工具类服务
编辑部专用服务
作者专用服务
可交换矩阵的性质及应用
如果矩阵的乘积满足交换律,则称矩阵是可交换的.文章研究了可交换矩阵的性质,并给出了可交换矩阵的一些应用.
MENG Xian-qing
ZHANG Ying
QIAO Shi-dong
作者单位：
山西大同大学数学与计算机科学学院,山西大同,037009
年，卷(期)：
机标分类号：
在线出版日期：
基金项目：
山西省高等学校科技研究开发项目
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社矩阵论中的基本原理_矩阵论-牛bb文章网
矩阵论中的基本原理 矩阵论
所属栏目：
矩阵论中的基本原理一、线性空间和线性变换线性空间在数域上定义了八条计算的集合就是数域之上的线性空间。函数也是一种数域。A为实数（或复数）m*n矩阵，x为n维列向量。上式的所有解构成实数或复数域上的线性空间，也称为A的核空间或零空间。若一个向量能够表示为一组向量的数乘的合，则称其可以被这一组向量线性表示，即线性组合。线性相关、线性无关。任何一个向量，用线性无关的向量表示，则这种表示是唯一的。否则，可证明，不唯一的表示与线性无关相矛盾。其要点就是考察向量与数乘得到的结果之间的关系。基与坐标、坐标变换在对n阶多项式进行换基操作时，可直接利用麦克劳林方程。这时，某个函数就成为了n阶多项式线性空间之中的一个向量。矩阵的核空间就是其解空间，因为矩阵具有自然基，因此求出解即可。在某个基下的核空间的基，则因为不是自然基，因此求出解以后，还要乘以其基。又提出了过渡矩阵，以及其的可逆性。 基，就是在数域F上，线性空间V中的，一组线性无关的，且能够表示V中的任何一个向量的一组向量。基的个数就是线性空间的维数。由于向量被基的线性表示的唯一性，可引入向量在某组基下的坐标表示，且具有唯一性。因为麦克劳林展开是一个n阶多项式，而n阶多项式是线性空间。因此任何函数都可以放在线性空间中进行近似处理。怎样求核空间的基？因为一个线性变换的核是在一个线性空间V之上的，因此其核空间就是V上的基的变换，即V上的基的一种线性组合。核空间上的基的所有线性组合，再与矩阵相乘，其值都为零。因此在相空间中，核空间的相就是一个零点。基变换与坐标变换所求的即b可由原始的基a通过过渡矩阵P对其列向量进行重新的线性组合而得到：在同一个空间中的两组基之间的变换是可逆的。但是从高维度空间向低维度空间的变换是不可逆的。坐标变换：因为a是线性无关的基，所以：求过渡矩阵的一般方法：1、先求用旧的基对新的基的线性表示法2、把这种线性表示法写成矩阵的格式。线性子空间不论子空间是何种维度的，它必须通过原点。核空间可在两组基下转换。通过解得到的核空间是自然基中的空间。而用其乘以一个基，则成为了那个基之中的核空间。自然基中的核空间为：这两个空间具有相同的维度。而且其中的向量可以通过x作为过渡矩阵而一一对应。生成子空间：任何向量都可以生成子空间。并非只有基才可以。等价：若两个向量组之间可以相互线性表示，则称其等价。看了介绍子空间的视频05，给我一个感觉，实际上，任何空间不仅都包含零空间，而且都来自于零空间。这个关于空间的数学定义，可能也是我们这个宇宙所遵循的法则。那就是，任何宇宙中的空间，都来自于原点。而原点，也是一个空间。我们这个宇宙只不过是原点中不同的维度构成的空间的一种扩张。子空间的交、和若把空间中的向量看作集合中的元素。则子空间的交空间与两个集合的交集的意思相同。但子空间的和并非其集合的并。而是其中任意两个向量的线性加和所生成的空间。例如一个二维空间能够由两个线性无关的基所生成。同样的这个空间，在那两个基能够分别生成两个一维空间的时候，能够由这两个一维空间的和空间来生成。求两空间的交空间中的基的方法：利用其定义，转化为解方程的方式，然后用解得的x乘以其中一个空间中的，那个生成子空间的几个向量。两个方程组的交空间实际上就是其公共解所构成的空间。维数公式：两个子空间的维数的和等于其交空间的维数加上其并空间的维数。或者进行等式变换可以得到：两个字空间的和空间的维数等于其各自的维数的和减去其交空间的维数。直和、补子空间若两子空间的交空间为原点，则：并且与以下命题等价：设a是V1的一组基，b是V2的一组基，则a,b是V1+ V2的一组基。直和分解、互补子空间、代数补子空间的概念。线性空间的一个子空间一定存在其代数补子空间。且一个子空间的代数补子空间不是唯一的。线性映射在数域上的线性空间之中的任意两个向量，他们的合的线性映射等于他们的线性映射的和，他的数乘的线性映射等于线性映射的数乘。则称此映射为线性映射。并定义原象与象。恒等映射。用I或E记载。零映射，用0记载。线性映射的记号：在同济《工程数学》上，称为线性变换，记为：为何要求矩阵左乘向量呢？即：这是因为，左乘是对向量a进行行变换，不破坏其列空间的线性关系。矩阵的行与列抓住了矛盾的两个方面之间的相互独立、相互影响的关系特点。如果行变换是可逆的，行变换可以不改变列空间的线性结构，但列空间却依赖于行变换。既相互独立，又相互依赖。矛盾双方的地位是等同的，具有相互的独立性。但是其中一方的问题的结决依赖于另一方对整个矛盾体施加作用。上式表示x的n阶多项式。因此，线性映射与微积分有着密切的关系。线性映射有一个特殊的性质，即任何线性空间都必须包含原点，并且任何原点的像依旧是原点。例如，一个n维空间中的基可以映射到一个一维空间之上，随之，原来所需的n个坐标，变成了只需要的1个坐标。可证明，不论对于是否可逆的映射，原来线性相关的关系，映射之后也线性相关。在取定了一个基以后，一个具体的向量，还需要用基乘以坐标来表示。从高维基向低维基的变换通过右乘一个矩阵得到。即增加高维基的相关性。相反则不可行。这个矩阵就是变换基用的矩阵。线性映射的矩阵表示线性映射由以下几部分组成：1、原象的基2、象的基3、从原象的基向象的基进行映射的矩阵以上的线性映射，实际上是空间向空间的映射。而如果若要获得具体的向量，就要对基进行线性组合。也就是给每一个基乘以一个具体的数，这个数，称之为坐标。因此对于一个具体的向量还需要以下部分：4、原象的坐标5、象的坐标小结：线性映射是一种人造的函数，其映射法则，即矩阵是其关键。人可以通过改变其矩阵任意地控制其映射法则。当然是线性的。人还可以改变其原象空间与像空间的基。但人类不能改变其中的维数。维数是由映射法则所决定的。上式的意思是，基的第j个向量的线性变换的结果是，象的m个向量分别与矩阵A中第j列中的数相乘，再相加的结果。实际上就是用矩阵A中的第j列对象的基进行线性组合，得到原象第j个基的线性映射。那么这个定义是不完整的，因为不知道从原基到像基的映射。上述的是从原基到象基下的原基的映射。所以有：A为映射A在基a与基b下的矩阵表示。如果m小于n，但由于A是m行，n列的，因此能够得到n个向量。因此，如果不考虑象的基，到的映射是一个不变的结果。而如果这两个基都是不定的，那么就只有抽象的是不变的，而它的具体化的实现，则都是变换的。比如，如果代表仿射形变，则在没有具体确定基的时候，没有一个确定的A能够描述它。只能用抽象的仿射形变来描述。但是在确定的一对基下，矩阵表示A是唯一的。在不同的基下的矩阵表示是不一样的。式中，&是一个向量，它被分解成为了基与坐标的乘积，即基向量按照每个基的坐标所得到的线性组合。它的像可写为：由于向量的加和的线性变换等于向量的线性变换的加和，所以可以把坐标提出来。上述坐标相等关系的前提是他们在同一组基下表示。因为线性空间坐标的唯一性。上式称为线性映射在给定基下向量坐标变换公式。上述讨论指出了，给定一个线性变换，在给定的基下必定有一个矩阵A与之对应。其反过程同样成立。书上的例题给出了微积分与线性变换的具体联系。书上然后提出了两个有趣的问题：1、线性映射在不同对基下的矩阵表示之间有什么关系？2、对一个线性映射，能否选择一对基，使它的矩阵表示最简单。其中第一个问题，习题之中进行了解答。而对第二个问题，则是傅里叶变换、小波分析等技术所解答的问题。以上是条件。在左边，代入原基的变换，在右边，代入象基的变换，就得到了下式：此式，把新基写成了旧基的形式。根据基的线性无关，（如果把看作是坐标，则根据坐标的唯一性。）有：此时，称A与B 等价。一般的线性空间Vn与特殊的向量空间（或）同构。什么意思？线性映射的值域、核同济书中，把值域称为像；在定义了核子空间之后，核子空间的维度也就有了意义。当A可逆时，核子空间的维度为零。否则，核子空间的维数可不为零。当核子空间的维度为零时，则有线性无关的向量的像也线性无关的规律。当把A的值域引入基，就得到了的像空间当把A的核引入原象的基，就得到了的核线性变线性变换的矩阵与线性变换的运算称从线性空间到线性空间的映射为线性变换。即V到V的映射。只需要取V的一组基即可。线性变换中的换基，由于P=Q因此： 此时，成A与B相似，记为线性变换的运算：定义线性空间V中的两个线性变换的乘积，为先进行右边的变换，再对其结果进行左边的变换。N维线性空间的同构同构研究的是向量与列向量之间的一一对应。同构的线性空间是可以不加区别的。维数是有限维线性空间唯一的本质特征。线性变换的特征值与特征向量特征向量的几何意义：变换前后的特征向量仍然共线。线性变换对& 的作用是将其变为原来的& 倍。这个倍数，即是的一个特征值。提出问题：在计算的特征值和特征向量时，采用某一个基下的矩阵是否有特殊的意义？相似矩阵有相同的特征值。因此，求的特征向量可通过它的任何一个矩阵表示的特征向量而得到。相似矩阵具有相同的特征多项式、特征值、行列式、秩、迹。的特征值的全体称为它的谱。 特征向量加上零向量构成n维向量空间的一个子空间，称为特征子空间。用表示说到特征值与特征向量。特征向量会出现复数。线性变换的不变子空间 矩阵的相似对角形&-矩阵与矩阵的Jordan标准形好像是一种函数矩阵。 内积空间、正规矩阵、Hermite埃米特矩阵借助于内积把长度、夹角、正交等概念吧度量概念引入。欧式空间、酉空间设V是实数域R上的n维线性空间，对V中的任意两个向量& 、& 依一确定法则对应着一个实数，这个实数称为内积，记作（&,&）。并且要求内积（&, &）满足下列四个条件：（1）（&, &）=（&, &）(2)（k&, &）=k（&, &）（3）（&+&, v）=（&, v）+（v, &）(4)（&, &）&0，当且仅当&=0时（&, &）=0这里的&, &,v是V中任意向量。称定义有这样内积的n维线性空间为n维欧几里得空间，简称n维欧式空间。 设V是复数域C上的n维线性空间，对V中的任意两个向量& 、& 依一确定法则对应着一个复数，这个复数称为内积，记作（&,&）。并且要求内积（&, &）满足下列四个条件：（1） 其中上划线表示共轭(2)（k&, &）=k（&, &）（3）（&+&, v）=（&, v）+（v, &）(4)（&, &）&0，（为非负实数）当且仅当&=0时（&, &）=0这里的&, &,v是V中任意向量。称定义有这样内积的n维线性空间为n维复欧几里得空间，简称n维复欧式空间，或简称V为n维酉空间。 欧式空间与酉空间通称为内积空间，欧式空间可作为酉空间的特例。度量矩阵：由酉空间中的任意两组基的内积按照矩阵排列形成的矩阵。复共轭转置矩阵埃米特矩阵：可理解为复空间上的对称矩阵。反埃尔米特矩阵：酉空间的度量矩阵是埃米特矩阵酉空间的度量定义模：模的性质：1、模大于零，仅当向量为零时等于零2、向量的数乘的模等于数乘以向量的模。3、三角不等式：两个向量加和的模小于等于其模的加和4、内积不等式：两向量的内积的绝对值小于等于各自的模的积标准正交基、施密特方法向量正交定义了正交向量组任何一个向量是单位向量，则说向量组是标准正交向量组定义了正交基、标准正交基。即单位的正交向量。对于标准正交基：且标准正交基不是唯一的。酉变换、正交变换若n阶复矩阵A满足则称A是酉矩阵。记为：有以下性质：若定义了酉阵，再来看正交阵：若n阶实矩阵A满足则称A是正交矩阵，记为：有如下的性质：设A是复矩阵，则A是酉阵（正交矩阵）的充要条件是A的n个列（或行）向量是标准正交向量组。 标准正交基到标准正交基的过渡矩阵是酉矩阵。酉变换、正交变换例如在通常的三维空间中绕原点转动或对称变换等，都是重要的酉变换。根据其定义，酉变换就是对于n维酉空间V中的任意两个向量，其变换后的内积与变换前的内积相等的变换。可理解为酉变换是不改变酉空间中的内积结构和性质的变换。这个变换在欧式空间之中，称为正交变换。变换这种操作，既可以理解为是对向量的变换，也可以理解为是对观察角度的改变。尤其是对于酉变换，完全等价于从不同的角度观察一个不变的几何体的过程。酉变换的等价性质：1、酉变换对任意的向量不改变其模；即酉变换是等距变换，&, & 之间的距离保持不变。2、酉变换将标准正交基变换到标准正交基3、酉变换的矩阵是酉矩阵 幂等矩阵、正交投影与左上角为单位的矩阵相似的矩阵是幂等阵投影变换是一个幂等矩阵正交补、正交投影定义了正交子空间。并且定义了正交和符号其实就是正交子空间中的直和同济的书上，对两个垂直的字空间S与T之间的定义使用了&符号。而正交投影实际上就是在正交空间上的投影。正交投影是一种线性变换定义了次酉矩阵 对称与反对称变换对欧式空间V中的任意两个向量，定义了对称变换即一个向量在变换之后与另一个向量的内积等于这个向量与另一个向量经过变换的内积相等。为对称变换 对于一个欧式空间V上的对称变换，如果W是其不变子空间，则其正交补也是其不变子空间。讨论与猜想：由于酉矩阵是与单位阵相似的，因此n维空间中的酉矩阵应当有n个相互垂直的特向量，且其特征值均为1。旋转酉变换的特征向量应当在复空间之中。投影变换则属于次酉变换，其不变子空间缩小了，但是其正交补还是不变子空间。 Schur引理、正规矩阵如果在线性变换中理解它，则A与B 在用酉矩阵更换了基以后是一样的。因此仅仅需要对坐标，或几何进行旋转操作，则他们就完全一样了。 定义了正规矩阵：即，一个矩阵与它的复共轭转置矩阵的乘积等于它的复共轭转置矩阵与它的乘积，则称此矩阵为正规矩阵。相应地在实正交空间中定义了实正规矩阵。讨论：A是正规阵的充要条件实际上，就是它与一个对角阵在复共轭转置矩阵的作用下合同和相似。即，其中的& 是A的特征值。U的求法和线性代数中把一个实对称阵A变为一个对角阵的方法是相同的。1、求特征行列式的根2、对每一个相异的特征值，& 求其特征子空间3、用施密特正交化与单位化方法，求正某个特征子空间的标准正交基4、命酉矩阵等于这些个标准正交基的矩阵。 这里要呈请，埃米特操作与埃米特矩阵是不同的。一个埃米特矩阵，他的埃米特操作是其本身。显然，正规矩阵并非是埃米特矩阵。设A是正规矩阵，则：1、A是埃米特矩阵的充要条件是A的特征值是实数2、A是反埃米特矩阵的充要条件是A的特征值的实部为零，即A的特征值全部为虚数。3、A是酉矩阵的充要条件是A的特征值的模长等于1正规阵到底是什么？埃米特变换、正规变换埃米特变换的定义：在酉空间V中，的一个线性变换，对任意的& , && V都有：则称 为V的一个埃尔米特变换，或称自伴变换。实际上就是欧式空间中对称在酉空间中的扩展。埃米特矩阵、埃米特二次齐式Hermite矩阵是特征值全为实数的正规矩阵，是实对称矩阵的推广，并有相似之处，它在物理、力学及工程中有广泛应用。对于给定的n阶矩阵； 二、二次齐式可以把系数为复数的二次齐次复多项式化为标准式。正定二次齐式、正定埃尔米特矩阵正定二次齐式是一类十分重要的二次齐式。把一个矩阵分解的目的，就是要对其进行线性变换，从而通过旋转，把图形放置在一个合适的坐标之中，从而对其进行观察。整个矩阵理论所做的事情都是这个目的。复数是很有意思的，因为当数学觉得自己原来的那些数无法满足计算的要求的时候，它自己就突破了自己的限制，自己产生了复数。艾尔米特矩阵偶在复相合下的标准形此处的相合，与同济书上的合同，其实是同一个术语。即，研究两个艾尔米特矩阵与对角矩阵复相合。即，两个艾尔米特齐次式能够化简形成同样的标准形。它在振动理论、物理及其他工程中有重要的应用。有着广义特征向量。N个特征主向量构成的矩阵称为A相对于B的主矩阵。可见，复空间上的矩阵理论与实空间上的矩阵理论并无本质的区别。仅仅是，复空间的矩阵理论更加一般化了。Rayleigh商它可用于研究艾尔米特矩阵特征值的摄动定理，即讨论矩阵的元素发生微小变化时对应矩阵特征值的变化范围。            第四章 矩阵分解满秩分解所谓满秩分解，本质上就是把矩阵分解为一个列满秩的&原实基&B，和一个行满秩的，原实基为单位向量的，与原矩阵A行等价的矩阵的乘积C。  LU分解，也称为矩阵的正交三角分解求LU分解的一种方法是：先求出,再求出L的特点：下三角，且对角线上都是1。的特点：较小的下三角取负数。还有类似的LDU分解：A=LDU，其中D是一个对角矩阵。写成：这时有一个技巧，就是先计算出，再用负号相反的规律得到，然后再把相乘。在进行这样的相乘的时候，不用进行计算，仅需要把上的数字写到其相乘的结果L的相对应的位置上即可。有行变换的LU分解。行变换矩阵的逆等于其转置。并且他们构成一个群。看了一下wiki中的群的词条，感觉群就是在研究一个像魔方一样的，由于运动而发生变化的一个群内部的固定的联系。在没有群这个概念之前，我们会从表面出发，分别不同的事物。我们会把一个群中的不同事物当作单独的对象来认识。但有了群以后，我们只需要认识那个整体。其内部只是由数学规律所联系的一种运动。置换矩阵是所有调换了行的位置的单位矩阵Doolittle分解中的下三角矩阵乘法规律在Doolittle分解中，有一种下三角矩阵相乘能够直接写结果的情况。但是这种情况是有条件的：例如上面的四阶矩阵，只有当含有a, b, c, d, e,f的矩阵按照这样的顺序排列的时候，他们的乘积才能够直接按照其位置写在其乘积的矩阵的相应位置。 奇异值分解奇异值分解也叫SVD分解，即为Singular ValueDecomposition其中只是不同的书上的记法不同。其中U和都是正交矩阵。实际上U，V都是酉阵。因此有上式可用求特征值、特征向量的一般方法求解。把与A的位置相互颠倒，就得到了：用同样的方法就可以求出U极分解谱分解其中，是矩阵A的特征值为所对应的单位特征向量，是n阶矩阵。上式称为矩阵A的谱分解。谱分解的性质为：1、它可以把一个矩阵分解成多个矩阵分量的和的形式。2、其元素是唯一的。其元素可称之为正交投影矩阵。正规矩阵之所以可以谱分解关键在于正规矩阵可以酉对角化，那么可以对角化但不可酉对角化矩阵的谱分解会有怎样的结果呢？这就是下述单纯矩阵的谱分解。设A为n阶单纯矩阵（即A可以对角化），特征值为，其对应的特征向量分别为。若命P=（），则因为而，所以所以我们经常称是矩阵A的左特征向量，称是矩阵A的右特征向量。第五章 范数、序列、级数向量（或矩阵）范数是向量（或矩阵）的数字特征，在某种意义上范数相当于实数和复数的绝对值，它在研究序列、级数、极限范围内起到基础的作用。向量范数范数这个东西好像是仅仅具有理论上的意义。是根据某种程度上的数学抽象所需要而定义的量。维基百科上的定义为：范数是具有&长度&概念的函数。常用的向量的模是p-范数中的一种，称为欧式范数。根据定义不同，它可以具有多种形式。向量范数等价性定理：这种定理说明，各种范数虽然定义不同，但本质上仅的差异可以用两个常数来度量。 矩阵范数有趣的定理：矩阵范数等价性定理：任意两种范数有：诱导范数范数符合的右下角标志的意思是区别范数的类型。诱导范数的定义为：其中是向量范数，是经过线性变换后的向量范数，则称是诱导范数，也称算子范数。有趣的定义：谱半径，A属于复数矩阵，其n个特征值的绝对值中的最大者为A的谱半径。 矩阵序列和极限矩阵序列的定义。矩阵序列收敛于A的充要条件是：其中为任何一种范数矩阵幂级数矩阵基数仿佛就是把m&n个基数写成矩阵。再把矩阵当作单位进行排列。矩阵幂级数，则是矩阵的各个幂次乘以某个常数，的加和。矩阵的测度矩阵的测度是矩阵的范数的应用。定义：设，是给定的算子范数。如果极限存在，那么称&(A)是矩阵A关于范数的测度。第六章 矩阵函数矩阵多项式、最小多项式矩阵函数及其Jordan表示矩阵函数的内插多项式表示与多项式表示矩阵函数的幂级数表示矩阵指数函数与矩阵三角函数第七章 函数矩阵与矩阵微分方程函数矩阵、函数向量有不同于常数矩阵、常数向量的特殊性质。函数矩阵有什么用呢？函数矩阵对纯量的导数与积分函数向量的线性相关性矩阵微分方程线性向量微分方程第八章 矩阵的广义逆广义逆矩阵伪逆矩阵广义逆与线性方程组第九章 Kronecker积Kronecker积的定义与性质函数矩阵对矩阵的导数Kronecker积的特征值矩阵的列展开与行展开线性矩阵代数方程             欢迎您转载分享：
更多精彩： 上传我的文档
 下载
 收藏
设备监理员，注册安全工程师、特种设备检验员、无损检测人员
 下载此文档
正在努力加载中...
对角占优矩阵、块对角占优矩阵及其相关特殊矩阵类的一些研究
下载积分：1500
内容提示：对角占优矩阵、块对角占优矩阵及其相关特殊矩阵类的一些研究
文档格式：PDF|
浏览次数：2|
上传日期： 17:23:11|
文档星级：
该用户还上传了这些文档
对角占优矩阵、块对角占优矩阵及其相关特殊矩阵类的一
官方公共微信正则矩阵-学术百科-知网空间
regular matrixcanonical matrix
与"正则矩阵"相关的文献前10条
研究一类特殊反环-加法幂等的除半环上的正则上三角矩阵.得到了正则上三角矩阵的一些性质,以及一类特殊的正则上三角矩阵.
本文分析了部分线性模型的内涵和外延。利用最小二乘补偿技术,推导了基于正则矩阵补偿的部分线性模型求解方法,并证明了相关性质。从原理上对几类不同的部分线性模型求解方法进行了诠释。
用试验观测数据建立的回归拟合模型不可避免地存在模型误差,将模型误差视为非参数分量列入回归模型的半参数模型是一种重要的回归模型。本文利用补偿最小二乘原理,导出了顾及预测点的半参数回
利用Ｊａｃｏｂｓｏｎ相抵化简，本文证得了非交换主理想整环Ｒ上幂等矩阵的相似化简，因而给出了Ｒ上正则矩阵的（２）－逆以及当（１，ｉ，…，ｊ）－逆存在时（２，ｉ，…，ｊ）－逆的显公式
本文用图论方法和矩阵分块技巧，讨论了正则（０，１）矩阵的特征值幂和问题，改进了现有文献的一些结果。
L表示有最小元 (记为 0 )与最大元 (记为 1 )的分配格 ,对于L上的矩阵给出了保持Schein秩不变的前提下的一种化简方法 ,并给出矩阵的Schein秩为 1的条件 .对
正则简单图具有很强的对称性 ;在许多领域都有广泛的应用 .图与其邻接矩阵之间有着一一对应的关系 .文章深入研究了 4-正则图的邻接矩阵 ,得到了一些重要结论 -经过有限次的行列变
本文首先改进和推广了Ki Hang Kim和F.w.Roush关于广义Fuzzy矩阵(1980)的一些结果,较为简单地证明了正则L-Fuzzy矩阵的行秩等于列秩;其次将一般布尔矩
本文研究了广义Fuzzy矩阵的正则性。作为特例,我们从另一思路重又完满地回答了Kim和Roush所提出的一个问题。
设(L,∧,∨)(简记为L)是全序格。本文利用矩阵的可行性分块定理讨论了L上一类正则矩阵的广义逆问题。
"正则矩阵"的相关词
快捷付款方式
订购知网充值卡
<font color="#0-819-9993
<font color="#0-
<font color="#0-为什么单位矩阵，置换矩阵，正定矩阵的谱条件数为1_百度知道
为什么单位矩阵，置换矩阵，正定矩阵的谱条件数为1
尽可能证明一下，要不说明白也行
为这些矩阵都是正规阵，可以酉对角化，所以谱条件数最多是1；另一方面由相容范数的性质知道谱条件数至少是1
什么是酉对角化呀？
如果存在酉阵Q和对角阵D使得Q^H*A*Q=D，那么称A可以酉对角化。
来自团队：
其他类似问题
为您推荐：
正定矩阵的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁