更新時間:2018-01-10 來源:黑馬程序員 瀏覽量:
知識概要
本節(jié)開始,我們一起來學習線性代數(shù)的有關(guān)知識,首節(jié)我們從解方程談起,學習線性代數(shù)的應用之一就是求解復雜方程問題,本節(jié)核心之一即為從行圖像與列圖像的角度解方程。
方程組的幾何解釋基礎(chǔ):
2.1 二維的行圖像
我們首先通過一個例子來從行圖像角度求解方程:
我們首先按行將方程寫為矩陣形式:
系數(shù)矩陣(A):將方程系數(shù)按行提取出來,構(gòu)成一個矩陣。
未知向量(x):將方程未知數(shù)提取出來,按列構(gòu)成一個向量。
向量(b):將等號右側(cè)結(jié)果按列提取,構(gòu)成一個向量。
接下來我們通過行圖像來求解這個方程:
所謂行圖像,就是在系數(shù)矩陣上,一次取一行構(gòu)成方程,在坐標系上作圖。和我們在初等數(shù)學中學習的作圖求解方程的過程無異。
2.2 二維的列圖像
接下來我們使用列圖像求解此方程:
即尋找合適的 x,y 使得 x 倍的(2,-1) + y 倍的(-1,2)得到最終的向量(0,3)。很明顯能看出來,1 倍(2,-1) + 2 倍(-1,2)即滿足條件。
反映在圖像上,明顯結(jié)果正確。
3
方程組的幾何解釋推廣
3.1 高維行圖像
如果繪制行圖像,很明顯這是一個三個平面相交得到一點,我們想直接看出這個點的性質(zhì)可謂是難上加難。
比較靠譜的思路是先聯(lián)立其中兩個平面,使其相 交于一條直線,在研究這條直線與平面相交于哪個點,最后得到點坐標即為方程 的解。
這個求解過程對于三維來說或許還算合理,那四維呢?五維甚至更高維數(shù)呢?直觀上很難直接繪制更高維數(shù)的圖像,這種行圖像受到的限制也越來越多。
3.2 高維列圖像
左側(cè)是線性組合,右側(cè)是合適的線性組合組成的結(jié)果,這樣一來思路就清晰多了,“尋找線性組合”成為了解題關(guān)鍵。
很明顯這道題是一個特例,我們只需要取 x = 0,y = 0,z = 1。就得到了結(jié)果,這在行圖像之中并不明顯。
當然,之所以我們更推薦使用列圖像求解方程, 是因為這是一種更系統(tǒng)的求解方法,即尋找線性組合,而不用繪制每個行方程的圖像之后尋找那個很難看出來的點。
另外一個優(yōu)勢在于,如果我們改變最后的結(jié)果 b,例如本題中,
那么我們 2 ?1 1 0 ?3 4 ?3 就重新尋找一個線性組合就夠了,但是如果我們使用的是行圖像呢?那意味著我 們要完全重畫三個平面圖像,就簡便性來講,兩種方法高下立判。
另外,還要注意的一點是對任意的 b 是不是都能求解 Ax = b 這個矩陣方程呢? 也就是對 3*3 的系數(shù)矩陣 A,其列的線性組合是不是都可以覆蓋整個三維空間呢?
對于我們舉的這個例子來說,一定可以,還有我們上面 2*2 的那個例子,也可以 覆蓋整個平面,但是有一些矩陣就是不行的。
比如三個列向量本身就構(gòu)成了一個 平面,那么這樣的三個向量組合成的向量只能活動在這個平面上,肯定無法覆蓋 2 ?1 1 一個三維空間,
這三個向量就構(gòu)成了一個平面。
3.3 矩陣乘法
4
學習感悟
這部分內(nèi)容是對線性代數(shù)概念的初涉,從解方程談起,引進列空間的概念,可以發(fā)現(xiàn)從列空間角度將求解方程變化為求列向量的線性組合,這個方式更加科學。 介紹了矩陣乘法,這部分內(nèi)容重在理解。
希望對大家有幫助~
本文版權(quán)歸黑馬程序員人工智能+Python學院所有,歡迎轉(zhuǎn)載,轉(zhuǎn)載請注明作者出處。謝謝!
作者:黑馬程序員人工智能+Python培訓學院
首發(fā):http://python.itheima.com/