合肥seo网站建设费用高端网站制作哪家专业

当前位置： 首页 > news >正文

合肥seo网站建设费用,高端网站制作哪家专业,自适应网站 与响应式,看网站的关键词文章目录向量空间向量空间的属性坐标例基变换坐标变换n维向量空间RnR^nRn子空间例线性组合与线性方程组生成子空间深度学习向量空间 设VVV是n维向量的非空集合,如果VVV对向量的加法和数乘运算封闭,即 ∀α,β∈V,∀k∈Rαβ,kα∈V\forall \alpha,\beta\in{V},\forall k\in{\ma… 文章目录向量空间向量空间的属性坐标例基变换坐标变换n维向量空间RnR^nRn子空间例线性组合与线性方程组生成子空间深度学习向量空间 设VVV是n维向量的非空集合,如果VVV对向量的加法和数乘运算封闭,即 ∀α,β∈V,∀k∈Rαβ,kα∈V\forall \alpha,\beta\in{V},\forall k\in{\mathbb{R}} \ \alpha\beta,k\alpha\in{V} ∀α,β∈V,∀k∈Rαβ,kα∈V 称集合VVV为(n维向量的)向量空间 向量空间中设计的是线性运算,因此也称向量空间为线性空间
向量空间的属性 设V为向量空间,如果Φα1,⋯,αr,αi∈V,i1,2,⋯,r\Phi\alpha_1,\cdots,\alpha_r,\alpha_i\in{V},i1,2,\cdots,rΦα1​,⋯,αr​,αi​∈V,i1,2,⋯,r Φ\PhiΦ线性无关V中的任意向量可以用Φ\PhiΦ线性表示,则 称Φ\PhiΦ是VVV的一组基rrr是V的维数称VVV是rrr维向量空间
坐标 如果Φ\PhiΦ是V的一组基,任意αi∈V\alpha_i\in{V}αi​∈V可以由Φ\PhiΦ唯一线性表示,设唯一的表出系数为x(x1,⋯,xr)Tx(x_1,\cdots,xr)^Tx(x1​,⋯,xr​)T αΦx∑i1rxiαi\alpha\Phi{x}\sum\limits{i1}^{r}x_i\alpha_i αΦxi1∑r​xi​αi​ 则称有序数xxx为向量α\alphaα在基Φ\PhiΦ下的坐标,记为x(x1,⋯,xr)Tx(x_1,\cdots,x_r)^Tx(x1​,⋯,xr​)T或x(x1,⋯,xr)x(x_1,\cdots,x_r)x(x1​,⋯,xr​) 关于唯一性:向量组添加一个向量的讨论
例 在R3R^3R3中取基:Φα1,α2,α3\Phi\alpha_1,\alpha_2,\alpha_3Φα1​,α2​,α3​ α1(1,0,0)Tα2(0,−1,0)Tα3(0,0,−1)T\alpha_1(1,0,0)^T \ \alpha_2(0,-1,0)^T \ \alpha_3(0,0,-1)^T α1​(1,0,0)Tα2​(0,−1,0)Tα3​(0,0,−1)T 将向量α(1,2,3)T\alpha(1,2,3)^Tα(1,2,3)T在Φ\PhiΦ下的坐标 通过解Φxα\Phi{x}\alphaΦxα线性方程,解向量就是坐标 (Φ∣α)(10010−10200−13)(1001010−2001−3)(x1,x2,x3)T(1,−2,−3)T(\Phi|\alpha) \begin{pmatrix} 1001\ 0-102\ 00-13 \end{pmatrix} \ \begin{pmatrix} 1001\ 010-2\ 001-3 \end{pmatrix} \ (x_1,x_2,x_3)^T(1,-2,-3)^T (Φ∣α)​100​0−10​00−1​123​​​100​010​001​1−2−3​​(x1​,x2​,x3​)T(1,−2,−3)T 因此坐标为(1,−2,−3)(1,-2,-3)(1,−2,−3)
基变换坐标变换 在n维向量空间中RnR^nRn中,任意n个线性无关的向量都可以构成一个RnR^nRn的基 对于不同的基Φi\Phi_iΦi​,同一个向量的坐标一般因基的不同而不同 设n维空间向量的两组基:Φα1,⋯,αn\Phi\alpha_1,\cdots,\alpha_nΦα1​,⋯,αn​,Ψβ1,⋯,βn\Psi\beta_1,\cdots,\betanΨβ1​,⋯,βn​,A(Φ),B(Ψ)∈Rn×nA(\Phi),B(\Psi)\in\mathbb{R}^{n\times{n}}A(Φ),B(Ψ)∈Rn×n,显然A,B都是可逆方阵(构成基的向量线性无关) BACB{AC}BAC,其中C(cij)n×nC(c{ij})_{n\times{n}}C(cij​)n×n​;该公式称为基变换公式 CA−1BCA^{-1}BCA−1B,C也是可逆矩阵(C可以表示为一系列初等矩阵的乘积A−1BA^{-1}BA−1B) 称矩阵C为A→BA\to{B}A→B的过渡矩阵,过度矩阵的计算公式:CA−1BCA^{-1}BCA−1B 对于任意的向量α∈Rn\alpha\in{R}^nα∈Rn,α\alphaα在Φ\PhiΦ下的坐标设为x(x1,⋯,xn)Tx(x_1,\cdots,x_n)^Tx(x1​,⋯,xn​)T,在Ψ\PsiΨ下的坐标设为y(y1,⋯,yn)Ty(y_1,\cdots,y_n)^Ty(y1​,⋯,yn​)T 即αA(x1,⋯,xn)TB(y1,⋯,yn)T\alphaA(x_1,\cdots,x_n)^TB(y_1,\cdots,y_n)^TαA(x1​,⋯,xn​)TB(y1​,⋯,yn​)T αAxBy\alphaAxByαAxBy代入BACαACy\alphaACyαACy可见αAxACyA(Cy)\alphaAxACyA(Cy)αAxACyA(Cy) 而α\alphaα在Φ\PhiΦ下的表示唯一,所以xCyxCyxCy也可以从AxαAx\alphaAxα具有唯一解的角度理解(方阵A是可逆的,AxαAx\alphaAxα解是唯一的),x,Cyx,Cyx,Cy都是AxαAx\alphaAxα的解,说明cCycCycCy xCyxCyxCy也可以作yC−1xyC^{-1}xyC−1x它们被称为基坐标变换公式
n维向量空间RnR^nRn n维向量全体集合Rn\mathbb{R}^nRn可构成的向量空间V 用数学语言描述只有第i个元素不为0的情况。一种可能的方法是使用克罗内克符号它是一个二元函数定义为 记ϵi\epsiloniϵi​表示把零向量的第i个元素改为1后的向量,通常取列向量;它的其他描述方法: ϵi(δi1,δi2,⋯,δin)T\epsilon{i}(\delta{i1},\delta{i2},\cdots,\delta{in})^Tϵi​(δi1​,δi2​,⋯,δin​)T δij{1,ij0,i≠j\delta{ij} \begin{cases} 1,ij\ 0,i\neq{j} \end{cases} δij​{1,0,​ijij​ ϵi(a1,⋯,an)T\epsilon_i(a_1,\cdots,an)^Tϵi​(a1​,⋯,an​)T aj{1,ji0,j≠ij1,⋯,na{j} \begin{cases} 1,ji\ 0,j\neq{i} \end{cases} \quad j1,\cdots,n aj​{1,0,​jiji​j1,⋯,n V的一组基可以是基本向量组ϵ1,⋯,ϵn\epsilon_1,\cdots,\epsilon_nϵ1​,⋯,ϵn​ Rn\mathbb{R}^nRn含有n个基向量,称Rn\mathbb{R}^nRn为n维向量空间 例如 R3R^3R3的子集U{α(a1,a2,0)T∣a1,a2∈R}U{\alpha(a_1,a_2,0)^T|a_1,a_2\in{R}}U{α(a1​,a2​,0)T∣a1​,a2​∈R} 从几何的角度看,是空间直角坐标系中xOyxOyxOy平面上的全体向量构成的且ϵ1(1,0,0)T,ϵ2(0,1,0)\epsilon_1(1,0,0)^T,\epsilon_2(0,1,0)ϵ1​(1,0,0)T,ϵ2​(0,1,0)可以表示U内的任意向量(ϕϵ1,ϵ2\phi\epsilon_1,\epsilon_2ϕϵ1​,ϵ2​是U的一组基)ϕ\phiϕ包含2个线性无关向量,因此U的维数为2,记为dim⁡U2\dim{U}2dimU2 只含有零向量的集合{0}{0}{0}称为零向量空间 它没有基(基包含0个向量),规定其维数为0
子空间 设UUU是RnR^nRn的一个非空子集,如果UUU也构成向量空间,则称U为RnR^nRn的子空间 RnR^nRn的子空间内的向量维数也是n(否则不构成子集关系){0}和RnR^nRn自身都是RnR^nRn的子空间,称它们为RnR^nRn的平凡子空间,其余子空间称为非平凡子空间 注意区分n维向量空间RnR^nRn和n维向量空间的子空间UnU^nUn,它们的共同点在于元素都是n维的向量 例 设矩阵A∈Rm×nA\in{\mathbb{R}^{m\times{n}}}A∈Rm×n齐次线性方程Ax0Ax0Ax0的解集S{ξ∣Aξ0,ξ∈Rn}S{\xi|A\xi0,\xi\in\mathbb{R}^n }S{ξ∣Aξ0,ξ∈Rn},证明S是RnR^nRn的子空间证明 因为Aξ0A\xi0Aξ0至少又零解A00A00A00,所以S≠∅S\neq\emptyS∅ 如果Aξ0A\xi0Aξ0只有零解,那么S是零空间向量{0}{0}{0},它是RnR^nRn的一个(平凡)子空间 如果Aξ0A\xi0Aξ0存在非零解,那么S含有无穷多个向量 对于任意的ξ1,ξ2∈S,k∈R\xi_1,\xi_2\in{S},k\in{R}ξ1​,ξ2​∈S,k∈R,根据线性方程组解的性质,可知 ξξ1ξ2\xi\xi_1\xi_2ξξ1​ξ2​,ηkξ1\etak\xi_1ηkξ1​依然是Aξ0A\xi0Aξ0的解,即ξ,η∈S\xi,\eta\in{S}ξ,η∈S 从而SSS是一个向量空间(S中的元素都是n维向量)又因为SSS显然是RnR^nRn的一个子集,所以S是RnR^nRn的子空间
线性组合与线性方程组 如果A是方阵,其逆矩阵 A−1A^{−1}A−1 存在那么式 AxbAxbAxb 肯定对于每一个向量 bbb 恰好存在一个解。 但是对于一般的方程组而言(A不一定是方阵)对于向量 b 的某些值有可能不存在解或者存在无限多个解两,或者存在唯一解。 存在多于一个解(是少2个)但是少于无限多个解(解的数量有限而不是无穷大)的情况是不可能发生的 因为如果 x 和y 都是某方程组的解(Axb,Ayb)Axb,Ayb)Axb,Ayb)则 zαxβy,其中αβ1z\alpha{x}\beta{y},其中\alpha\beta1 zαxβy,其中αβ1 对于任意α∈R\alpha\in{R}α∈R,zzz肯定也是AxbAxbAxb的解,因为: AzαAxβAyαbβb(αβ)bbAz\alpha{A}x\beta{A}y\alpha{b}\beta{b}(\alpha\beta)bb AzαAxβAyαbβb(αβ)bb 为了分析方程有多少个解我们可以将 A 的列向量看作从 原点origin元素都是零的向量,对于n维向量,可以理解为n维点,例如三维空间原点(0,0,0))出发的不同方向(用AAA的一个列向量来对应表示一个方向)确定有多少种方法可以到达向量 bbb。 设A∈Rm×nA\in\mathbb{R}^{m\times{n}}A∈Rm×n,则x∈Rnx\in\mathbb{R}^{n}x∈Rn,也即是说A可以看成由n个列向量构成的矩阵(用αi\alpha_iαi​表示第i个方向) A(α1,α2,⋯,αn)A(\alpha_1,\alpha_2,\cdots,\alphan)A(α1​,α2​,⋯,αn​) x(x1x2⋮xn)x\begin{pmatrix} x{1} \ x{2} \ \vdots \ x{n} \ \end{pmatrix} x​x1​x2​⋮xn​​​ 解向量 xxx 中的每个元素xix_ixi​表示应该沿着方向αi\alpha_iαi​走多的距离为 xixixi​ 将这些步骤效果叠加: Ax∑i1nαixibAx\sum\limits{i1}^{n}\alpha_{i}x_ib Axi1∑n​αi​xi​b 这种操作称为向量组的线性组合(向量bbb用矩阵A的列向量组线性表出,表出系数为向量xxx) 其中αi\alpha_iαi​是向量,xixixi​是标量 而AxbAxbAxb的线性方程组展开 是从矩阵乘积的结果bbb(或解向量xxx)的逐个分量的角度描述. Ax∑i1mβixb{a11x1a12x2⋯a1nxnb1,a21x1a22x2⋯a2nxnb2,⋮am1x1am2x2⋯amnxnbnAx\sum\limits{i1}^{m}\beta{i}xb\ \left {\begin{aligned}{} a{11} x{1}a{12} x{2}\cdotsa{1 n} x{n}b{1}, \ a{21} x{1}a{22} x{2}\cdotsa{2 n} x{n}b{2}, \ \vdots\ a{m1} x{1}a{m 2} x{2}\cdotsa{m n} x{n}b{n} \end{aligned} \right. Axi1∑m​βi​xb⎩⎨⎧​a11​x1​a12​x2​⋯a1n​xn​a21​x1​a22​x2​⋯a2n​xn​⋮am1​x1​am2​x2​⋯amn​xn​​b1​,b2​,bn​​ 其中βi\beta_iβi​是矩阵A的第i个行向量(分块),xxx是解向量
生成子空间深度学习 一组向量的 生成子空间span是原始向量线性组合后所能抵达的结果的集合。 确定 AxbAx bAxb 是否有解相当于确定向量 b 是否在 A 列向量的生成子空间中。 A∈Rm×nA\in\mathbb{R}^{m\times{n}}A∈Rm×nx∈Rn×1x\in\mathbb{R}^{n\times{1}}x∈Rn×1b∈Rm×1b\in\R^{m\times{1}}b∈Rm×1 A向量组的生成子空间被称为 A 的 列空间column space或者 A 的 值域range。 为了使方程 AxbAx bAxb 对于任意向量 b∈Rmb\in\mathbb{R}^mb∈Rm 都存在解我们要求 A 的列空间构成整个 Rm\mathbb{R}^mRm。 这意味者b一定会落在A的列空间 如果 Rm\mathbb{R}^mRm 中的某个点不在 A 的列空间中(向量b无法被矩阵A线性表出)那么该点对应的 b 会使得该方程没有解。 矩阵 A 的列空间是整个 Rm\mathbb{R}^mRm 的要求意味着 A 至少有 m 列即 n⩾mn\geqslant mn⩾m。否则A 列空间的维数会小于 m。 例如假设 A 是一个 3 × 2 的矩阵。目标 b 是 3 维的但是 x 只有 2 维。所以无论如何修改二维向量 xxx 的值也只能描绘出 R3\mathbb{R}^3R3 空间中的二维平面,当且仅当向量 b 在该二维平面中时该方程有解。 n⩾mn\geqslant{m}n⩾m仅是方程对每一点都有解的必要条件。这不是一个充分条件因为有些列向量可能是冗余的。 假设有一个 R2×2\mathbb{R}^{2\times{2}}R2×2 中的矩阵它的两个列向量是相同的。那么它的列空间和它的一个列向量作为矩阵时的列空间是一样的。换言之虽然该矩阵有 2 列但是它的列空间仍然只是一条线(只能描述某个方向)不能涵盖整个 R2\mathbb{R}^2R2 空间。