-
2019-05-31 22:39:13
UTF8gbsn
本文将要介绍的内容很简单,就是如何根据一组非线性相关的向量来计算一组标准正交基。但是与其他文章不同的是,本文将以一种非常直观的思路来,顺理成章的推导出如何计算标准正交基。
首先我们假设有一组非线性相关的基 v 1 , v 2 , . . . , v n ∈ V v_1,v_2,...,v_n\in V v1,v2,...,vn∈V,我们如何根据 v 1 , v 2 , . . . , v n v_1,v_2,...,v_n v1,v2,...,vn来计算 V V V空间的一组标准正交基?
-
把 v 1 v_1 v1看做一个一维空间的基,那么自然计算一个标准基的算法为
e 1 = v 1 ∣ v 1 ∣ e_1=\frac{v_1}{|v_1|} e1=∣v1∣v1 -
现在我们已经有一个标准基向量 e 1 e_1 e1,那么我们新加入 v 2 v_2 v2,他们会行成一个平面。假设 e 1 , e 2 e_1,e_2 e1,e2就是这个平面的一组标准正交基,那么 v 2 v_2 v2一定可以表示为, v 2 = ∣ v 2 ∣ [ c o s ( α ) e 1 + s i n ( α ) e 2 ] v_2=|v_2|[cos(\alpha)e_1+sin(\alpha)e_2] v2=∣v2∣[cos(α)e1+sin(α)e2],接下来反求 e 2 e_2 e2就可以了。
故而下面的等式成立.这个是可以通过简单的几何画图直观上就可以看出来的。
v 2 ∣ v 2 ∣ − c o s ( α ) e 1 = s i n ( α ) e 2 , c o s ( α ) = v 2 ⋅ e 1 ∣ v 2 ∣ \frac{v_2}{|v_2|}-cos(\alpha)e_1=sin(\alpha)e_2,cos(\alpha)=\frac{v_2\cdot e_1}{|v_2|} ∣v2∣v2−cos(α)e1=sin(α)e2,cos(α)=∣v2∣v2⋅e1
E 2 = v 2 − ( v 2 ⋅ e 1 ) e 1 ⇒ e 2 = E 2 ∣ E 2 ∣ E_2 = v_2-(v_2\cdot e_1)e_1\Rightarrow e_2 = \frac{E_2}{|E_2|} E2=v2−(v2⋅e1)e1⇒e2=∣E2∣E2 -
同理在 e 1 , e 2 e_1,e_2 e1,e2所长成的二维空间上,加入新的 v 3 v_3 v3,可以张成一个三维空间。我们现在假定 e 1 , e 2 , e 3 e_1,e_2,e_3 e1,e2,e3张成了一个空间。那么现在我们有 v 3 ∣ v 3 ∣ = c o s ( α ) e 1 + c o s ( β ) e 2 + c o s ( γ ) e 3 \frac{v_3}{|v_3|}=cos(\alpha)e_1+cos(\beta)e_2+cos(\gamma)e_3 ∣v3∣v3=cos(α)e1+cos(β)e2+cos(γ)e3,
其中 α , β , γ \alpha,\beta,\gamma α,β,γ分别是 v 3 v_3 v3与三个基向量之间的夹角。
E 3 = v 3 − ( v 3 ⋅ e 2 ) e 2 − ( v 3 ⋅ e 1 ) e 1 ⇒ e 3 = E 3 ∣ E 3 ∣ E_3=v_3-(v_3\cdot e_2)e_2-(v_3\cdot e_1)e_1\Rightarrow e_3=\frac{E_3}{|E_3|} E3=v3−(v3⋅e2)e2−(v3⋅e1)e1⇒e3=∣E3∣E3 -
同理我们可以求出 e n e_n en
E n = v n − ∑ k = 1 n − 1 ( v n ⋅ e k ) e k ⇒ e n = E n ∣ E n ∣ E_n=v_n-\sum_{k=1}^{n-1}(v_n\cdot e_k)e_k\Rightarrow e_n=\frac{E_n}{|E_n|} En=vn−k=1∑n−1(vn⋅ek)ek⇒en=∣En∣En
来总结一下,也就是每一次假设引入一个标准基向量 e k e_k ek,和前面求出来的标准基向量 e 1 , e 2 , . . . , e k e_1,e_2,...,e_k e1,e2,...,ek来组成一个空间。这一组新的标准正交基可以组合为新加入的 v k v_k vk,饭后根据 v k v_k vk可 e 1 , e 2 , . . . , e k e_1,e_2,...,e_k e1,e2,...,ek之间的夹角关系求出 e k e_k ek,因为夹角很好求,是 v k ⋅ e j ∣ v k ∣ , j ∈ ( 1 , 2 , . . . , k ) \frac{v_k\cdot e_j}{|v_k|},j\in (1,2,...,k) ∣vk∣vk⋅ej,j∈(1,2,...,k),所以很好求出 e k e_k ek,其实这里面只是利用了一个向量加法而已。
更多相关内容 -
-
自定义一组基函数的最佳平方逼近——matlab实现
2019-10-22 19:50:291.给出一组非线性相关的函数作为基底,通过有限点集(xi,yi)(x_{i},y_{i})(xi,yi),构造拟合函数 过程: 我们设这个基底为{φk(x)},k=1,2,...n\left \{\varphi _{k}(x)\right \},k = 1,2,...n{φk(x)},k=1,2,...作者:老李
时间:2019-10-26目标:
给出一组非线性相关的函数作为基底,通过有限点集 ( x k , y k ) (x_{k},y_{k}) (xk,yk),构造拟合函数
过程:
我们设这个基底为 { f i ( x ) } , i = 1 , 2 , . . . M \left \{f _{i}(x)\right \},i= 1,2,...M {fi(x)},i=1,2,...M
我们的目标是,对于每一个 x k x_{k} xk寻找一系列 c i c_{i} ci,使得 E = ∑ k = 1 n ( c i f i ( x k ) − y k ) 2 E = \sum_{k=1}^{n}(c_{i}f _{i}(x_{k})-y_{k})^{2} E=∑k=1n(cifi(xk)−yk)2最小。我们使用最一般的方法:将E对每一个参数 c i c_{i} ci进行求导,然后令其导函数为零,最后求出其值。
∂ E ∂ c i = ∑ k = 1 N ( ( ∑ j = 1 M c j f j ( x k ) ) − y k ) f i ( x k ) = 0 , i = 1 , 2 , . . . M (1) \frac{\partial E}{\partial c_{i}} = \sum_{k = 1}^{N}((\sum_{j=1}^{M}c_{j}f_{j}(x_{k}))-y_{k}) f_{i}(x_{k})= 0,i = 1,2,...M \tag{1} ∂ci∂E=k=1∑N((j=1∑Mcjfj(xk))−yk)fi(xk)=0,i=1,2,...M(1)
为了实现矩阵化操作,我们想要将所求的系数 c i c_{i} ci分离出来,于是我们改变求和的次序,可得: ∑ j = 1 M ( ∑ k = 1 N f i ( x k ) f j ( x k ) ) c j = ∑ k = 1 N f i ( x k ) y k (2) \sum_{j = 1}^{M}(\sum_{k = 1}^{N}f_{i}(x_{k})f_{j}(x_{k}))c_{j}=\sum_{k=1}^{N}f_{i}(x_{k})y_{k}\tag{2} j=1∑M(k=1∑Nfi(xk)fj(xk))cj=k=1∑Nfi(xk)yk(2)
最后我们对其实现矩阵化操作:
我们令 F = [ f 1 ( x 1 ) f 2 ( x 1 ) ⋯ f M ( x 1 ) f 1 ( x 2 ) f 2 ( x 2 ) ⋯ f M ( x 2 ) ⋮ ⋮ ⋱ ⋮ f 1 ( x N ) f 2 ( x N ) ⋯ f M ( x N ) ] F= \left[ \begin{matrix} f_{1}(x_{1}) & f_{2}(x_{1}) &\cdots & f_{M}(x_{1}) \\ f_{1}(x_{2}) & f_{2}(x_{2}) &\cdots& f_{M}(x_{2}) \\ \vdots&\vdots&\ddots&\vdots\\ f_{1}(x_{N}) & f_{2}(x_{N}) & \cdots& f_{M}(x_{N})\\ \end{matrix} \right] F=⎣⎢⎢⎢⎡f1(x1)f1(x2)⋮f1(xN)f2(x1)f2(x2)⋮f2(xN)⋯⋯⋱⋯fM(x1)fM(x2)⋮fM(xN)⎦⎥⎥⎥⎤可以将(2)式用矩阵表达出来 F ′ F C = F ′ Y F'FC =F'Y F′FC=F′Y
求得的系数矩阵 C C C为 C = ( F ′ F ) − 1 F ′ Y C = (F'F)^{-1}F'Y C=(F′F)−1F′Y
我用matlab实现了这个过程,代码如下:
吐槽一点,csdn粘贴matlab代码挺麻烦的function [ C ,err] = leastSquareApprox( X,Y,fun) %leastSquareApprox: least square approximation by linear combination of nonlinear correlation equations % Input: X is the 1*n abscissa vector % : Y is the 1*n ordinate vector % : fun is the n*1 based function % Output: C is the coefficient list for the function % : err is the maximum of the least square approximation for each point if (length(X) ~= length(Y)) error('wrong size'); else n = length(X); X0 = reshape(X,n,1); F = subs(fun, X0); C = (pinv(F'*F))*F'*Y; Xt = min(X):0.1:max(X); ft = subs(fun, Xt')*C; scatter(X,Y); hold on; plot(Xt,ft,'r'); hold off; f0 = subs(fun, X)*C; err = max((f0-Y).^2); end end
这里需要特别注意的一点是输入的fun这个参数,是我们作为最小二乘拟合(最佳平方逼近)的函数。
这里我来展示一下怎么去实现这个基函数。
这里,我的基函数通过符号变量来表达,
我们可以选择多项式作为基底,当我们输入记得的数量n时,该基底可以表示为
{ 1 , x , x 2 , x 3 , ⋯ , x n − 1 } \left \{1,x,x^2,x^3,\cdots,x^{n-1}\right \} {1,x,x2,x3,⋯,xn−1}
(如果我们不去讨论这组基的具体在所张成的空间的定义,或者说不一定要符合在该空间多定义出的的正交这一性质的话,也就是说我们只要保证基底中的元素不能直接相互表示的话)
我们可以写一段程序来实现它:(syms和sym 用来定义符号变量)n = input('please input the size of the data '); syms x; B = sym(zeros(1,n)); for i = 0:n-1 B(i+1) = x.^i; end
这样,我们就把作为基底的多项式输出出来了。
效果
假设我们只输入五个点:对应的自变量X=[1,2,3,4,5]和因变量Y=[15,64,84,12,34]
这里我先选用3个基底(n=3)来进行拟合,也就是二次函数拟合:
得到的效果如下:
输出的数值为:
其中误差为d关于误差的讨论
已知i我们输入的为5个点,n为基底中元素的个数
当我们令n=5时,由范德蒙德行列式,我们可以知道,当我们输入的点不同时,该行列式的值不为0,也就是说,插值函数是具有唯一性的。也就是说,无论我们用的是拉格朗日插值还是牛顿插值,还是这里用到的矩阵运算,我们得到的东西是一样的。而不同的插值方法的功效主要还是体现在计算机的运行效率上,比如牛顿插值用到了递归的方法从而节约了运算的时间。
当我们把n变为>5的数,我们可以保证逼近出来的曲线是过每一个点的,所得出来的误差应该为0。但由于插值函数的唯一性,我们不应该认为这是插值,但这样的一个方法应该叫什么,我现在并不清楚,也许以后会学到并理解。
我们这里把n设为8
结果如下:
写在最后
1.在计算机实现逼近的过程中,输入的变量与输出的变量一定是离散且有限的,也就是说,在计算机数值计算中,我们用的大多为 ∑ \sum ∑而不是 ∫ \int ∫。
2.假如我们输入的是N个点,假如我们使用的基底(不能相互表示)中元素的数量是>=N的,那我们逼近出来的曲线一定是过我们输入的每一个点的,(=N的时候是为插值)。
3.同样,我们也可以注意到,其实DFT算法的核心思想与我今天所写的其实是一致的。唯一不同的是他运用的是 e − 2 π i m N e^{-\frac{2\pi im}{N}} e−N2πim作为基底,其中 m = 0 , 1 , 2 , ⋯ , N − 1 m = 0,1,2,\cdots,N-1 m=0,1,2,⋯,N−1。
-
已知W1∩W2的一组基,将它扩充为W1+W2的一组基
2019-11-01 12:45:33 -
【运筹学】线性规划数学模型 ( 线性规划求解 | 根据非基变量的解得到基变量解 | 基解 | 基可行解 | 可行基 ...
2020-07-13 21:59:40一、线性规划求解、 二、根据非基变量的解得到基变量解、 三、基解、 四、基可行解、 五、可行基
一、线性规划求解
在上一篇博客 【运筹学】线性规划数学模型 ( 求解基矩阵示例 | 矩阵的可逆性 | 线性规划表示为 基矩阵 基向量 非基矩阵 非基向量 形式 ) 中 , 将线性规划的等式表示为以下形式 :
B X B + N X N = b BX_B + NX_N = b BXB+NXN=b
写成上述形式之后 , 就可以表示出上述等式的解 , 如果上述等式解满足线性规划约束变量的要求 , 即所有的变量都大于等于 0 , 那么该解就是线性规划的解 ;
上述式子中 , X N X_N XN 非基变量 , 是可以随意取值的变量 ;
只要非基变量 X N X_N XN 取定一组解 , 基变量 X B X_B XB 就可以被唯一确定 ;
( X B X N ) \begin{pmatrix} X_B \\ X_N \\ \end{pmatrix} (XBXN) 就是 方程组完整的解 ;
二、根据非基变量的解得到基变量解
如何根据非基变量 X N X_N XN 的解 , 确定基变量 X B X_B XB 的解 ?
基矩阵 B B B 是可逆的 , 那么 B B B 的逆矩阵 B − 1 B^{-1} B−1 是存在的 , 上述方程 B X B + N X N = b BX_B + NX_N = b BXB+NXN=b 左右两端 , 都乘以 B − 1 B^{-1} B−1 , 如下计算 :
B X B + N X N = b ( B X B + N X N ) × B − 1 = B − 1 b I × X B + B − 1 N X N = B − 1 b X B = B − 1 b − B − 1 N X N \begin{array}{lcl} BX_B + NX_N &=& b\\\\ ( BX_B + NX_N ) \times B^{-1} &=& B^{-1}b \\\\ I \times X_B + B^{-1}NX_N &=& B^{-1}b\\\\ X_B & = & B^{-1}b - B^{-1}NX_N \end{array} BXB+NXN(BXB+NXN)×B−1I×XB+B−1NXNXB====bB−1bB−1bB−1b−B−1NXN
其中 I I I 是单位阵 , 单位阵乘以矩阵 X B X_B XB 其结果还是 X B X_B XB ;
关于单位阵 , 参考 单位矩阵 - 百度百科
上述式子最终得到 X B = B − 1 b − B − 1 N X N X_B = B^{-1}b - B^{-1}NX_N XB=B−1b−B−1NXN , 此时 如果非基变量的值 X N X_N XN 已经解出来 , 那么 基变量 X B X_B XB 可以通过上述表达式表示出来 ;
三、基解
给定一个基矩阵 B B B , 约束方程可以转化成 X B = B − 1 b − B − 1 N X N X_B = B^{-1}b - B^{-1}NX_N XB=B−1b−B−1NXN 形式 , 只要给定一组 X N X_N XN 的解 , 就可以 得到一组 X B X_B XB 的解 ;
非基变量 O O O 解 : 找到 X N X_N XN 的一组最简单的解 , 这里随意找一组 X N X_N XN 的解都可以 , 最简单的一组解就是 X N X_N XN 的所有值都是 0 0 0 , 即让所有的非基变量等于 0 0 0 , 此时 X N X_N XN 为零矩阵 , 使用 O O O 表示 ;
对应基变量的解 : 将所有的非基变量等于 0 0 0 , 即 X N = O X_N = O XN=O 的条件代入 X B = B − 1 b − B − 1 N X N X_B = B^{-1}b - B^{-1}NX_N XB=B−1b−B−1NXN 中 , 有 :
X B = B − 1 b X_B = B^{-1}b XB=B−1b
此时线性规划的解为 : ( B − 1 b O ) \begin{pmatrix} B^{-1}b \\ O \\ \end{pmatrix} (B−1bO) , 其中 O O O 是零矩阵 ; 该解就是线性规划的基解 ;
基矩阵 B B B -> 非基变量解 O O O -> 基变量解 B − 1 b B^{-1}b B−1b : 基解最根本是先确定基矩阵 B B B , 确定 基矩阵 B B B 之后 , 就可以将变量分为基变量 和 非基变量 , 此时将非基变量取值为零矩阵 O O O , 得到基变量的解 B − 1 b B^{-1}b B−1b ;
基解 X B X_B XB 是由基矩阵 B B B 唯一确定的 ; 只要给定基矩阵 , 就可以唯一确定基解 ;
基解个数 : 一个线性规划中的基解个数 , 就是基矩阵可数 , 就是可逆矩阵个数 ;
通常情况下的基解个数 : 系数矩阵 A A A , 是 m × n m \times n m×n 维的矩阵 , m m m 行等式 , n n n 个变量 , 其任意 m m m 列向量 , 组成的 m m m 阶方阵 , 都是可逆矩阵 , 其有 C ( n , m ) C(n,m) C(n,m) 个基矩阵 , 也有 C ( n , m ) C(n,m) C(n,m) 组基解 ;
基解定义 : 确定一个 m × n m \times n m×n 阶系数矩阵的基矩阵 B B B , 令非基变量 X N X_N XN 等于 0 0 0 , 有约束条件 X B = B − 1 b − B − 1 N X N X_B = B^{-1}b - B^{-1}NX_N XB=B−1b−B−1NXN 可以解出其基变量 X B X_B XB , 这组 ( B − 1 b O ) \begin{pmatrix} B^{-1}b \\ O \\ \end{pmatrix} (B−1bO) 解 , 称为基解 ; 基解中的变量取非 0 0 0 值的个数 , 不超过等式个数 m m m , 基解总数不超过 C ( n , m ) C(n,m) C(n,m) ;
四、基可行解
完整的线性规划标准形式如下 :
m a x Z = ∑ j = 1 n c j x j s . t { ∑ j = 1 n a i j x j = b i i = 1 , 2 , ⋯ , m x j ≥ 0 j = 1 , 2 , ⋯ , n \begin{array}{lcl}max Z = \sum_{j = 1}^{n} c_j x_j\\\\ s.t \begin{cases} \sum_{j = 1}^{n} a_{ij} x_j = b_i & i = 1,2,\cdots,m \\ \\ x_j \geq 0 & j= 1, 2,\cdots,n \end{cases}\end{array} maxZ=∑j=1ncjxjs.t⎩⎪⎨⎪⎧∑j=1naijxj=bixj≥0i=1,2,⋯,mj=1,2,⋯,n
上述的基解 , 只是根据 ∑ j = 1 n a i j x j = b i ( i = 1 , 2 , ⋯ , m ) \sum_{j = 1}^{n} a_{ij} x_j = b_i \quad ( i = 1,2,\cdots,m) ∑j=1naijxj=bi(i=1,2,⋯,m) 约束条件等式解出的 ;
还需要满足 x j ≥ 0 ( j = 1 , 2 , ⋯ , n ) x_j \geq 0 \quad ( j= 1, 2,\cdots,n) xj≥0(j=1,2,⋯,n) 条件 ;
基可行解定义 : 满足线性规划中的 x j ≥ 0 ( j = 1 , 2 , ⋯ , n ) x_j \geq 0 \quad ( j= 1, 2,\cdots,n) xj≥0(j=1,2,⋯,n) 约束条件的 基解 , 称为 基可行解 ;
给定线性规划系数矩阵 m × n m \times n m×n 阶 :
- 其可行解个数是无限的 , 因为其非基变量 X N X_N XN 可以有无限种取值 , 对应的基变量 X B X_B XB 也有无限种取值 ;
- 其基解个数是有限的 , 因为非基变量只能取 O O O 零矩阵 , 对应的基变量也是有限的 , 不超过 C n m C_n^m Cnm 个 ;
可行解有无穷多个 , 基解是有限个 , 如果一个解既是基解 , 又是可行解 , 那么称该解是基可行解 ;
基解个数是有限的 , 基可行解 是 基解 与 可行解 的交集 , 基可行解的个数必然也是有限的 ;
迭代思想 : 在解里面找到一个解 , 看该解是否是最优的 , 如果不是 , 就迭代到下一个解 , 继续重复查看该解是否是最优 ; 如果迭代的集合是有限的 , 其肯定要比无限的集合简单很多 ;
因此线性规划中 , 在有限个基可行解中 , 迭代查找最优解 , 将搜索范围从无限个可行解 , 变成了有限个基可行解 ;
五、可行基
可行基 : 基可行解 对应的 基矩阵 B B B , 就是 可行基 ;
使用 X B = B − 1 b − B − 1 N X N X_B = B^{-1}b - B^{-1}NX_N XB=B−1b−B−1NXN , 代入 X N = O X_N = O XN=O , 解出其基变量 X B X_B XB , 这组 ( B − 1 b O ) \begin{pmatrix} B^{-1}b \\ O \\ \end{pmatrix} (B−1bO) 基解 , X N X_N XN 中的非基变量解肯定是大于等于 0 0 0 的 , 如果 B − 1 b B^{-1}b B−1b 中有负分量 , 那么该解不是基可行解 , 对应的基矩阵 X B X_B XB 不是可行基 ;
-
线性代数中一组基向量的标准正交化原理通熟易懂理解
2018-11-08 01:31:32我们先来看图,看看这个方法的操作过程,等一下,我找找我的大学的线性代数课本,找到啦!(哈哈,虽然读研了,因为我是...1.首先我们看看这个正交化过程,因为a1,a2...an为一组基向量(大佬们请原谅我用a字母代替阿... -
怎么求矩阵对应的基
2018-12-24 15:39:00对矩阵做初等行变换,化为上三角形 或 对角型, 主对角元素不为0的列即为该矩阵的一组基。 A =这个矩阵对应的一个基 为 ,, 其实,将第二行的 -1 倍加到第一行上,化为 所以基也可以是,,这个就对应的平面直角... -
过渡矩阵、线性变换矩阵在对应基下坐标的求法
2021-12-20 20:32:27在求过渡矩阵时尤其要注意的是过渡矩阵和哪个向量组相乘得另一个向量组。 一般情况下,若描述是:求A到B的过渡矩阵,则形式应当是B=AC,其中C为过渡矩阵。 -
向量空间基和维数的等价定义及求法
2020-12-19 12:50:05向量 空 间 基 和 维数的等 几 价 定 义 及 求 法 龙德明 在现行各种高等代数教材中, 对于有限维 向量空 间的基和维数的定义 各不 相同 , 本文将对几种定义的等价性问题加以讨论 , 并给出有限维向量空间的基的求法 ... -
二七、标准正交基下求坐标、投影的简便方法
2020-02-19 17:37:22如果一个基中的每一个向量长度为1,且任意两个不同的向量的点积等于0,那么该基就称为标准正交基,例如: 2. 标准正交基的好处 标准正交基有什么好处?它们可以构造很好的坐标系,此时求该坐标系中的坐标时,... -
线性基求交与求并
2019-03-26 21:31:20明显答案也是一个线性基。 重要的是如下公式: 如果βi\beta_iβi能被{αi}\{\alpha_i\}{αi}与βj=1→i−1\beta_{j = 1 \to i - 1}βj=1→i−1线性表示出来, 我们可以把{αi}\{\alpha_i\}{αi}或者βj=1→... -
【运筹学】线性规划数学模型 ( 求解基矩阵示例 | 矩阵的可逆性 | 线性规划表示为 基矩阵 基向量 非基矩阵 ...
2020-07-12 21:12:05一、求解基矩阵示例、 二、矩阵的可逆性分析、 三、基矩阵、基向量、基变量、 四、线性规划等式变型 -
【矩阵论笔记】线性变换在不同基偶下的矩阵之间的关系
2020-05-24 15:23:25在同一个线性空间不同基下的线性变换之间的关系 我们为了找比较简单的形式 例题 这个就是套公式的形状,是一个比较固定的求法。把这个特征向量构成的矩阵P求出来后,就是线性变换在不同基下的形式。正好求... -
matlab如何求线性空间维数与基并做正交化
2020-06-20 09:43:54命令格式 rref求极大线性无关组数量 [R,j]=rref(A) A是矩阵 R是简化后的阶梯形 j是主元 j所求出的主元就是线性空间的一个基 然后对基采用orth正交 例子:求下列向量组的维数和基并作正交化 >> clear >> a1=[4 0 -2 -... -
通过给定一组数据点并反求控制点的NURBS曲线插值生成Matlab编程实例
2020-08-02 23:10:12非均匀有理B样条(NURBS)是几何造型的一个十分有用的工具,以其良好的特性越来越受到工程界的重视。它可以用统一的数学形式表示规则曲面与自由曲面;有操纵控制顶点及权因子,为各种形状设计提供了充分的灵活性,有强... -
欧几里得空间——标准正交基
2019-06-09 17:41:33定义5 欧氏空间V中一组非零的向量,如果它们两两正交,就称为一正交向量组。 1.由单个非零向量所成的向量组也是正交向量组。...一组基为标准正交基的充要条件是:它的度量矩阵为单位矩阵。因为度量矩阵是正... -
高代——关于线性变换基,矩阵,核与值域
2019-11-15 17:04:41设ε1,ε2,ε3,ε4\varepsilon_1,\varepsilon_2,\varepsilon_3,\varepsilon_4ε1,ε2,ε3,ε4是4维空间VVV的一组基,已知线性变换A\mathscr{A}A在这组基下的矩阵为(1021−121312552−21−2)... -
【运筹学】线性规划问题的解 ( 可行解 | 可行域 | ... 基 | 基变量 | 非基变量 | 基解 | 基可行解 | 可行基 )
2019-11-01 10:45:40I . 线性规划问题解 II . 可行解 与 可行域 III . 最优解 IV . 秩 的 概念 V . 基 的概念 VI . 基变量 与 非基变量 VII . 基解 VIII . 基可行解 与 可行基 IX . 示例 求基矩阵 -
向量空间的基
2017-01-16 20:12:16向量空间的基定义是:一个向量空间 V 最大的线性独立子集,称为这个空间的基.若 V=0,唯一的基是空集.对非零向量空间 V,基是 V 最小的生成集.如果一个向量空间 V 拥有一个元素个数有限的生成集,那么就称 V 是一个有限... -
线性空间的基和维数
2020-12-19 12:50:01本节就线性空间的基和维数进行分析总结,这一节是考研中容易出现的一部分,虽然概念性比较多,但是容易理解,也是很基础容易掌握的一部分,所以希望大家掌握本节老师给出的所有定义,定理及其例题.一. 域F上线性空间... -
【运筹学】线性规划 单纯形法 ( 基矩阵 | 基变量 | 非基矩阵 | 非基变量 | 矩阵分块形式 | 逆矩阵 | 基解 |...
2019-11-12 11:42:13基矩阵 B II . 基向量 P_jP j III . 基变量 IV . 非基矩阵 NN V . 系数矩阵分块形式 A = ( B N )A=(BN) VI . 基变量向量 X_BX B 非基变量向量 X_NX N 及 分块形式 VII . 分块形式的计算公式 ... -
线性空间标准正交基的构造——Schmidt正交化
2020-10-30 13:19:24如何把一组基构造成标准正交基 -
正交矩阵、正交向量组、标准正交基、正交基
2019-06-03 13:16:40直接给定义:欧式空间V的一组非零向量,如果他们俩俩向量正交,则称是一个正交向量组。 (1)正交向量组 是 线性无关的 (2)n维欧式空间中俩俩正交的非零向量不会超过n个,即n维欧式空间中一个正交向量组最多n个... -
线性规划数学模型 ( 单纯形法 | 第一次迭代 | 方程组同解变换 | 计算新单纯形表 | 计算检验数 | 入基变量...
2020-07-20 20:56:44一、初始基可行解后第一次迭代、 二、迭代后新的单纯形表、 三、方程组同解变换、 四、生成新的单纯形表、 五、解出基可行解、 六、计算检验数并选择入基变量、 七、选择出基变量 -
线性代数基础6--空间的基,维数,以及四种重要子空间.
2022-01-09 19:14:12线性无关:对于一组向量,如果除了全为0的线性组合,再也找不到一组线性组合,能让向量与这一组线性组合的结果为0,那么就说这一组向量是线性无关的.否则就称,这一组向量线性相关. 这个背景知识告诉我们什么? 三个二维... -
标准正交基
2020-01-10 12:01:06首先,介绍内积运算,然后通过内积定义正交关系; 其次,解释了什么是基以及什么是标准正交基; 接着,阐明了标准正交基的一些便利性; 最后,给出如何由一组基得到一组标准正交基。 -
线性代数之极大无关组的求法
2021-03-15 10:30:00线性代数之极大无关组的求法 初等变换法 已知矩阵向量组 求其该向量组的的极大无关组。详细步骤见下: 则这里箭头执行的列向量为极大无关组,而 总结 Step1:原向量不论是行、还是列的,均按照列... -
线性基(线性无关的基底)
2019-06-13 20:59:39一组线性无关的向量便可以作为一组基底,张起一个线性的向量空间,这个基地又称之为线性基。这个线性基的基底进行线性运算,可以表示向量空间内的所有向量,也即所有向量可以拆成基底的线性组合。 定义 设数集T的... -
线性规划第一阶段入基变量和出基变量选择的细节讨论
2019-02-11 10:23:34第一阶段目标是找可行解。例如: {x1=x3−1x2=x3+2 \left\{ \begin{array}{} x_1& = &x_3-1\\ x_2& = &...