标签分类
当前位置:首页 > 计算机理论电子书 > 数学分析电子书网盘下载
矩阵分析与应用 矩阵分析与应用
Echo Yang

Echo Yang 提供上传

资源
16
粉丝
33
喜欢
61
评论
10

    矩阵分析与应用 PDF 完整第2版

    数学分析电子书
    • 发布时间:

    给大家带来的一篇关于数学分析相关的电子书资源,介绍了关于矩阵分析、矩阵、矩阵分析与应用方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小24.2 MB,张贤达编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:8.9,更多相关的学习资源可以参阅 计算机理论电子书、等栏目。

  • 矩阵分析与应用 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1gY-evRHJ64q1ffK7HTsUKQ
  • 分享码:n849
  • 矩阵分析与应用 PDF

    矩阵分析与应用(第2版)》系统软件、全方位地详细介绍矩阵分析的关键基础理论、具备象征性的方式及某些典型性应用。全书共10章,內容包含向量代数基本、独特向量、向量微分、系数剖析与提升、奇异值剖析、向量方程求出、特征分析、子空间剖析与追踪、投射剖析、张量分析。前3章为全书的基本,构成向量代数;后7章详细介绍矩阵分析的行为主体內容及典型性应用。为了更好地用户对数学课基础理论的了解及其塑造应用矩阵分析开展自主创新应用的工作能力,《矩阵分析与应用(第2版)》自始至终围绕这条主线任务一一一物理问题“数学课化”,数学课結果“物理学化”。与第1版对比,《矩阵分析与应用(第2版)》的篇数有显著的删改和缩小,很多填补了近些年发展趋势快速的矩阵分析新基础理论、新方式及新应用。

    《矩阵分析与应用(第2版)》为北京高等职业教育精典教材内容重中之重项目立项新项目,合适于必须向量专业知识较为多的理工科和工科特别是在是信息科学与技术性(电子器件、通讯、自动控制系统、电子计算机、自动化控制、模式识别、信号分析、生物医学、生物信息)等各学科相关老师、硕士研究生和科研人员课堂教学、学习或进修班之用。

    目录

    • 第1章 矩阵代数基础
    • 1.1 矩阵的基本运算
    • 1.1.1 矩阵与向量
    • 1.1.2 矩阵的基本运算
    • 1.1.3 向量的线性无关性与非奇异矩阵
    • 1.2 矩阵的初等变换
    • 1.2.1 初等行变换与阶梯型矩阵
    • 1.2.2 初等行变换的两个应用
    • 1.2.3 初等列变换
    • 1.3 向量空间、线性映射与Hilbert空间
    • 1.3.1 集合的基本概念
    • 1.3.2 向量空间
    • 1.3.3 线性映射
    • 1.3.4 内积空间、赋范空间与Hilbert空间
    • 1.4 内积与范数
    • 1.4.1 向量的内积与范数
    • 1.4.2 向量的相似比较
    • 1.4.3 矩阵的内积与范数
    • 1.5 随机向量
    • 1.5.1 概率密度函数
    • 1.5.2 随机向量的统计描述
    • 1.5.3 高斯随机向量
    • 1.6 矩阵的性能指标
    • 1.6.1 矩阵的二次型
    • 1.6.2 行列式
    • 1.6.3 矩阵的特征值
    • 1.6.4 矩阵的迹
    • 1.6.5 矩阵的秩
    • 1.7 逆矩阵与伪逆矩阵
    • 1.7.1 逆矩阵的定义与性质
    • 1.7.2 矩阵求逆引理
    • 1.7.3 左逆矩阵与右逆矩阵
    • 1.8 Moore-Penrose逆矩阵
    • 1.8.1 Moore-Penrose逆矩阵的定义与性质
    • 1.8.2 Moore-Penrose逆矩阵的计算
    • 1.8.3 非一致方程的最小范数最小二乘解
    • 1.9 矩阵的直和与Hadamard积
    • 1.9.1 矩阵的直和
    • 1.9.2 Hadamard积
    • 1.10 Kronecker积与Khatri-Rao积
    • 1.10.1 Kronecker积及其性质
    • 1.10.2 广义Kronecner积
    • 1.10.3 Khatri-Rao积
    • 1.11 向量化与矩阵化
    • 1.11.1 矩阵的向量化与向量的矩阵化
    • 1.11.2 向量化算子的性质
    • 1.12 稀疏表示与压缩感知
    • 1.12.1 稀疏向量与稀疏表示
    • 1.12.2 人脸识别的稀疏表示
    • 1.12.3 稀疏编码
    • 1.12.4 压缩感知的稀疏表示
    • 本章小结
    • 习题
    • 第2章 特殊矩阵
    • 2.1 Hermitian矩阵
    • 2.2 置换矩阵、互换矩阵与选择矩阵
    • 2.2.1 置换矩阵与互换矩阵
    • 2.2.2 广义置换矩阵与选择矩阵
    • 2.3 正交矩阵与酉矩阵
    • 2.4 带型矩阵与三角矩阵
    • 2.4.1 带型矩阵
    • 2.4.2 三角矩阵
    • 2.5 求和向量与中心化矩阵
    • 2.5.1 求和向量
    • 2.5.2 中心化矩阵
    • 2.6 相似矩阵与相合矩阵
    • 2.6.1 相似矩阵
    • 2.6.2 相合矩阵
    • 2.7 Vandermonde矩阵
    • 2.8 Fourier矩阵
    • 2.8.1 Fourier矩阵的定义与性质
    • ……
    • 第3章 矩阵微分
    • 第4章 梯度分析与最优化
    • 第5章 奇异值分析
    • 第6章 矩阵方程求解
    • 第7章 特征分析
    • 第8章 子空间分析与跟踪
    • 第9章 投影分析
    • 第10章 张量分析

    上一篇:挑战程序设计竞赛  下一篇:统计学指导书

    展开 +

    收起 -

    码小辫二维码
     ←点击下载即可登录

    数学分析相关电子书
    学习笔记
    网友NO.225381

    Python中矩阵库Numpy基本操作详解

    NumPy是一个关于矩阵运算的库 ,熟悉Matlab的都应该清楚,这个库就是让python能够进行矩阵话的操作,而不用去写循环操作。 下面对numpy中的操作进行总结。 numpy包含两种基本的数据类型:数组和矩阵。 数组(Arrays) from numpy import * a1=array([1,1,1]) #定义一个数组 a2=array([2,2,2]) a1+a2 #对于元素相加array([3, 3, 3]) a1*2 #乘一个数array([2, 2, 2])## a1=array([1,2,3]) a1array([1, 2, 3]) a1**3 #表示对数组中的每个数做平方array([ 1, 8, 27])##取值,注意的是它是以0为开始坐标,不matlab不同 a1[1]2##定义多维数组 a3=array([[1,2,3],[4,5,6]]) a3array([[1, 2, 3], [4, 5, 6]]) a3[0] #取出第一行的数据array([1, 2, 3]) a3[0,0] #第一行第一个数据1 a3[0][0] #也可用这种方式1##数组点乘,相当于matlab点乘操作 a1=array([1,2,3]) a2=array([4,5,6]) a1*a2array([ 4, 10, 18]) Numpy有许多的创建数组的函数: import numpy as npa = np.zeros((2,2)) # Create an array of all zerosprint a # Prints "[[ 0. 0.] # [ 0. 0.]]"b = np.ones((1,2)) # Create an array of all onesprint b # Prints "[[ 1. 1.]]"c = np.full((2,2), 7) # Create a constant arrayprint c # Prints "[[ 7. 7.] # [ 7. 7.]]"d = np.eye(2) # Create a 2x2 identity matrixprint d # Prints "[[ 1. 0.] # [ 0. 1.]]"e = np.random.random((2,2)) # Create an array filled with random valuesprint e # Might print "[[ 0.91940167 0.08143941] # [ 0.68744134 0.87236687]]" 数组索引(Array indexing) 矩阵 矩阵的……

    网友NO.339172

    Python如何实现矩阵类的代码示例详解

    这篇文章主要介绍了Python实现的矩阵类,结合完整实例形式分析了Python矩阵的定义、计算、转换等相关操作技巧,需要的朋友可以参考下 本文实例讲述了Python实现的矩阵类。分享给大家供大家参考,具体如下: 科学计算离不开矩阵的运算。当然,python已经有非常好的现成的库: numpy (numpy的简单安装与使用 我写这个矩阵类,并不是打算重新造一个轮子,只是作为一个练习,记录在此。 注:这个类的函数还没全部实现,慢慢在完善吧。 全部代码: import copyclass Matrix: '''矩阵类''' def __init__(self, row, column, fill=0.0): self.shape = (row, column) self.row = row self.column = column self._matrix = [[fill]*column for i in range(row)] # 返回元素m(i, j)的值: m[i, j] def __getitem__(self, index): if isinstance(index, int): return self._matrix[index-1] elif isinstance(index, tuple): return self._matrix[index[0]-1][index[1]-1] # 设置元素m(i,j)的值为s: m[i, j] = s def __setitem__(self, index, value): if isinstance(index, int): self._matrix[index-1] = copy.deepcopy(value) elif isinstance(index, tuple): self._matrix[index[0]-1][index[1]-1] = value def __eq__(self, N): '''相等''' # A == B assert isinstance(N, Matrix), 类型不匹配,不能比较 return N.shape == self.shape # 比较维度,可以修改为别的 def __add__(self, N): '''加法''' # A + B assert N.shape == self.shape, 维度不匹配,不能相加 M = Matri……

    网友NO.339447

    Python根据已知邻接矩阵绘制无向图操作示例

    本文实例讲述了Python根据已知邻接矩阵绘制无向图操作。分享给大家供大家参考,具体如下: 有六个点:[0,1,2,3,4,5,6],六个点之间的邻接矩阵如表格所示,根据邻接矩阵绘制出相对应的图 0 1 2 3 4 5 6 0 0 1 0 1 0 1 0 1 1 0 1 1 1 1 1 2 0 1 0 1 0 1 0 3 1 1 1 0 1 1 1 4 0 1 0 1 1 1 1 5 1 1 1 1 1 0 0 6 0 1 0 1 1 0 0 将点之间的联系构造成如下矩阵 N = [[0, 3, 5, 1], [1, 5, 4, 3], [2, 1, 3, 5], [3, 5, 1, 4], [4, 5, 1, 3], [5, 3, 4, 1], [6, 3, 1, 4]] 代码如下 # -*- coding:utf-8 -*-#! python3import networkx as nximport matplotlib.pyplot as pltG=nx.Graph()point=[0,1,2,3,4,5,6]G.add_nodes_from(point)edglist=[]N = [[0, 3, 5, 1],[1, 5, 4, 3],[2, 1, 3, 5],[3, 5, 1, 4],[4, 5, 1, 3],[5, 3, 4, 1],[6, 3, 1, 4]]for i in range(7): for j in range(1,4): edglist.append((N[i][0],N[i][j]))G=nx.Graph(edglist)position = nx.circular_layout(G)nx.draw_networkx_nodes(G,position, nodelist=point, node_color="r")nx.draw_networkx_edges(G,position)nx.draw_networkx_labels(G,position)plt.show() 显示结果: 更多关于Python相关内容可查看本站专题:《Python数学运算技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》及《Python入门与进阶经典教程》 希望本文所述对大家Python程序设计有所帮助。 ……

    网友NO.635171

    python 读取.csv文件数据到数组(矩阵)的实例讲解

    利用numpy库 (缺点:有缺失值就无法读取) 读: import numpy my_matrix = numpy.loadtxt(open("1.csv","rb"),delimiter=",",skiprows=0) 写: numpy.savetxt('2.csv', my_matrix, delimiter = ',') 可能遇到的问题: SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 原因是文件路径名中含有转义字符,将路径中的\换成\即可。 利用pandas库 读:(可以处理缺失值) import pandas as pd df = pd.read_csv('D:\Python\\l\B_train1.csv') df.values df.as_matrix(columns=None) 写:(将dataFrame直接写入) testB = test[test.intersection_id.isin(["B"])] pd.DataFrame.to_csv(testB,"D:\Python\\k\\t5B.csv")#testB是个dataFrame 利用sklearn包中的Imputer处理缺失值 m = df.as_matrix(columns=None) from sklearn.preprocessing import Imputer imp = Imputer(missing_values='NaN', strategy='mean', axis=0) imp.fit(m)Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0) imp.transform(m) 以上这篇python 读取.csv文件数据到数组(矩阵)的实例讲解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持码农之家。 ……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明