线性代数矩阵,线性代数矩阵怎么变换

首页 > 大全 > 作者:YD1662022-12-21 22:19:15

在本文中,我们将介绍矩阵的大部分基本运算,依次是矩阵的加减法、矩阵的标量乘法、矩阵与矩阵的乘法、求转置矩阵,以及深入了解矩阵的行列式运算。本文将不会涉及逆矩阵、矩阵的秩等概念,将来再探讨它们。

矩阵的加减法

矩阵的 加法减法 运算将接收两个矩阵作为输入,并输出一个新的矩阵。矩阵的加法和减法都是在分量级别上进行的,因此要进行加减的矩阵必须有着相同的维数。

为了避免重复编写加减法的代码,我们先创建一个可以接收运算函数的方法,这个方法将对两个矩阵的分量分别执行传入的某种运算。然后在加法、减法或者其它运算中直接调用它就行了:

class matrix { // ... componentWiseOperation(func, { rows }) { const newRows = rows.map((row, i) => row.map((element, j) => func(this.rows[i][j], element)) ) return new Matrix(...newRows) } add(other) { return this.componentWiseOperation((a, b) => a b, other) } subtract(other) { return this.componentWiseOperation((a, b) => a - b, other) } } const one = new Matrix( [1, 2], [3, 4] ) const other = new Matrix( [5, 6], [7, 8] ) console.log(one.add(other)) // Matrix { rows: [ [ 6, 8 ], [ 10, 12 ] ] } console.log(other.subtract(one)) // Matrix { rows: [ [ 4, 4 ], [ 4, 4 ] ] } 复制代码

矩阵的标量乘法

矩阵的标量乘法与向量的缩放类似,就是将矩阵中的每个元素都乘上标量:

class Matrix { // ... scaleBy(number) { const newRows = this.rows.map(row => row.map(element => element * number) ) return new Matrix(...newRows) } } const matrix = new Matrix( [2, 3], [4, 5] ) console.log(matrix.scaleBy(2)) // Matrix { rows: [ [ 4, 6 ], [ 8, 10 ] ] } 复制代码

矩阵乘法

AB 两个矩阵的维数是 兼容 的时候,就能对这两个矩阵进行矩阵乘法。所谓维数兼容,指的是 A 的列数与 B 的行数相同。矩阵的乘积 AB 是通过对 A 的每一行与矩阵 B 的每一列计算点积得到:

线性代数矩阵,线性代数矩阵怎么变换(1)

class Matrix { // ... multiply(other) { if (this.rows[0].length !== other.rows.length) { throw new Error('The number of columns of this matrix is not equal to the number of rows of the given matrix.') } const columns = other.columns() const newRows = this.rows.map(row => columns.map(column => sum(row.map((element, i) => element * column[i]))) ) return new Matrix(...newRows) } } const one = new Matrix( [3, -4], [0, -3], [6, -2], [-1, 1] ) const other = new Matrix( [3, 2, -4], [4, -3, 5] ) console.log(one.multiply(other)) // Matrix { // rows: // [ [ -7, 18, -32 ], // [ -12, 9, -15 ], // [ 10, 18, -34 ], // [ 1, -5, 9 ] ]} 复制代码

我们可以把矩阵乘法 AB 视为先后应用 AB 两个线性变换矩阵。为了更好地理解这种概念,可以看一看我们的linear-algebra-demo。

下图中黄色的部分就是对红色方块应用线性变换 C 的结果。而线性变换 C 就是矩阵乘法 AB 的结果,其中 A 是做相对于 y 轴进行反射的变换矩阵, B 是做剪切变换的矩阵。

线性代数矩阵,线性代数矩阵怎么变换(2)

如果在矩阵乘法中调换 AB 的顺序,我们会得到一个不同的结果,因为相当于先应用了 B 的剪切变换,再应用 A 的反射变换:

线性代数矩阵,线性代数矩阵怎么变换(3)

转置

转置矩阵 由公式 定义。换句话说,我们通过关于矩阵的对角线对其进行翻转来得到转置矩阵。需要注意的是,矩阵对角线上的元素不受转置运算影响。

class Matrix { // ... transpose() { return new Matrix(...this.columns()) } } const matrix = new Matrix( [0, 1, 2], [3, 4, 5], [6, 7, 8], [9, 10, 11] ) console.log(matrix.transpose()) // Matrix { // rows: [ // [ 0, 3, 6, 9 ], // [ 1, 4, 7, 10 ], // [ 2, 5, 8, 11 ] // ] // } 复制代码

行列式运算

矩阵的 行列式 运算将计算矩阵中的所有系数,最后输出一个数字。准确地说,行列式可以描述一个由矩阵行构成的向量的相对几何指标(比如在欧式空间中的有向面积、体积等空间概念)。更准确地说,矩阵 A 的行列式相当于告诉你由 A 的行定义的方块的体积。 矩阵的行列式运算如下所示:

线性代数矩阵,线性代数矩阵怎么变换(4)

首页 123下一页

栏目热文

文档排行

本站推荐

Copyright © 2018 - 2021 www.yd166.com., All Rights Reserved.