PCB布线规则…

npm 清缓存(重新安装node-modules)

安装node依赖包的会出现失败的情况&#xff0c;如下图所示&#xff1a; 此时 提示有些依赖树有冲突&#xff0c;根据提示 “ this command with --force or --legacy-peer-deps” 执行命令即可。 具体步骤如下&#xff1a; 1、先删除本地node-modules包 2、删掉page-loacl…

面试算法1:整数除法

题目 输入2个int型整数&#xff0c;它们进行除法计算并返回商&#xff0c;要求不得使用乘号’*‘、除号’/‘及求余符号’%。当发生溢出时&#xff0c;返回最大的整数值。假设除数不为0。例如&#xff0c;输入15和2&#xff0c;输出15/2的结果&#xff0c;即7。 分析 下面以…

el-upload 上传附件(拆解步骤)

目录 1. 看elementui /element-plus 官网案例 2. html部分&#xff1a; 把官网上的搬下来&#xff0c;最好加一个按钮&#xff0c;上传到服务器&#xff08;后端&#xff09; 3. js 部分&#xff1a; 3.1 首先&#xff0c;先定义一个变量&#xff0c;files 3.2 当上传图片…

自定义映射resultMap

8.2、多对一映射处理 场景模拟&#xff1a; 查询员工信息以及员工所对应的部门信息 8.2.1、级联方式处理映射关系&#xff08;这种方式&#xff0c;不推荐使用&#xff09; <resultMap id"empDeptMap" type"Emp"> <id column"eid" pro…

128. 最长连续序列

https://leetcode.cn/problems/longest-consecutive-sequence/description/?envTypestudy-plan-v2&envIdtop-100-liked 前置知识 使用集合来实现存储。 unordered_set<int> s; for (int i 0; i < nums.size(); i ){s.insert(nums[i]); }判断是否在集合中存在…

机器学习(11)---降维PCA

目录 一、概述1.1 维度1.2 sklearn中的降维算法 二、降维实现原理2.1 PCA与SVD2.2 降维实现2.3 降维过程 三、鸢尾花数据集降维3.1 高维数据的可视化3.2 探索降维后的数据3.3 累积可解释方差贡献率曲线 四、选n_components参数方法4.1 最大似然估计自选超参数4.2 按信息量占比选…

WavJourney:进入音频故事情节生成世界的旅程

推荐&#xff1a;使用 NSDT场景编辑器快速搭建3D应用场景 若要正确查看音频生成的强大功能&#xff0c;请考虑以下方案。我们只需要提供一个简单的指令&#xff0c;描述场景和场景设置&#xff0c;模型就会生成一个扣人心弦的音频脚本&#xff0c;突出与原始指令的最高上下文相…