§1.1向量的概念 §1.2向量的加法 §1.3数乘向量 §1.4向量的线性关系与向量的分解 §1.5标架与坐标 §1.6向量在轴上的射影 §1.7两向量的数量积 §1.8两向量的向量积 §1.9 三向量的混合积

行列式 n 阶行列式的定义 行列式 行列式的性质 行列式 行列式按行（列）展开 行列式 克拉默法则 矩阵 内 容 内 容 初等矩阵与线性方程组 矩阵的初等变换 初等矩阵与线性方程组 矩阵的秩 初等矩阵与线性方程组 线性方程组的消元法 向量及向量空间 n 维向量及其线性相关性、向量组的秩 向量及向量空间 线性方程组解的结构 向量及向量空间 向量空间、习题课 相似矩阵 向量内积和正交矩阵 相似矩阵 方阵的特征值与特征向量、相似矩阵 相似矩阵 方阵的对角化 二次型 二次型及其矩阵表示、合同矩阵 二次型 二次型与对称矩阵的正定性

§8.1 向量及其线性运算 一、向量的概念 二、向量的线性运算 三、空间直角坐标系 四、利用坐标作向量的线性运算 五、向量的模、方向角、投影 §8.2 数量积 向量积 混合积 一、两向量的数量积 二、两向量的向量积 三、向量的混合积 §8.3 平面及其方程 一、曲面方程与空间曲线方程的概念 二、平面的点法式方程 三、平面的一般方程 四、两平面的夹角 §8.4 空间直线及其方程 一、空间直线的一般方程 二、空间直线的对称式方程与参数方程 三、两直线的夹角 四、直线与平面的夹角 五、平面束 §8.5 曲面及其方程 一、曲面研究的基本问题 二、旋转曲面 三、柱面 四、二次曲面 §8.6 空间曲线及其方程 一、空间曲线的一般方程 二、空间曲线的参数方程 三、空间曲线在坐标面上的投影

(1)向量的概念 定义:既有大小又有方向的量称为向量 重要概念: 向量的模、单位向量、零向量、 自由向量、相等向量、负向量、 平行向量、向径

第四章4-4线性变换的特征值与特征向量 4.4.1线性变换的特征值与特征向量的定义 定义若存在非零向量ξ∈V,使得对于某个∈K,有A5=5,则称ξ是A的属 于特征值λ的特征向量。 命题线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间。 证明设51,52是属于的特征向量,Vk,∈K,则 A(k5+2)=k()+a(2)=k+2=(k5+152), 证毕。 定义线性空间V中属于确定的特征值λ的特征向量(添加上零向量)构成子空间称 为属于特征值的特征子空间,记为V 4.4.2特征值和特征子空间的计算、特征多项式

第四章向量组的线性相关性 4.1向量及其运算 1.向量:n个数a1,a2,an构成的有序数组,记作a=(a1,a2,an), 称为n维行向量 a称为向量a的第i个分量 a;∈R称a为实向量(下面主要讨论实向量) a∈C称a为复向量 零向量:θ=(0,0,…,0) 负向量:(-a)=(-a1,-a2,…,-an) 2.线性运算:a=(a1,a2,,an),B=(b1,b2,bn) 相等:若a1=b(i=1,2,,n),称a=B. 加法:a+B=(a1+b1,a2+b2,,an+bn) 数乘:ka=(ka1,ka2,,kan)

第三章n维向量 要求: 1、理解向量的概念,理解向量的线性组合、线性表示的概念; 2、理解向量组线性相关与线性无关的概念,了解线性相关性的一些重要结论 3、理解向量组的极大线性无关组和秩的概念;理解矩阵秩的概念。 4、了解向量组等价的概念,了解向量组的秩和矩阵秩的关系以及有关秩的一些性质。 5、掌握用初等变换求向量组的极大线性相关组、秩和矩阵秩的方法。 6、了解向量空间等的概念

定义1设IRn中的向量组A:a1,2,…an 线性无关,β是IR中中任一向量, 则,a1,a2,…,an线性相关(因为这 是n+1个n维向量,向量个数大于向量维数),于 是根据第三章第二节定理2知道向量可以用a1, a2…a唯一线性表示 =k1a1+k2a2++knan 我们称向量组A:a1,a2,…,an为空间 IR的一组基(basis),把数k1k2,k称为 向量在基a1,a2,…,an下的坐标

一、向量空间的定义和例子 向量与向量空间对我们并不陌生,在解几中,我们已经讨 论过二维和三维向量空间中的向量。 在那里,两个向量相加可以按平行四边形法则相加,若向 量用坐标表示,则两个向量相加转化为对应坐标相加,数与向 量相乘变为数与向量的每个坐标相乘,由此可抽象出一般向量 的定义

针对粗糙集理论中属性约简问题,提出了一种基于扫描向量的属性约简方法.根据粗糙集理论知识,定义了一个新概念——差别向量,利用差别向量将信息表转换成差别向量组;根据差别向量的结构特征,定义了差别向量加法法则;运用这个加法法则仅需对差别向量组扫描一次,就可以形成结构简洁却能代表原信息表属性特征的扫描向量.以扫描向量中的属性频率项作为属性约简搜索的启发信息,提高了属性约简效率.数值实例及数据库测试的结果表明该属性约简算法是有效可行的