6.1线性空间的定义与性质 定义1设V是一个非空集合,R为实数域,如果对任 意两个元素a,∈,总有唯一的一个元素γ∈V与 之对应,称为a,B的和,记作y=a+B;对于任一 个数k∈R与任一个元素a∈V,总有唯一的一个元 素δ∈V与之对应,称为k与a的积,记为δ=ka; 两种运算满足以下八条运算规律

一、齐次线性方程组 例1设A为n阶矩阵,证明 R(A)=R(). 证明由于若Ax=0,有AAx=0,这说明凡是 Ax=0的解必为AAx=0的解。 另一方面,若AAx=0,我们记Ax=y,则有 yy=x'a'ax=x(a'Ax)=0,则y=0,亦 即Ax=0.这说明凡是AAx=0的解必为Ax=0的 解。故A'Ax=0与Ax=0的同解。当两齐次线性 方程组同解,意味着它们的基础解系包含的向 量个数相等,亦即有: n-R(A)=n-R(A'A) 所以R(A)=R(A'a)

定义1设a1,a2,…,am,β是一组n维 向量,若存在m个实数k1,k2,…km使得 β=ka1+k2a2++kmam,则称β可以 由a1,a2,…,an线性表示( linear representation).或称a1,a2,…,an线性 表示(linear generate) 例如:a1=(1,2,0)T,a2=(1,0,3)T,a3= (3,4,3)T,则a3=2a1+a2,即存在实数k =2,k2=1使得a3=ka1+k2a2,故a3可以 由a1,a2线性表示。(大家想一想,这里的常 数k1=2,k2=1是怎么求出来的?)

4 奇异值分解 4.1 奇异值，奇异向量和奇异值分解 4.2 奇异值基本性质 4.3 奇异值更多性质 ∗ 5 线性最小二乘问题的求解方法 5.1 正规方程法 5.2 QR 分解法 5.3 奇异值分解法 6 最小二乘问题的推广及其应用 ∗ 6.1 正则化与加权正则化 6.2 约束最小二乘 6.3 多项式数据拟合 6.4 线性预测 6.5 信号恢复 6.6 SVD：图像压缩 — 截断 SVD 6.7 SVD：图像配准 Rigid Alignment / Shape Registration

一、线性方程组有解的判定条件 1. 齐次线性方程组Ax=O有非零解的条件 . 由方程的向量形式x11 + x22 ++ xnn = O可得结论 定理1

第六章线性变换 第一节线性变换的概念 第二节线性变换和矩阵 第三节特征值与特征向量 第四节线性变换的不变子空间,象与核

综合试题1 一、判别下列命题是否正确 1.如果行列式d=0那么它至少有一行元素全为零 2.如果含n个末知量的n个方程构成的线性方程组的系数行列式等于零,那么它有无穷多解. 3.如量向量组与向量组的秩相等,那么I~I 5.如果向量B可由向量组唯一线性表出,·则线性无关

4.1 向量及其线性组合 4.2 向量组的线性相关性 4.3 向量组的秩 4.4 矩阵的秩 4.5 向量空间 4.6 线性方程组解的结构