【线性代数与矩阵论】Jordan型矩阵

Jordan型矩阵

2023年11月3日

#algebra


文章目录

  • Jordan型矩阵
    • [1. 代数重数与几何重数](#1. 代数重数与几何重数)
    • [2. Jordan块与Jordan标准型](#2. Jordan块与Jordan标准型)
        • [2.1 最小多项式与Jordan标准型](#2.1 最小多项式与Jordan标准型)
        • [2.2 两类重要矩阵](#2.2 两类重要矩阵)
    • [3. 矩阵的Jordan分解](#3. 矩阵的Jordan分解)
        • [3.1 Jordan分解的应用](#3.1 Jordan分解的应用)
    • 下链

1. 代数重数与几何重数

在对向量做线性变换时,向量空间的某个向量的方向不发生改变,而只是在其方向上进行拉伸,则该向量是线性变换的特征向量,其在变换中被拉伸的倍数为该特征向量的特征值(特征根)。

矩阵的相同特征值有其对应的代数重数与几何重数,相同特征值的代数重数就是相同特征值的个数,几何重数就是相同特征值所对应特征向量的个数。显然,特征向量的拉伸量可能相同,即代数重数大于等于几何重数,也就是多个相同特征值可能对应一个特征向量。也可以说,对同一个特征值,可能有多个特征向量,而该特征值的代数重数大于等于特征向量的个数。

如果每个相同的特征值都对应不同的特征向量,则代数重数等于几何重数。

对于 n × n n\times n n×n 矩阵 A A A,有 l l l 个特征根, l < n l\lt n l<n 且第 i i i 个特征根 λ i \lambda_i λi 的代数重数为 σ i \sigma_i σi 、几何重数为 α i \alpha_i αi
det ⁡ ( λ I n − A ) = ( λ − λ 1 ) σ 1 ( λ − λ 2 ) σ 2 ⋯ ( λ − λ l ) σ l \det (\lambda I_n-A)=(\lambda-\lambda_1)^{\sigma_1}(\lambda-\lambda_2)^{\sigma_2}\cdots(\lambda-\lambda_l)^{\sigma_l} det(λIn−A)=(λ−λ1)σ1(λ−λ2)σ2⋯(λ−λl)σl

第 i i i个特征根的几何重数计算如下:
α i = n − rank ( λ i I n − A ) \alpha_i=n-\text{rank}(\lambda_iI_n-A) αi=n−rank(λiIn−A)

几何重数(零化度)对应着有几个线性无关的特征向量拥有当前的特征值。

在Jordan标准型中,几何重数对应着当前特征值拥有几个Jordan快。

若代数重数等于几何重数,该特征值为 半单的

若代数重数大于几何重数,该特征值为 亏损的

显然,代数重数为 1 {1} 1 的特征值一定时半单的;不同特征值对应的特征向量是线性无关的。每个特征值都是半单的矩阵(有完备的特征向量系)等价于可对角化。

存在亏损的特征值的矩阵称为亏损矩阵,等价于不可对角化。


2. Jordan块与Jordan标准型

举例,对代数重数为 σ i = 5 \sigma_i=5 σi=5 、几何重数为 α i = 2 \alpha_i=2 αi=2 的特征根 λ i \lambda_i λi,有两个Jordan快,设存在一个三阶和一个两阶的Jordan块:
J i = [ λ i 1 0 0 0 0 λ i 1 0 0 0 0 λ i 0 0 0 0 0 λ i 1 0 0 0 0 λ i ] = diag ( J 3 ( λ i ) , J 2 ( λ i ) ) J_{i}= \begin{bmatrix} \lambda_i&1&0&0&0\\ 0&\lambda_i&1&0&0\\ 0&0&\lambda_i&0&0\\ 0&0&0&\lambda_i&1\\ 0&0&0&0&\lambda_i \end{bmatrix}=\text{diag}(J_3(\lambda_i),J_2(\lambda_i)) Ji= λi00001λi00001λi00000λi00001λi =diag(J3(λi),J2(λi))

Jordan块的顺序可以交换。知道特征值的代数重数和几何重数,还需要知道特征值对应的每阶Jordan块的个数,才能写出Jordan标准型。

可以通过幂零矩阵确定 λ i \lambda_i λi 对应的两个Jordan快各有几阶,如其中 j j j 阶Jordan块的个数为:
r j + 1 + r j − 1 − 2 r j r_{j+1}+r_{j-1}-2r_j rj+1+rj−1−2rj
r j = rank ( λ i I − A ) j r_j=\text{rank}(\lambda_iI-A)^j rj=rank(λiI−A)j
r 0 = rank ( λ i I − A ) 0 = n r_0=\text{rank}(\lambda_iI-A)^0=n r0=rank(λiI−A)0=n

矩阵的Jordan标准型
J = diag ( J n 1 , J n 2 , ⋯   , J n k ) , n 1 + n 2 + ⋯ + n k = n J=\text{diag}(J_{n_1},J_{n_2},\cdots,J_{n_k}),~n_1+n_2+\cdots+n_k=n J=diag(Jn1,Jn2,⋯,Jnk), n1+n2+⋯+nk=n

Jordan块的上次对角元值都为 1 {1} 1
J n i = [ λ i 1 λ i 1 ⋱ ⋱ λ i 1 λ i ] J_{n_i}= \begin{bmatrix} \lambda_i&1&&&\\ &\lambda_i&1&&\\ &&\ddots&\ddots&\\ &&&\lambda_i&1\\&&&&\lambda_i \end{bmatrix} Jni= λi1λi1⋱⋱λi1λi

在这种定义下,不同Jordan块可能对应相同特征值。求Jordan标准型步骤如下:

  1. 算特征值
  2. 算代数重数、几何重数
  3. 算特征值对应阶数Jordan块的个数

!example\]- 求矩阵 A A A 的Jordan标准型 A = \[ 2 0 − 1 0 − 1 1 0 − 1 0 0 2 0 1 1 1 3 \] A= \\begin{bmatrix} 2 \& 0 \& -1 \& 0 \\\\ -1 \& 1 \& 0 \& -1 \\\\ 0 \& 0 \& 2 \& 0\\\\ 1 \& 1 \& 1 \& 3 \\end{bmatrix} A= 2−1010101−10210−103 解: det ⁡ ( λ I − A ) = ( λ − 2 ) 4 \\det ( \\lambda I-A)=( \\lambda-2)\^4 det(λI−A)=(λ−2)4 λ 1 = λ 2 = λ 3 = λ 4 = 2    ,    4 − rank ( λ 1 I − A ) = 2 \\lambda_1= \\lambda_2 = \\lambda_3= \\lambda_4=2 \\,\\,,\\,\\, 4- \\text{rank} ( \\lambda_1I-A)=2 λ1=λ2=λ3=λ4=2,4−rank(λ1I−A)=2 2 2 2 特征值的代数重数是 4 {4} 4 ,几何重数是 2 {2} 2 ,有两个Jordan块,可能是一个三阶和一个一阶的,也可能是两个二阶的。 r 0 = 4 r 1 = rank ( λ 1 I − A ) = 2 r 2 = rank ( λ 1 I − A ) 2 = 0 r 3 = rank ( λ 1 I − A ) 3 = 0 \\begin{align\*} r_0=\&4 \\\\ \\\\ r_1=\& \\text{rank}( \\lambda_1I-A)=2 \\\\ \\\\ r_2=\& \\text{rank} ( \\lambda_1I-A)\^2=0 \\\\ \\\\ r_3=\& \\text{rank} ( \\lambda_1I-A)\^3=0 \\\\ \\\\ \\end{align\*} r0=r1=r2=r3=4rank(λ1I−A)=2rank(λ1I−A)2=0rank(λ1I−A)3=0 2 2 2 特征值对应的一阶Jordan块个数 r 2 + r 0 − 2 r 1 = 0 r_2+r_0-2r_1=0 r2+r0−2r1=0 2 2 2 特征值对应的二阶Jordan块个数 r 3 + r 1 − 2 r 2 = 2 r_3+r_1-2r_2=2 r3+r1−2r2=2 所以有两个二阶Jordan块,Jordan标准型为 J = \[ 2 1 0 0 0 2 0 0 0 0 2 1 0 0 0 2 \] J= \\begin{bmatrix} 2 \& 1 \& 0 \& 0 \\\\ 0 \& 2 \& 0 \& 0 \\\\ 0 \& 0 \& 2 \& 1\\\\ 0 \& 0 \& 0 \& 2 \\end{bmatrix} J= 2000120000200012

Jordan块减去特征值单位阵拥有幂零的特性:
( J n i − λ i I n i ) n i = 0 (J_{n_i}- \lambda_iI_{n_i})^{n_i}=0 (Jni−λiIni)ni=0

2.1 最小多项式与Jordan标准型

由于一个特征值可能对应多个Jordan块,我们选择一个特征值的最大Jordan块的阶数,做为最小多项式中该特征值对应因子的幂次,得到最小多项式。例如
A = [ λ 1 1 0 0 0 0 λ 1 1 0 0 0 0 λ 1 0 0 0 0 0 λ 1 0 0 0 0 0 λ 2 ] A= \begin{bmatrix} \lambda_1 & 1 & 0 & 0&0 \\ 0 & \lambda_1 & 1 & 0&0 \\ 0 &0 & \lambda_1 & 0&0\\ 0 & 0& 0 & \lambda_1&0\\0 & 0& 0& 0& \lambda2 \end{bmatrix} A= λ100001λ100001λ100000λ100000λ2

特征多项式为
Δ ( λ ) = det ⁡ ( λ I − A ) = ( λ − λ 1 ) 4 ( λ − λ 2 ) \Delta( \lambda)=\det( \lambda I-A)=( \lambda- \lambda_1)^4( \lambda- \lambda_2) Δ(λ)=det(λI−A)=(λ−λ1)4(λ−λ2)

最小多项式为
ψ ( λ ) = ( λ − λ 1 ) 3 ( λ − λ 2 ) \psi( \lambda)=( \lambda- \lambda_1)^3( \lambda- \lambda_2) ψ(λ)=(λ−λ1)3(λ−λ2)

所有相似矩阵都有相同的最小多项式。

2.2 两类重要矩阵

一类是每个特征值代数重数与几何重数相等的矩阵,又称非退化矩阵或简单矩阵、可对角化矩阵,其Jordan标准型是对角阵。

另一类是每个特征值的几何重数都为 1 {1} 1 的矩阵,也就是一个特征值对应一个Jordan块,各Jordan块对应的特征值互异,又称循环矩阵。

显然,循环矩阵的特征多项式与最小多项式相同。


3. 矩阵的Jordan分解

对 n {n} n 阶方阵 A A A,存在 n {n} n 阶可逆矩阵 T T T,使得
A = T J T − 1 A=TJT^{-1} A=TJT−1

为矩阵Jordan分解, J J J 为矩阵的Jordan标准型,若不计Jordan块的次序,则Jordan标准型唯一。

对变换矩阵,可以写为矩阵的集合 T = ( T 1 , T 2 , ⋯   , T k ) T=(T_1,T_2,\cdots,T_k) T=(T1,T2,⋯,Tk), T i T_i Ti 为 n × n i n\times n_i n×ni 阶矩阵。
A ( T 1 , T 2 , ⋯   , T k ) = ( T 1 , T 2 , ⋯   , T k ) [ J n 1 ⋱ J n k ] A(T_1,T_2,\cdots,T_k)=(T_1,T_2,\cdots,T_k) \begin{bmatrix}J_{n_1}&&\\&\ddots\\&&J_{n_k}\end{bmatrix} A(T1,T2,⋯,Tk)=(T1,T2,⋯,Tk) Jn1⋱Jnk
A T i = T i J n i = ( t 1 i , t 2 i , ⋯   , t n i i ) [ λ i 1 λ i 1 ⋱ ⋱ λ i 1 λ i ] AT_i=T_iJ_{n_i}=(t_1^i,t_2^i,\cdots,t_{n_i}^i) \begin{bmatrix} \lambda_i&1&&&\\ &\lambda_i&1&&\\ &&\ddots&\ddots&\\ &&&\lambda_i&1\\&&&&\lambda_i \end{bmatrix} ATi=TiJni=(t1i,t2i,⋯,tnii) λi1λi1⋱⋱λi1λi

所以
{ A t 1 i = λ i t 1 i A t 2 i = λ i t 2 i + t 1 i ⋮ A t n i i = λ i t n i i + t n i − 1 i \begin{cases} At_1^i=\lambda_it_1^i \\ At_2^i=\lambda_it_2^i+t_1^i\\ \vdots\\ At_{n_i}^i=\lambda_it_{n_i}^i+t_{n_i-1}^i \end{cases} ⎩ ⎨ ⎧At1i=λit1iAt2i=λit2i+t1i⋮Atnii=λitnii+tni−1i
( A − λ i I n ) t 1 i = 0 (A-\lambda_iI_n)t_1^i=0 (A−λiIn)t1i=0
( A − λ i I n ) t j i = t j − 1 i , j = 2 , 3 ⋯   , n i (A-\lambda_iI_n)t_j^i=t_{j-1}^i,~j=2,3\cdots,n_i (A−λiIn)tji=tj−1i, j=2,3⋯,ni
t 1 i , t 2 i , ⋯   , t n i i t_1^i,t_2^i,\cdots,t_{n_i}^i t1i,t2i,⋯,tnii 构成一条关于 λ i \lambda_i λi的长度为 n i n_i ni的Jordan链。 t 1 i t_1^i t1i 是链首 ,是 A A A 关于 λ i \lambda_i λi 的一个特征向量。

链首满足是特征向量,且方程组可解的要求。所以把 λ i \lambda_i λi 对应的所有线性无关的特征向量算出来,做线性组合,作为链首。变换矩阵 T T T 的求解步骤如下

  1. 求Jordan标准型
  2. 算每个Jordan块对应的Jordan链
    若Jordan块阶数为1,直接计算特征向量
    若阶数大于1,先计算特征向量,利用特征向量的线性组合得到链首(同一特征值特征向量非零线性组合仍是特征向量)

!example\]- A A A 的Jordan标准型 A = \[ 3 0 8 3 − 1 6 − 2 0 − 5 \]    ,    J = \[ − 1 0 0 0 − 1 1 0 0 − 1 \] A= \\begin{bmatrix} 3 \& 0 \& 8 \\\\ 3 \& -1 \& 6 \\\\ -2 \& 0 \& -5 \\end{bmatrix} \\,\\,,\\,\\, J= \\begin{bmatrix} -1 \& 0 \& 0 \\\\ 0 \& -1 \& 1 \\\\ 0 \& 0 \& -1 \\end{bmatrix} A= 33−20−1086−5 ,J= −1000−1001−1 求出 λ 1 \\lambda_1 λ1 对应的线性无关的特征向量 x 1 = ( 2 , 0 , − 1 ) T    ,    x 2 = ( 0 , 1 , 0 ) T x_1=(2,0,-1)\^ \\mathrm T \\,\\,,\\,\\, x_2=(0,1,0)\^ \\mathrm T x1=(2,0,−1)T,x2=(0,1,0)T 对应的变换矩阵为 x 1 x_1 x1 和 x 2 x_2 x2 的线性组合,我们选取 x 1 x_1 x1。对于阶数为 2 {2} 2 的Jordan块,构造 y = k 1 x 1 + k 2 x 2 y=k_1x_1+k_2x_2 y=k1x1+k2x2 使得 ( A − λ 1 I ) Z = y (A- \\lambda_1I)Z=y (A−λ1I)Z=y 可解,即 rank ( A − λ 1 I ) = rank ( A − λ 1 I   ∣   y ) \\text{rank}(A- \\lambda_1I)= \\text{rank}(A- \\lambda_1I\\,\|\\,y) rank(A−λ1I)=rank(A−λ1I∣y) ( A − λ 1 I   ∣   y ) = \[ 4 0 8 2 k 1 3 0 6 k 2 − 2 0 − 4 − k 1 \] → \[ 4 0 8 2 k 1 0 0 0 k 2 − 3 k 1 / 2 0 0 0 0 \] (A- \\lambda_1I\\,\|\\,y) = \\begin{bmatrix} 4 \& 0 \& 8 \& 2k_1 \\\\ 3 \& 0 \& 6\& k_2 \\\\ -2 \& 0 \& -4 \&-k_1 \\end{bmatrix} \\to \\begin{bmatrix} 4 \& 0 \& 8 \& 2k_1 \\\\ 0 \& 0 \& 0\& k_2-3k_1/2 \\\\ 0 \& 0 \&0 \&0 \\end{bmatrix} (A−λ1I∣y)= 43−200086−42k1k2−k1 → 4000008002k1k2−3k1/20 需要 2 k 2 − 3 k 1 = 0 2k_2-3k_1=0 2k2−3k1=0 ,取 k 1 = 2    ,    k 2 = 3    ,    y = ( 4 , 3 , − 2 ) T k_1=2 \\,\\,,\\,\\, k_2=3 \\,\\,,\\,\\, y=(4,3,-2)\^ \\mathrm T k1=2,k2=3,y=(4,3,−2)T, 解出 z = ( 1 , 0 , 0 ) T z=(1,0,0)\^ \\mathrm T z=(1,0,0)T,鼓变换矩阵为 T = \[ 2 4 1 0 3 0 − 1 − 2 0 \] T= \\begin{bmatrix} 2 \& 4 \& 1 \\\\ 0 \& 3 \& 0 \\\\ -1 \& -2 \& 0 \\end{bmatrix} T= 20−143−2100

3.1 Jordan分解的应用

Jordan分解用于计算初等函数在某个矩阵处的值,最简单的情形是计算多项式函数(高次多项式),当然也可以用Cayley-Hamilton定理。

!example\]- 设矩阵 A = \[ − 1 0 1 1 2 0 − 4 0 3 \] A= \\begin{bmatrix} -1 \& 0 \& 1 \\\\ 1 \& 2 \& 0 \\\\ -4 \& 0 \& 3 \\end{bmatrix} A= −11−4020103 求 A 2018 A\^{2018} A2018。 解: T − 1 A T = J = \[ 1 1 0 0 1 0 0 0 2 \] → A 2018 = T J 2018 T − 1 \\begin{align\*} T\^{-1}AT=J= \\begin{bmatrix} 1 \& 1 \& 0 \\\\ 0 \& 1 \& 0 \\\\ 0 \& 0 \& 2 \\end{bmatrix} \\end{align\*}\\to A\^{2018}=TJ\^{2018}T\^{-1} T−1AT=J= 100110002 →A2018=TJ2018T−1 A 2018 = \[ 1 0 0 − 1 − 1 1 2 1 0 \] \[ 1 2018 0 0 1 0 0 0 2 2018 \] \[ 1 0 0 − 2 0 1 − 1 1 1 \] = \[ − 4035 0 2018 4037 − 2 2018 2 2018 2 2018 − 2019 − 8072 0 4037 \] \\begin{align\*} A\^{2018}=\& \\begin{bmatrix} 1 \& 0 \& 0 \\\\ -1 \& -1 \& 1 \\\\ 2 \& 1 \& 0 \\end{bmatrix} \\begin{bmatrix} 1 \& 2018 \& 0 \\\\ 0 \& 1 \& 0 \\\\ 0 \& 0 \& 2\^{2018} \\end{bmatrix} \\begin{bmatrix} 1 \& 0 \& 0 \\\\ -2 \& 0 \& 1 \\\\ -1 \& 1 \& 1 \\end{bmatrix} \\\\ \\\\=\& \\begin{bmatrix} -4035 \& 0 \& 2018 \\\\ 4037-2\^{2018} \& 2\^{2018} \& 2\^{2018}-2019 \\\\ -8072 \& 0 \& 4037 \\end{bmatrix} \\end{align\*} A2018== 1−120−11010 1002018100022018 1−2−1001011 −40354037−22018−80720220180201822018−20194037

Jordan分解还可以用于求解一阶线性常系数微分方程组。

! example\]- 求解 { d d t x 1 = 3 x 1 + x 2 − 3 d d t x 2 = − 2 x 2 + 2 x 3 d d t x 3 = − x 1 + x 2 + 3 x 3 \\begin{cases} \\frac{\\mathrm d }{\\mathrm dt}x_1=3x_1+x_2-3 \\\\ \\frac{\\mathrm d }{\\mathrm dt}x_2=-2x_2+2x_3\\\\ \\frac{\\mathrm d }{\\mathrm dt}x_3=-x_1+x_2+3x_3 \\end{cases} ⎩ ⎨ ⎧dtdx1=3x1+x2−3dtdx2=−2x2+2x3dtdx3=−x1+x2+3x3 解:令 x = ( x 1 , x 2 , x 3 ) T x=(x_1,x_2,x_3)\^ \\mathrm T x=(x1,x2,x3)T ,则原方程组化为 d x d t = A x \\frac{\\mathrm d x}{\\mathrm dt}=Ax dtdx=Ax 令 x = T y x=Ty x=Ty,则 d y d t = T − 1 d x d t = T − 1 A x = T − 1 A T y = J y \\frac{\\mathrm d y}{\\mathrm dt}= T\^{-1}\\frac{\\mathrm d x}{\\mathrm dt}=T\^{-1}Ax=T\^{-1}ATy=Jy dtdy=T−1dtdx=T−1Ax=T−1ATy=Jy A = \[ 3 1 − 1 − 2 0 2 − 1 − 1 3 \]    ,    J = \[ 2 0 0 0 2 1 0 0 2 \] A= \\begin{bmatrix} 3 \& 1 \& -1 \\\\ -2 \& 0 \& 2 \\\\ -1 \& -1 \& 3 \\end{bmatrix} \\,\\,,\\,\\, J= \\begin{bmatrix} 2 \& 0 \& 0 \\\\ 0 \& 2 \& 1 \\\\ 0 \& 0 \& 2 \\end{bmatrix} A= 3−2−110−1−123 ,J= 200020012 ∴ J y = \[ 2 y 1 2 y 2 + y 3 2 y 3 \] → y 1 ′ = 2 y 1    ,    y 2 ′ = 2 y 2 + y 3    ,    y 3 ′ = 2 y 3 \\therefore Jy= \\begin{bmatrix} 2y_1\\\\ 2y_2+y_3\\\\ 2y_3 \\end{bmatrix}\\to y_1'=2y_1 \\,\\,,\\,\\, y_2'=2y_2+y_3 \\,\\,,\\,\\, y_3'=2y_3 ∴Jy= 2y12y2+y32y3 →y1′=2y1,y2′=2y2+y3,y3′=2y3 y y y 第一第三个分量的一般解为 y 1 ( t ) = c 1 e 2 t    ,    y 3 ( t ) = c 3 e 2 t y_1(t)=c_1e\^{2t} \\,\\,,\\,\\, y_3(t)=c_3e\^{2t} y1(t)=c1e2t,y3(t)=c3e2t 代入第二个分量求解得 y 2 ( t ) = ( c 2 + c 3 t ) e 2 t y_2(t)=(c_2+c_3t)e\^{2t} y2(t)=(c2+c3t)e2t x = T y = \[ − e 2 t ( c 1 + c 2 + c 3 + c 3 t ) e 2 t ( c 1 + 2 c 2 + 2 c 3 t ) e 2 t ( c 2 + c 3 t ) \]    ,    ∀ c 1 , c 2 , c 3 ∈ C x=Ty= \\begin{bmatrix} -e\^{2t}(c_1+c_2+c_3+c_3t)\\\\ e\^{2t}(c_1+2c_2+2c_3t)\\\\ e\^{2t}(c_2+c_3t) \\end{bmatrix} \\,\\,,\\,\\, \\forall c_1,c_2,c_3\\in \\mathbb C x=Ty= −e2t(c1+c2+c3+c3t)e2t(c1+2c2+2c3t)e2t(c2+c3t) ,∀c1,c2,c3∈C


下链

Jordan块、Jordan标准型及矩阵的Jordan分解
矩阵论 武汉理工大学 (亲测最好的矩阵论视频)


相关推荐
SylviaW083 小时前
python-leetcode 63.搜索二维矩阵
python·leetcode·矩阵
Blossom.1183 小时前
量子计算与经典计算的融合与未来
人工智能·深度学习·机器学习·计算机视觉·量子计算
小卡皮巴拉3 小时前
【力扣刷题实战】矩阵区域和
开发语言·c++·算法·leetcode·前缀和·矩阵
硅谷秋水3 小时前
MoLe-VLA:通过混合层实现的动态跳层视觉-语言-动作模型实现高效机器人操作
人工智能·深度学习·机器学习·计算机视觉·语言模型·机器人
小李独爱秋5 小时前
机器学习开发全流程详解:从数据到部署的完整指南
人工智能·机器学习
Dovis(誓平步青云)5 小时前
深挖 DeepSeek 隐藏玩法·智能炼金术2.0版本
人工智能·深度学习·机器学习·数据挖掘·服务发现·智慧城市
ZTLJQ5 小时前
基于机器学习的三国时期诸葛亮北伐失败因素量化分析
人工智能·算法·机器学习
赵钰老师5 小时前
【Deepseek、ChatGPT】智能气候前沿:AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
人工智能·python·深度学习·机器学习·数据分析
nuise_5 小时前
李宏毅机器学习笔记06 | 鱼和熊掌可以兼得的机器学习 - 内容接宝可梦
人工智能·笔记·机器学习
闯闯爱编程7 小时前
数组与特殊压缩矩阵
数据结构·算法·矩阵