4.【线性代数】——矩阵的LU分解

四 矩阵的LU分解

    • [1. AB的逆矩阵](#1. AB的逆矩阵)
    • [2. 转置矩阵](#2. 转置矩阵)
    • [3. A=LU](#3. A=LU)
      • [3.1 2x2矩阵](#3.1 2x2矩阵)
      • [3.2 3x3矩阵](#3.2 3x3矩阵)
      • [3.3 nxn的矩阵分解的次数?](#3.3 nxn的矩阵分解的次数?)

1. AB的逆矩阵

{ ( A B ) ( B − 1 A − 1 ) = I ( B − 1 A − 1 ) ( A B ) = I ⇒ ( A B ) − 1 = B − 1 A − 1 \begin{cases} (AB)(B^{-1}A^{-1}) = I\\ (B^{-1}A^{-1}) (AB)=I \end{cases} \Rightarrow (AB)^{-1} = B^{-1}A^{-1} {(AB)(B−1A−1)=I(B−1A−1)(AB)=I⇒(AB)−1=B−1A−1

2. 转置矩阵

A A − 1 = I ⇒ 两边同时转置 ( A A − 1 ) T = I ⇒ ( A B ) T = B T A T ( A − 1 ) T A T = I \begin{aligned} AA^{-1}=I & \newline \xRightarrow{\text{两边同时转置}} (AA^{-1})^{T}=I &\newline \xRightarrow {(AB)^T = B^TA^T} (A^{-1})^TA^T=I \end{aligned} AA−1=I两边同时转置 (AA−1)T=I(AB)T=BTAT (A−1)TAT=I

转置矩阵的逆 = 逆矩阵的转置

3. A=LU

3.1 2x2矩阵

A矩阵进行消元,可以得到EA=U

1 0 − 4 1 \] ⏟ E \[ 2 1 8 7 \] ⏟ A = \[ 2 1 0 3 \] ⏟ U \\underbrace{\\begin{bmatrix} 1\&0\\\\ -4\&1 \\end{bmatrix}}_{E} \\underbrace{\\begin{bmatrix} 2\&1\\\\ 8 \&7 \\end{bmatrix}}_{\\text{A}}= \\underbrace{\\begin{bmatrix} 2\&1\\\\ 0\&3 \\end{bmatrix}}_{U} E \[1−401\]A \[2817\]=U \[2013

两边同时乘以 E − 1 E^{-1} E−1,得到A=LU。其中L为下三角矩阵(lower),U为上三角矩阵(upper)。

2 1 8 7 \] ⏟ A = \[ 1 0 4 1 \] ⏟ L \[ 2 1 0 3 \] ⏟ U \\underbrace{\\begin{bmatrix} 2\&1\\\\ 8 \&7 \\end{bmatrix}}_{\\text{A}}=\\underbrace{\\begin{bmatrix} 1\&0\\\\ 4\&1 \\end{bmatrix}}_{L} \\underbrace{\\begin{bmatrix} 2\&1\\\\ 0\&3 \\end{bmatrix}}_{U} A \[2817\]=L \[1401\]U \[2013

3.2 3x3矩阵

样例来源于 2.【线性代数】------矩阵消元的第三部分

其中 E 21 E_{21} E21表示 r o w 2 − 3 r o w 1 row_2-3row_1 row2−3row1, E 32 E_{32} E32表示 r o w 3 − 2 r o w 2 row_3-2row_2 row3−2row2

1 0 0 0 1 0 0 − 2 1 \] ⏟ E 32 \[ 1 0 0 − 3 1 0 0 0 1 \] ⏟ E 21 \[ 1 2 1 3 8 1 0 4 1 \] ⏟ A = \[ 1 2 1 0 2 − 2 0 0 5 \] ⏟ U \\underbrace{\\begin{bmatrix} 1\&0\&0\\\\ 0\&1\&0\\\\ 0\&-2\&1\\\\ \\end{bmatrix}}_{E_{32}} \\underbrace{\\begin{bmatrix} 1\&0\&0\\\\ -3\&1\&0\\\\ 0\&0\&1\\\\ \\end{bmatrix}}_{E_{21}} \\underbrace{\\begin{bmatrix} 1\&2\&1\\\\ 3\&8 \&1\\\\ 0\&4\&1 \\end{bmatrix}}_{\\text{A}}= \\underbrace{\\begin{bmatrix} 1\&2\&1\\\\ 0\&2\&-2\\\\ 0\&0\&5 \\end{bmatrix}}_{\\text{U}} E32 10001−2001 E21 1−30010001 A 130284111 =U 1002201−25 A = ( E 21 ) − 1 ( E 32 ) − 1 U A=(E_{21})\^{-1}(E_{32})\^{-1}U A=(E21)−1(E32)−1U 逆矩阵的求法,参考 [2.【线性代数】------矩阵消元的第五部分](https://blog.csdn.net/sda42342342423/article/details/145588212) L = \[ 1 0 0 3 1 0 0 0 1 \] ⏟ ( E 21 ) − 1 \[ 1 0 0 0 1 0 0 2 1 \] ⏟ ( E 32 ) − 1 = \[ 1 0 0 3 1 0 0 2 1 \] L = \\underbrace{\\begin{bmatrix} 1\&0\&0\\\\ 3\&1\&0\\\\ 0\&0\&1\\\\ \\end{bmatrix}}_{(E_{21})\^{-1}} \\underbrace{\\begin{bmatrix} 1\&0\&0\\\\ 0\&1\&0\\\\ 0\&2\&1\\\\ \\end{bmatrix}}_{(E_{32})\^{-1}} =\\begin{bmatrix} 1\&0\&0\\\\ \\boxed{3}\&1\&0\\\\ 0\&\\boxed{2}\&1\\\\ \\end{bmatrix} L=(E21)−1 130010001 (E32)−1 100012001 = 130012001 为什么用L矩阵? * 因为在不存在行交换的额情况下,消元乘数可直接写入L #### 3.3 nxn的矩阵分解的次数? \[ a b c d \] ⇒ \[ a b c − a ∗ c a d − b ∗ c a \] , c − a ∗ c a 是一次操作。 \\begin{bmatrix} a\&b\\\\ c\&d\\\\ \\end{bmatrix} \\Rightarrow \\begin{bmatrix} a\&b\\\\ c-a\*{\\frac c a}\&d-b\*{\\frac c a}\\\\ \\end{bmatrix}, \\boxed{c-a\*{\\frac c a}}是一次操作。 \[acbd\]⇒\[ac−a∗acbd−b∗ac\],c−a∗ac是一次操作。 那么100x100的矩阵,获得第一个主元的估算操作数为 10 0 2 100\^2 1002;获得第二个主元的估算操作数为 9 9 2 99\^2 992;获得第三个主元的估算操作数是 9 8 2 98\^2 982... 求和为 1 2 + 2 2 + . . . + n 2 ≈ 1 3 n 3 1\^2+2\^2+...+n\^2\\approx{\\frac 1 3}n\^3 12+22+...+n2≈31n3

相关推荐
元基时代1 天前
专业的短视频发布矩阵哪家靠谱
大数据·人工智能·python·矩阵
西猫雷婶1 天前
pytorch基本运算-torch.normal()函数生成的随机数据添加噪声
人工智能·pytorch·python·深度学习·学习·线性代数·机器学习
qq_429879672 天前
如何判断模型矩阵是否做了镜像
线性代数·矩阵
dengzhenyue2 天前
矩阵结构体 图片绘制 超级玛丽demo6
线性代数·矩阵
电力程序小学童2 天前
【复现】一种基于价格弹性矩阵的居民峰谷分时电价激励策略【需求响应】
matlab·矩阵·需求响应·负荷·峰谷电价
lovod2 天前
【视觉SLAM十四讲】视觉里程计 1
人工智能·线性代数·计算机视觉·矩阵·机器人
却道天凉_好个秋3 天前
深度学习(十三):向量化与矩阵化
人工智能·深度学习·矩阵·向量化
MMjeaty3 天前
特殊矩阵的压缩存储
算法·矩阵
MoRanzhi12034 天前
基于 SciPy 的矩阵运算与线性代数应用详解
人工智能·python·线性代数·算法·数学建模·矩阵·scipy
优秘智能UMI4 天前
UMI企业智脑智能营销:多平台视频矩阵引领营销新潮流
大数据·运维·人工智能·ai·矩阵·aigc