【ee类保研面试】数学类---线性代数

BOB_BOB_BOB_2025-07-31 10:32

25保研er，希望将自己的面试复习分享出来，供大家参考

part0---英语类

part1---通信类

part2---信号类

part3---高数类

part100---self项目准备

文章目录

线性代数知识点大全

1. 余子式与代数余子式

  • 余子式（minor） ：

    对于矩阵 A A A 的第 i i i 行第 j j j 列元素 a i j a_{ij} aij，去掉第 i i i 行和第 j j j 列后所得的子矩阵的行列式，记作：

    M i j = det ( A i j ) M_{ij} = \text{det}(A_{ij}) Mij=det(Aij)

  • 代数余子式（cofactor）：

    A i j = ( − 1 ) i + j M i j A_{ij} = (-1)^{i+j} M_{ij} Aij=(−1)i+jMij

✅ 常用于行列式展开、求逆等运算。

2. 行列式的含义

  • 函数性质：将 n × n n \times n n×n 方阵映射到实数。
  • 几何意义：表示该矩阵对应线性变换的体积缩放因子（绝对值）和方向（符号）。
  • 代数意义：等于矩阵所有特征值的乘积。
  • 行列式为 0：矩阵不可逆，向量线性相关。

✅ 面试常问："行列式为什么可以判断可逆性？"、"为什么是特征值乘积？"

3. 矩阵的秩（Rank）

  • 一个矩阵非零行向量的最大数目，或者线性无关列/行的最大数目。
  • 表示向量组张成空间的维度。
  • 决定线性方程组是否有唯一解、有无穷解或无解。

✅ 常见考点：秩与解空间维度之间的关系。

5. 线性方程组解的情况 / 判断是否有解的几种方法

  • 设增广矩阵为 ( A ∣ b ) (A|b) (A∣b)

  • 有解的判定标准：

    rank ( A ) = rank ( A ∣ b ) \text{rank}(A) = \text{rank}(A|b) rank(A)=rank(A∣b)

  • 解的分类：

    • 若等于未知数个数 ⇒ 唯一解
    • 若小于未知数个数 ⇒ 无穷多解
    • 若不等 ⇒ 无解

✅ 面试高频提问！一定要牢记判定标准。

6. 线性相关与线性无关

  • 向量组 { v 1 , . . . , v n } \{v_1, ..., v_n\} {v1,...,vn} 中存在线性关系：

    c 1 v 1 + ⋯ + c n v n = 0 c_1 v_1 + \cdots + c_n v_n = 0 c1v1+⋯+cnvn=0

    若有非零解 ⇒ 线性相关 ；否则 ⇒ 线性无关。

✅ 常问："如何判断向量组线性无关？" 答：行列式不为零或秩等于向量个数。

7. 线性空间（向量空间）

  • 向量空间是一个集合，满足向量加法与数乘的封闭性等 8 条运算公理。
  • 常见空间如： R n \mathbb{R}^n Rn、矩阵空间、函数空间等。

✅ 面试常问："什么是向量空间？能举一个非欧几里得空间的例子吗？"

8. 向量空间的基与维数

  • 基（Basis）：一组线性无关且张满空间的向量。
  • 维数 ：该空间基的向量个数，记为 dim ⁡ V \dim V dimV。

✅ 面试常问："基一定唯一吗？"（答：不是，基有无数组，但维数唯一）

9. 特征值与特征向量

  • 对于矩阵 A A A，若存在非零向量 v v v 和标量 λ \lambda λ 使得：

    A v = λ v A v = \lambda v Av=λv

    则称 λ \lambda λ 为特征值， v v v 为特征向量。

  • 特征值 ⇒ 解特征方程 det ⁡ ( A − λ I ) = 0 \det(A - \lambda I) = 0 det(A−λI)=0

✅ 常考："对称矩阵的特征值性质？"（答：实对称矩阵特征值一定实，且可正交对角化）

11. 什么是向量正交？什么是矩阵正交？

  • 向量正交 ： ( α , β ) = 0 (\alpha, \beta) = 0 (α,β)=0，表示两向量垂直。
  • 矩阵正交 ： A ⊤ A = A A ⊤ = I A^\top A = AA^\top = I A⊤A=AA⊤=I，表示列向量两两正交且为单位向量。

12. 正交矩阵

  • 满足： A ⊤ A = I A^\top A = I A⊤A=I

  • 特点：

    • 行列互为正交单位组
    • 可逆，且 A − 1 = A ⊤ A^{-1} = A^\top A−1=A⊤
    • 保长、保角（用于旋转/反射等变换）

✅ 面试常问："正交矩阵乘向量会改变模长吗？"（答：不会）

13. 合同矩阵

  • 若存在可逆矩阵 P P P，使得 B = P ⊤ A P B = P^\top A P B=P⊤AP，称 A A A 与 B B B 合同。
  • 合同矩阵之间保持惯性指数（正负零特征值个数）不变。

✅ 常考于二次型化简与惯性定理。

14. 正定矩阵与半正定矩阵

  • 正定矩阵：

    • 对称矩阵 A A A，若任意非零向量 x x x 都满足：

      x ⊤ A x > 0 x^\top A x > 0 x⊤Ax>0

  • 半正定矩阵 ：满足 x ⊤ A x ≥ 0 x^\top A x \geq 0 x⊤Ax≥0

✅ 常问："判断正定性的方法？"

  • 所有特征值为正 ⇔ 正定
  • 所有主子式 > 0 ⇔ 正定

15. 相似与对角化

  • 相似（similarity） ：若存在可逆矩阵 P P P 使得：

    A = P B P − 1 A = PBP^{-1} A=PBP−1

    则 A ∼ B A \sim B A∼B，相似矩阵有相同特征值

  • 可对角化条件：

    • 存在一组线性无关特征向量
    • 亦即：矩阵有 n n n 个线性无关特征向量 ⇔ 可对角化

✅ 面试常问："是否所有矩阵都可对角化？"（答：不是，比如有缺失特征向量的重根情形）

面试出现过的真题

【北航】矩阵的范数：

  • 引入范数的目的是为了度量矩阵的"大小"或"长度"。

  • 满足性质：

    1. 正定性：||A|| = 0 当且仅当 A 是零矩阵；
    2. 齐次性：||λA|| = |λ|·||A||；
    3. 三角不等式：||A + B|| ≤ ||A|| + ||B||；
    4. 乘积次乘性：||AB|| ≤ ||A||·||B||（对某些范数成立）。

【北航】线性无关是什么：

  • 一组向量线性无关 ⇔ 没有一个可以被其他向量线性表示。
  • 只有当所有系数为 0 时，线性组合为零向量。
  • 几何理解：张成的几何体（如平行四边形、六面体、超几何体）体积不为 0。
  • 线性组合中，每个项为一次项，不含常数和向量乘向量。

【北航】矩阵的行列式：

  • 行列式几何意义：广义平行四边形的体积。
  • 行列式为 0 ⇒ 映射使线性无关向量变成线性相关，信息丢失 ⇒ 不可逆。
  • 行列式 ≠ 0 ⇒ 可逆。

【北航】矩阵的迹（Trace）：

  • 定义：主对角线元素之和。
  • 线性算子的"压缩值"。

【ALL】矩阵的秩（Rank）是什么，有什么物理意义：

  • 定义：矩阵中线性无关行/列向量的最大数目。

  • 方法：找出最大的非零子式（子矩阵行列式 ≠ 0）。

  • 物理意义：线性变换后，至少保留的维度数量；保住了"多少个面"。

  • 性质：

    • rank(AB) ≤ min{rank(A), rank(B)}
    • r(A) + r(B) - n ≤ r(AB)
    • 矩阵满秩 ⇔ 可逆

【北航】Ax = b 有解的条件：

  • 条件：rank(A) = rank(A|b)

  • 几种情况：

    1. rank = n ⇒ 唯一解；
    2. rank < n ⇒ 无穷解；
    3. rank(A) ≠ rank(A|b) ⇒ 无解。

  • 几何解释：b 是否在 A 的列空间中。

  • Ax = 0 若列满秩 ⇒ 仅有零解。

【北航】【复旦】矩阵的特征值是什么，有什么物理意义，应用：

  • 定义：Ax = λx，λ 为特征值，x 为特征向量。
  • 求法：|λI - A| = 0 ⇒ 特征多项式，求解其根。
  • 几何理解：变换后方向不变的向量。
  • 物理意义：算子的"投影不变方向"
  • 所有特征向量正交 ⇒ 可对角化
  • 应用：主成分分析（PCA）、系统稳定性分析等

【自动化所】【北航】线性空间（向量空间）：

  • 定义：非空集合 V 对加法和数乘封闭，满足八条运算公理：

    1. 加法交换律
    2. 加法结合律
    3. 存在加法单位元（零向量）
    4. 存在加法逆元
    5. 数乘结合律
    6. 数乘与加法分配律（两种）
    7. 数乘的 1 元素

  • m 维线性空间：存在 m 个线性无关向量作为一组基

【软件所】转置矩阵的几何意义：

  • 将行变为列、列变为行；
  • 几何上类似于图像绕主对角线翻转（如 45° 对称轴）。

【北航】正交矩阵：

  • 定义：AᵀA = I，列（或行）向量正交且为单位向量。
  • 特性：|A| = ±1，A⁻¹ = Aᵀ。
  • 几何意义：旋转或反射，不改变向量长度和夹角。
  • 可视为一种"换基"方式。

【北航】矩阵求逆的方法：

  • 方法：

    1. 初等行变换法（构造增广矩阵 [A | I]）
    2. 伴随矩阵法
    3. 待定系数法（小矩阵常用）

【北航】什么时候 AB = BA：

  • A 与 B 可同时对角化 ⇒ 存在同一个可逆 P，使得 P⁻¹AP 和 P⁻¹BP 都是对角矩阵。
  • 特殊情况：A = B
  • 一般矩阵乘法不满足交换律，只有部分可交换。

【自动化所】标准正交基，施密特变换：

标准正交基：两量正交的向量，且长度为单位1

施密特变换：求标准正交基的方法。

【东南】正定矩阵的判断方法

①若A正定，则A的各阶顺序主子式均大于0；

②A的所有特征值均大于0。

未完待续

常见面试题整理2（线性代数）

1. 矩阵的秩的含义

📘 基本概念
  • 矩阵的秩：矩阵中不为零的子式的最大阶数。
  • 对于行阶梯型矩阵，秩等于其非零行的数量。
🔗 与向量组的关系
  • 矩阵的秩 = 列向量组的秩 = 行向量组的秩。
  • 向量组的秩：其极大线性无关组所含向量的个数。
📐 几何意义
  • 矩阵的行空间、列空间的维数 = 秩。
  • 表示该矩阵能在几何上张成的"空间维度"。
🧮 与线性方程组的关系

  • 若 A A A 为 m × n m \times n m×n 矩阵，秩为 r < n r < n r<n，

    • 齐次方程 A x = 0 Ax = 0 Ax=0 有 n − r n - r n−r 个基础解向量（自由变量个数）。
🔄 与线性变换的关系
  • 秩 = 保持非零体积的最大维度。
  • 例：一个秩为2的 3 × 3 3 \times 3 3×3 矩阵会将三维体压缩为二维面。

2. 线性相关的含义

📘 公式定义

  • 向量组 α 1 , α 2 , . . . , α m \alpha_1, \alpha_2, ..., \alpha_m α1,α2,...,αm 线性相关 ⇔ 存在不全为零的 k i k_i ki 使得

    k 1 α 1 + k 2 α 2 + ⋯ + k m α m = 0 k_1\alpha_1 + k_2\alpha_2 + \cdots + k_m\alpha_m = 0 k1α1+k2α2+⋯+kmαm=0

  • 否则，称线性无关。

📐 几何意义

  • 线性相关 ⇔ 向量张成的体积为 0。

  • 线性无关的向量组 ⇒ 张成体积 ≠ 0 ⇒ 行列式 ≠ 0。

  • 示例：

    • 二维空间：两个共线向量张成的平行四边形面积为零。
    • 三维空间：三个共面的向量张成的体积为零。
    • N N N 维空间中任取 M > N M > N M>N 个向量 ⇒ 必线性相关。

3. 行列式的含义

📘 基本概念
  • 行列式 = 所有从不同的行和列中取出的 n n n 个元素的乘积的加权和（符号为排列奇偶性）。
📐 几何意义（本质含义）

  • 行列式的绝对值 = n n n 个向量张成的** n n n 维体积**：

    • 二阶 ⇒ 面积
    • 三阶 ⇒ 体积
    • 四阶及以上 ⇒ 超体积（n维平行体）
🔄 与线性变换的关系
  • 行列式 ≠ 0：变换后保持体积 ≠ 0 ⇒ 向量组保持线性无关 ⇒ 矩阵可逆。
  • 行列式 = 0：变换后退化 ⇒ 向量组变为线性相关 ⇒ 矩阵不可逆。
  • 行列式为负：除了体积变化，还表示方向翻转。
  • ✅ 总结：行列式反映线性变换是否保持向量组的独立性（保真性）。

4. 特征值与特征向量的关系

📘 概念说明
  • 一个特征值可对应多个特征向量，但一个特征向量只对应一个特征值。
  • 不同特征值的特征向量组一定线性无关。
🔢 重数关系

  • 若特征值 λ \lambda λ 的代数重数 为 k k k，即在特征方程中是 k k k 重根；

  • 对应的线性无关特征向量最多有 l l l 个，满足：

    k ≥ l ≥ 1 k \geq l \geq 1 k≥l≥1

  • 即代数重数 ≥ 几何重数。

相关推荐
前端双越老师24 分钟前
前端面试常见的 10 个场景题
前端·面试·求职
Lee川16 小时前
优雅进化的JavaScript：从ES6+新特性看现代前端开发范式
javascript·面试
Lee川20 小时前
从异步迷雾到优雅流程：JavaScript异步编程与内存管理的现代化之旅
javascript·面试
晴殇i1 天前
揭秘JavaScript中那些“不冒泡”的DOM事件
前端·javascript·面试
绝无仅有1 天前
Redis过期删除与内存淘汰策略详解
后端·面试·架构
绝无仅有1 天前
Redis大Key问题排查与解决方案全解析
后端·面试·架构
AAA梅狸猫1 天前
Looper.loop() 循环机制
面试
AAA梅狸猫1 天前
Handler基本概念
面试
Wect1 天前
浏览器缓存机制
前端·面试·浏览器
掘金安东尼1 天前
Fun with TypeScript Generics：玩转 TS 泛型
前端·javascript·面试
热门推荐
01GitHub 镜像站点02OpenClaw 使用和管理 MCP 完全指南03OpenClaw + 飞书（Feishu）环境搭建指南04【OpenClaw 本地实战 Ep.3】突破瓶颈：强制修改 openclaw.json 解锁 32k 上下文记忆05Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services06OpenClaw优化飞书API 额度已耗尽问题07Window 10部署openclaw报错node.exe : npm error code 12808Clawdbot部署教程：解决‘gateway token missing’授权问题的完整步骤09小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）10OpenClaw大龙虾机器人完整安装教程