Matrix
1. 行列式determinant
- 代数意义:
- 几何意义:n维上的体积。 The determinant gives the signed n-dimensional volume of this parallelotope. e.g.(from wiki):
, . . The volume of the purple area is: - 负的行列式意味着将面积/体积反转过来(想象一张平行四边形纸片正面的面积为正,反面的面积为负)
图片来自维基
2. 特征值和特征向量eigen value and eigen vector
- 参考知乎
- 假设有矩阵
。由 可以求出其特征值为 , 。 - 若
, 可解出 ,可见其为一系列向量 ,均指向同一方向。同样,对于 ,其对应的特征向量为 。 也就是将矩阵 所对应的旋转,拉伸,错切(二维空间上,二阶矩阵不能实现平移,三阶才可以)应用在特征向量上时,其作用与这个向量乘以对应的特征值相同,即只实现了拉伸。(特征向量和新的/映射后空间中的单位向量是什么关系呢?)
旧坐标系中的被映射到了 ;旧坐标系中的 被映射到了 新的坐标系中的 为旧坐标系中的 ;新的坐标系中的 为旧坐标系中的 。 - 在利用
进行旋转拉伸的过程中,特征向量所在的直线没有发生任何旋转,其他从原点发出的向量(不考虑平移)都因为投影发生了旋转。下面两个图表现了用 进行变换后的效果。黑色箭头的起点和原点的连线为一个向量 ,箭头表示了 在与 相乘之后是如何变化的(与原向量的差 的方向,箭头的长度经过了归一化,所以在这里比实际的短)。右侧的梯度图表示变换后的向量长度变化的系数( )。可以看到所有向量都朝着同一个方向(正负)旋转,其中一个特征向量对应的是这个方向(绿线),另一个特征向量是与其两侧的方向(红线,此例中不正交)。同时对于两个方向,每个方向上向量的模的变化比例是相同的 (用绿线和红线标出),和特征值的绝对值相同,是在曲面上的两条直线。(如果一个以z轴为转动轴的平面扫过,与曲面相交的结果是怎样?) - 对
, ,对 , 。均不再满秩(同样, 行列式变为0)。特征值与单位矩阵相乘可以帮助去掉组成矩阵中的一组基,使其不再满秩。 - 特征值相当于把矩阵所有在原本的基上的拉伸提取了出来,(和相应的旋转/翻转(特征向量)作用之后就可以回复出原矩阵?但是特征向量组成的矩阵秩不为1,说明不是单纯的旋转一类的运动?)。(虚数特征值呢?如何理解旋转?知乎)
- 如果矩阵是
呢?(MIT OCW) - 行列式为特征值之积,迹trace为特征值之和
- 令
, ,可得 ,故有 - 与SVD的区别:特征值不一定正交,SVD要找到正交基
3. 齐次多项式,二次型与正定
-
二次型:n个变量上的二次齐次多项式(每一项均为二次,
或 ),设法将其变换成标准型(只含平方项)
令 , 则- 几何意义:抛物线,抛物面,etc. (方便寻找极值点,从而变为最优化问题)
-
正定:
,对 ,都有 ( ),则 为正定二次型, 是正定的。 若 ,则 是半正定的。 -
多维高斯分布的协方差矩阵
是半正定矩阵。 特例: 个高斯分布均独立不相关
-
, 其中 ,协方差矩阵 -
对称矩阵的二次型求导
矩阵求导
4. Jacobian and Hessian雅可比和海森矩阵
- Jacobian:一阶偏导
- For a multi-link arm,
, where , the vector of input of joints ( or ).
- For a multi-link arm,
- Hessain:二阶偏导,用于多元函数极值的判定