如何理解二次型?(转)
转自:https://blog.csdn.net/ccnt_2012/article/details/84784311
通过矩阵来研究二次函数(方程),这就是线性代数中二次型的重点。
1 二次函数(方程)的特点
1.1 二次函数
最简单的一元二次函数就是:
给它增加一次项不会改变形状:
增加常数项就更不用说了,更不会改变形状。
1.2 二次方程
下面是一个二元二次方程:
给它增加一次项也不会改变形状,只是看上去有些伸缩:
1.3 小结
对于二次函数或者二次方程,二次部分是主要部分,往往研究二次这部分就够了。
2 通过矩阵来研究二次方程
因为二次函数(方程)的二次部分最重要,为了方便研究,我们把含有 个变量的二次齐次函数:
或者二次齐次方程称为二次型。
2.1 二次型矩阵
实际上我们可以通过矩阵来表示二次型:
更一般的:
可以写成更线代的形式:
所以有下面一一对应的关系:
在线代里面,就是通过一个对称矩阵,去研究某个二次型。
2.2 通过矩阵来研究有什么好处
2.2.1 圆锥曲线
我们来看下,这是一个圆:
我们来看改变一下二次型矩阵:
哈,原来椭圆和圆之间是线性关系呐(通过矩阵变换就可以从圆变为椭圆)。
继续:
咦,双曲线和圆之间也是线性关系(准确的说是仿射的)。
其实圆、椭圆、双曲线之间关系很紧密的,统称为圆锥曲线,都是圆锥体和平面的交线:
从上面动图可看出,一个平面在圆锥体上运动,可以得到圆、椭圆、双曲线,这也是它们之间具有线性关系的来源(平面的运动是线性的、或者是仿射的)。
2.2.2 规范化
再改变下矩阵:
这个椭圆看起来有点歪,不太好处理,我们来把它扶正,这就叫做规范化。
如果我们对矩阵有更深刻的认识,那么要把它扶正很简单。
往下读之前,请先参看我在如何理解特征值下的回答。
首先,矩阵代表了运动,包含:
旋转
拉伸
投影
对于方阵,因为没有维度的改变,所以就没有投影这个运动了,只有:
旋转
拉伸
具体到上面的矩阵:
我把这个矩阵进行特征值分解:
注意我上面提到的正交很重要,为什么重要,可以参看我在如何理解特征值中的解释。
对于二次型矩阵,都是对称矩阵,所以特征值分解总可以得到正交矩阵与对角矩阵。
特征值分解实际上就是把运动分解了:
那么我们只需要保留拉伸部分,就相当于把矩阵扶正(图中把各自图形的二次型矩阵标注出来了):
所以,用二次型矩阵进行规范化是非常轻松的事情。
2.2.3 正定
正定是对二次函数有效的一个定义,对方程无效。
对于二次型函数, :
,则 为正定二次型, 为正定矩阵
,则 为半正定二次型, 为半正定矩阵
,则 为负定二次型, 为负定矩阵
,则 为半负定二次型, 为半负定矩阵
以上皆不是,就叫做不定
从图像上看,这是正定:
半正定:
不定:
既然二次型用矩阵来表示了,那么我们能否通过矩阵来判断是否正定呢?
下面我分别给出了二次型的图形,以及对应的特征值矩阵的图形,你可以自己动手试试(3D窗口可以通过鼠标旋转,方便观察),得出自己的结论:
此处有互动内容,点击此处前往操作。
起码,我们可以观察出这个结论,特征值都大于0,则为正定矩阵。
3 总结
在很多学科里,二次型都是主要研究对象,很多问题都可以转为二次型。线代作为一门数学工具,在二次型的研究中也发挥了很好的作用。
此处可以查看最新版本(可能不定期更新):如何理解二次型?
转载于:https://www.cnblogs.com/rswss/p/11440770.html
如何理解二次型?(转)相关推荐
- 【通俗理解线性代数】 -- 理解二次型
本微信图文介绍了二次型的几何意义以及正定在函数极值中的应用.
- 通过矩阵研究二次函数(方程)-----理解二次型
转载自马同学高等数学 1 二次函数(方程)的特点 1.1 二次函数 最简单的一元二次函数就是: 给它增加一次项不会改变形状: 增加常数项就更不用说了,更不会改变形状. 1.2 二次方程 下面是一个二元 ...
- 严格对角占优矩阵特征值_二次型和特征值
前言:以下内容不是严格的数学表述, 以自己理解的思路形式叙述. 二次型: 这个名词是来自于线性代数, 多用于二次规划和优化组合等问题. 在线性代数里形如以下函数表达式称为二次型:(A是对称矩阵) 这里 ...
- 理解GCN(二)从拉普拉斯矩阵到Ncut问题
0 文章小节分类 相关线代启示录 对Laplancian Matrix的基础理解 对经典文章<Normalized Cuts and Image Segmentation>中的normal ...
- 二次型的定义、线性替换、惯性定理
1.二次曲面是如何分类二次曲面的[转自:YourMath] 2.如何理解二次型的定义[转自:YourMath] 研究二次型的目的 刻画所有二次曲线.二次曲面的图像 为什么只需研究二次项? 一次项的变化 ...
- 【机器学习】主元分析(PCA)以及与SVD的区别联系
参考文章:如何理解主元分析(PCA)? 主元分析的目的是降低数据的维度.主元分析也就是PCA,主要用于数据降维. 1 什么是降维? 比如说有如下的房价数据: 这种一维数据可以直接放在实数轴上: 不过数 ...
- 计算机专业线性代数教学大纲,《线性代数》课程教学大纲
一.课程简介 线性代数是讨论代数学中线性关系经典理论的课程,它具有较强的抽象性与逻辑性,是高等学校工科本科各专业的一门重要的基础理论课,也是硕士研究生入学全国统一考试中必考的数学课程之一.由于线性问题 ...
- 机器学习算法之手撕SVM-线性(理论)
感谢Jack-Cui大佬的知识分享 机器学习专栏点击这里 目录 感谢Jack-Cui大佬的知识分享 0. 什么是SVM? 概述 1. 线性SVM 1.1 相关概念:决策面,分类间隔,最优决策面(最优解 ...
- 送你一把学习【线性代数】的钥匙
刚刚把这两年在公众号中写的与线性代数有关的图文整理了一下,一共133篇. 真的没想到写了这么多,希望对学习线性代数的同学有所帮助!图文索引如下: 线性代数部分 通俗理解线性代数 第01讲 矩阵与变换 ...
- 机器学习和深度学习之数学基础-线性代数 第一节 向量及线性映射
转自:https://blog.csdn.net/yong_bai/article/details/80033516 yong_bai 发布于2018-04-18 21:40:15 阅读数 1440 ...
最新文章
- 用PhpStorm IDE创建GG App Engine PHP应用教程
- jfinal怎么连接oracle,如何用Jfinal连接多个数据库
- C# 可访问性不一致问题(修改成员的访问修饰符)。
- java 利用ManagementFactory获取jvm,os的一些信息--转
- 两个Long类型真的不能直接用或比较么?其实可以
- @RequestMapping,@ResponseBody,@RequestBody用法
- mysql触发器不起作用 navicat的bug?
- BB,你一定要幸福!
- 分辨率和比例尺换算 resolution/scale
- Backdoor Attack with Imperceptible Input and Latent Modification
- 【2019年04月10日】股票的滚动市盈率PE最低排名
- Linux 中的一些文件简介
- mysql主从配置duxi_手把手超详细Docker部署MongoDB集群
- 学习OpenCV3:在空白图片上画虚线
- 自学Java一点都不难!
- 音视频开发之旅(49)-边缓存边播放之AndroidVideoCache
- DVWA靶场过程整理
- 一个很好的ruby教程
- HanLP中人名识别分析详解
- 操作系统之哲学原理----前言
热门文章
- ftp linux 开启验证_Linux认证系统管理:linux下搭建ftp
- 前缀、中缀、后缀表达式以及逆波兰计算器
- ElasticSearch学习笔记(二)
- Spark大数据计算框架知识总结
- ASM的基础使用 Android 自动化埋点方案原理剖析
- python实现归并排序_排序算法学习(python版本)之归并排序(MergeSort)
- @cacheable 设置过期时间_Redis 的过期策略是如何实现的?
- 数值积分方法的c语言实现,编程实现数值积分的几种--方法 c语言.doc
- 代发核心期刊骗局_警惕“代发论文”骗局,落入骗子圈套
- Python数据可视化库——Matplotlib