传媒与信息工程学院 欧 新 宇
第04讲 矩阵的基础知识
第3章 矩阵
⚫ 矩阵的定义及基本操作
⚫ 基于矩阵的向量
⚫ 特殊形态的矩阵
⚫ 矩阵的四则运算
⚫ 矩阵的秩和矩阵的迹
⚫ 矩阵的分块
⚫ 张量的常用操作
⚫ 矩阵的应用
矩阵的定义及基本操作
历史与目标
在数学中,矩阵(Matrix)是一个按照长方阵列排列的复数 或实数集合,最早来自于方程组的系数及常数所构成的方阵。这一 概念由19世纪英国数学家凯利首先提出。作为解决线性方程的工 具,矩阵也有不短的历史。成书最早在东汉前期的《九章算术》中,
用分离系数法表示线性方程组。
学习线性代数的主要目标就是:学会利用矩阵来描述系统,
并用矩阵软件工具去解决各种问题。
1. 矩阵的定义和基本描述
矩阵的定义
【定义】由𝑚×𝑛个数(i=1,2,...,m; j=1,2,...,n) 排成的𝑚行𝑛列的矩形数 表就称为矩阵。如下所示,可以使用加粗斜体大写英文字母来表示 一个矩阵。
𝑨 =
𝑎
11
𝑎12
𝑎21
𝑎22
… 𝑎
1𝑛
… 𝑎
2𝑛
⋮ ⋮ 𝑎
𝑚1
𝑎𝑚2
⋱ ⋮
… 𝑎
𝑚𝑛
若矩阵A是一个𝑚行𝑛列的矩阵,则称它为𝑚×𝑛(阶)矩阵。为表 示它是一个整体,总是加一个括弧或者方括号来表示它。矩阵中的 𝑚×𝑛个数称为矩阵A的元素,其中 𝑎
𝑖𝑗
表示矩阵A的第 i 行第 j 列的 元素。𝑚×𝑛 矩阵也可以被记作 。1. 矩阵的定义和基本描述
矩阵的定义
在python中,一般使用numpy数组来表示矩阵,实际上对于 包括向量、矩阵及张量在内,都习惯使用numpy数组来表示,并 使用numpy.array()来实现对数组的定义。
1. 矩阵的定义和基本描述
Numpy中也有numpy.mat()和numpy.matrix(),它是array的一个 子集,同时拥有更方便的计算方法,但没有array那么通用,它只
同型矩阵及矩阵相等
【定义】如果两个矩阵的行数相等、列数也相等,则称它们为同 型矩阵。若矩阵 𝐴=𝑎
𝑖𝑗
与矩阵 𝐵=𝑏𝑖𝑗
是同型矩阵,且它们所有对 应位置的元素均相等,即:𝑎
𝑖𝑗
= 𝑏𝑖𝑗
(𝑖=1,2,..,𝑚;𝑗=1,2,...,𝑛) , 则称矩阵A与矩阵B 相等,记作:𝐴=𝐵。1. 矩阵的定义和基本描述
转置(Transpose)
【定义】矩阵的转置:转置是矩阵的重要操作之一,矩阵的转置 是以对角线为轴的镜像,这条对角线从左上角到右下角被称为主 对角线。我们将矩阵𝑨的转置表示为𝑨
𝑇
,定义如下:𝐴
𝑇 𝑖,𝑗
= 𝐴𝑗,𝑖
具体而言:𝐴 =
𝐴
1,1
𝐴1,2
𝐴2,1
𝐴2,2
𝐴3,1
𝐴3,2
⇒ 𝐴
𝑇
= 𝐴1,1
𝐴2,1
𝐴3,1
𝐴1,2
𝐴2,2
𝐴3,2
1. 矩阵的定义和基本描述
转置(Transpose)
⚫ 标量的转置:标量可以看成是只有一个元素的矩阵。因此,
标量的转置等于它本身,即: 𝑎 = 𝑎
𝑇
。⚫ 向量的转置:向量可以看作是只有一列(行)的矩阵。因此,
向量的转置可以看作是只有一行(列)的矩阵。
• 若将向量元素作为行向量写在文本行中,则可以通过转置 将其转换为标准的列向量,比如: 𝒙 = [𝑥
1
, 𝑥2
, 𝑥3
]𝑇
。• 若将向量直接写在文本行中,则向量𝒂本身就是标准列向 量,其转置𝒂
𝑇
为行向量。1. 矩阵的定义和基本描述
转置的运算规律
矩阵的转置也是一种运算,满足下述运算规律(假设运算都 是可行的):
⚫ (𝐴
𝑇
)𝑇
=𝐴⚫ (𝐴+𝐵)
𝑇
=𝐴𝑇
+𝐵𝑇
⚫ (𝜆𝐴)
𝑇
=𝜆𝐴𝑇
⚫ (𝐴𝐵)
𝑇
=𝐵𝑇
𝐴𝑇
矩阵的转置
可以脱括号,但是要注意顺序
转置(Transpose)
【定义】 给定矩阵𝐴
𝑚×𝑛
, 若将其行和列的元素进行位置互换,可以 得到一个新的矩阵𝐵𝑛×𝑚
。那么矩阵B就称为矩阵A的转置矩阵,并 记作 𝐵=𝐴𝑇
。同时,矩阵A也称为矩阵B的转置矩阵。行和列的互换 操作就称为矩阵的转置。【例3.1】下面给出矩阵转置的Python代码:
矩阵的转置
注意向量(一维数组)无法执行转置运算。
【例1】矩阵转置的例子
此处只给出Python代码的实现方法:
矩阵的转置
矩阵的Frobenius范数
弗罗贝尼乌斯范数(Frobenius范数):简称为F范数,是一种 定义在矩阵上的范数,用于衡量矩阵的大小。F范数表示矩阵中 各元素的平方和开方。矩阵A=(a
ij
)的Frobenius范数为:A
F
= 𝑖,𝑗
𝐴
𝑖,𝑗 2
向量的范数
在Python中,我们可以使用
np.linalg.norm(A)来求矩阵的F范数。
当
A 为矩阵时
,np.linalg.norm()方 法默认为F范数。基于矩阵的向量
为了规范和便于计算,所有的量(向量、矩阵、张量)都规 范成张量,并同时使用矩阵(张量)来进行表示。在程序中,我 们统一使用numpy数组来表示这种量。此时,
⚫
一个 1×n 的行向量 𝑎𝑇
就表示成一个只有一行的矩阵;⚫
一个 n×1 的列向量 𝑏 则表示成一个只有一列的矩阵。【结果分析】我们使用一个二维数组来显示向量(两层中括号),
这种方法基本上贯穿于整个计算机领域。其中 a 用来表示一个四 维行向量(二阶张量),b 表示一个四维列向量(二阶张量) 。
2. 基于矩阵的向量
课堂互动一 Link
特殊形态的矩阵
⚫
方阵⚫
对称矩阵⚫
零矩阵⚫
对角矩阵⚫
三角矩阵⚫
单位矩阵⚫
逆矩阵⚫
正定矩阵⚫
半正定矩阵⚫
负定矩阵⚫
正交矩阵3. 特殊形态的矩阵
方阵
【定义】行数和列数相等的矩阵称为方阵,即存在𝑨
𝑚×𝑛
, 𝑚 = 𝑛 。 方阵的行数或列数称为矩阵的阶数。例如,一个 𝑛 阶方阵记为 𝐴𝑛
。3. 特殊形态的矩阵
对称矩阵(Symmetric Matrix)
【定义】给定矩阵𝐴
𝑚×𝑛
,若其转置矩阵𝐴𝑇
与原矩阵相等,即:𝑨
𝑇
= 𝑨,则矩阵A称为对称矩阵。不难发现,矩阵对称的前提条件有两点:
1. 矩阵A是一个方阵
2. 矩阵A的每一个元素都满足 𝐴
𝑖𝑗
=𝐴𝑗𝑖
3. 特殊形态的矩阵
对称矩阵(Python描述)
3. 特殊形态的矩阵
零矩阵
所有元素都为0的矩阵称为零矩阵,记作O。此外还可以通过 下标法标识出零矩阵的形态,例如一个4×5的零矩阵,可以表示为 𝑂
4×5
。值得注意的是,不同型的零矩阵是不同(不相等)的,例如:𝑂
4×5
≠𝑂2×3
。零矩阵最重要的作用就是用来初始化矩阵,
⚫ 一方面可以使用零矩阵来表示实际存储数据矩阵的规模,达到 初始化矩阵和申请内存空间的功能;
⚫ 另一方面零矩阵也是占用存储空间最小的矩阵。
3. 特殊形态的矩阵
零矩阵 3. 特殊形态的矩阵
✓ 任意匹配:
(A==B).any()
✓ 所有匹配:
(A==B).all()
✓ 按位匹配:(A==B)
✓ 形态匹配:
A.shape==B.shape
对角矩阵(Diagonal Matrix)
【定义】一个n阶方阵的左上角与右下角之间的连线称为它的主对 角线。除了主对角线上的元素外所有的元素都为0,这种矩阵就称 为对角矩阵,即:𝑎
𝑖𝑗
= 0, 𝑖 ≠ 𝑗。𝑨 =
1
0 0
20 0 0 0 0 0 0 0
0 0 0 0
3
0 0 0
40 0 0
53. 特殊形态的矩阵
在对角矩阵中 ,
为0的元素位置可
以省去不写。
上三角矩阵和下三角矩阵
【定义】主对角线下方的元素全为零的方阵称为上三角矩阵,主对 角线上方的元素全为零的方阵称为下三角矩阵。
上三角𝐴
𝑈
=𝑎
11
𝑎12 𝑎 11
𝑎22
⋯ 𝑎
1𝑛
⋯ 𝑎
2𝑛 𝑎 11 𝑎 11
𝑎 11 𝑎 11
⋱ ⋮
𝑎 11
𝑎𝑛𝑛
,下三角𝐴
𝐷
=𝑎
11 𝑎 11
𝑎21
𝑎22
⋯ 𝑎 11
⋯ 𝑎 11
⋮ ⋮ 𝑎
𝑛1
𝑎𝑛2
⋱
⋮
⋯ 𝑎
𝑛𝑛
3. 特殊形态的矩阵
0
0
单位矩阵(Identity Matrix)
【定义】在对角矩阵中,如果对角线上的元素都为1,则该矩阵称 为单位矩阵。任意矩阵和单位矩阵相乘,都不会改变。我们把 n 阶 单位矩阵记作 𝐼
𝑛
(也被记作 𝐸𝑛
),形式上:∀𝑥 ∈ ℝ𝑛
, 𝐼𝑛
𝑥 = 𝑥。𝑰 =
1
1 1
11 1 1 1 1 1
1 1
1
1 1
13. 特殊形态的矩阵
逆矩阵(Matrix Inversion)
矩阵A的逆矩阵记作
A −1
,其定义的矩阵满足如下条件:𝐴
−1
𝐴 = 𝐼𝑛
通常可以通过矩阵逆解的方式求解逆矩阵,但是首先需要考 虑逆矩阵是否存在。更一般地说,相同的逆矩阵可以用于多次求 解不同向量b的方程,如后续的基底变换。但实际应用中,逆矩 阵主要作为理论工具,因为逆矩阵𝐴
−1
在数字计算机上只能表现 有限的精度。求解逆矩阵,在python中可以通过如下代码实现:from scipy import linalg linalg.inv(A)
3. 特殊形态的矩阵
逆矩阵的性质
1. 如果矩阵A可逆,则A的逆矩阵唯一。
2. 若A、B为同阶可逆方阵,且满足AB=I,则BA=I,即A和B互逆 3. 若A可逆,则A
-1
也可逆,且(A-1
)-1
=A 。4. 若A可逆,数λ≠0,则λA可逆,且 (λA)
-1
= A-1
λ-1
5. 若A、B均为n阶可逆方阵,则AB也可逆,且(AB)
-1
= (B-1
)(A-1
)。此 性质可推广至k个同阶方阵连乘的情况:(A
1 A 2 …A k
)-1
= Ak -1 A k-1 -1 ... A 1 -1
3. 特殊形态的矩阵
正交矩阵( Orthogonal Matrix)
正交矩阵:逆矩阵等于它的转置矩阵的方阵。正交矩阵的行向量 和列向量分别都是标准正交,即该矩阵的一个内积空间的正交基 是元素两两正交的基,这意味着基向量的模长都是单位长度。
正交矩阵求逆矩阵的代价很小,因此备受关注,此外,它还 具有很多有趣的性质,例如:
1). 𝑨
−1
= 𝑨𝑇
;2). 𝑨
𝑇
也是正交矩阵;3). 𝑨的行列式值等于1或-1;
4). 𝑨的各行(列)是单位向量,且两两正交
3. 特殊形态的矩阵
正定、半正定和负定矩阵
⚫ 正定矩阵(Positive Definite Matrix):对于矩阵M,任意非 零向量𝒛,都有:𝒛
𝑇
𝑴𝒛 > 0。⚫ 半正定矩阵(Positive Semidefinite Matrix):对于矩阵M
,任意非零向量𝒛,都有:𝒛
𝑇
𝑴𝒛 ≥ 0。⚫ 负定矩阵(Negative Definite Matrix):对于矩阵M,任意 非零向量𝒛,都有:𝒛
𝑇
𝑴𝒛 < 0。对于以上三种特殊矩阵,它们都有很多不同的判定方法和性 质,目前只需要记得它们的定义即可。
3. 特殊形态的矩阵
课堂互动二 Link
读万卷书 行万里路 只为最好的修炼
QQ:14777591 (宇宙骑士)
Email:ouxinyu@alumni.hust.edu.cn Tel:18687840023