0
点赞
收藏
分享

微信扫一扫

线性代数之行列式偏导


                            线性代数之行列式偏导

矩阵偏导

针对y或者f(x)是元素,x是矩阵的情况,则元素对矩阵的求导形式如下:

线性代数之行列式偏导_机器学习

:这里的

线性代数之行列式偏导_转置_02

​ 和矩阵x是同型(行数列数相同)的。

行列式性质

这里假定A是方阵,则有如下性质:

1 余子式是将行列式的第i行、第j列删除后组成的新行列式,一般用如下符号表示:

线性代数之行列式偏导_线性代数_03

比较一般的例子(M11)见:

线性代数之行列式偏导_机器学习_04

2 对余子式求余因子,则称为代数余子式。表达式为:

线性代数之行列式偏导_线性代数_05

3 行列式的值等于某一行(列)的各个元素与其对应的代数余子式的乘积之和,即  

线性代数之行列式偏导_转置_06

4由行列式A的代数余子式Aij 的转置所构成的矩阵叫做伴随矩阵,其定义如下:

线性代数之行列式偏导_机器学习_07

即可简写为:

线性代数之行列式偏导_转置_08

,其中C为代数余子式。5 对于非奇异(行列式不为0)的矩阵A,有如下性质:

线性代数之行列式偏导_机器学习_09

这里由伴随矩阵的定义得:

线性代数之行列式偏导_标量_10

,因为A可逆,则容易得上式(即中间式子右乘A-1)。:这里的A*即是

线性代数之行列式偏导_标量_11


行列式偏导

因为行列式是标量函数,所以之前关于标量函数的定义与性质都适应于行列式。

按照行列式分量展开的形式看,则有:

线性代数之行列式偏导_标量_12

针对整个行列式,则有:

线性代数之行列式偏导_线性代数_13

:1 这里借助矩阵导数的概念:

线性代数之行列式偏导_标量_14

线性代数之行列式偏导_标量_15

线性代数之行列式偏导_转置_16

2 伴随矩阵等于代数余子式矩阵的转置

线性代数之行列式偏导_转置_17

行列式偏导与矩阵逆

接行列式偏导的定义,针对行列式A是非奇异(行列式不为0)的情况,则可以进一步转换:

1 将伴随矩阵转换为行列式和矩阵逆的乘积  

线性代数之行列式偏导_转置_18

2 再结合常数乘矩阵逆的性质,即可将常数提到外面,最终得  

线性代数之行列式偏导_机器学习_19

举报

相关推荐

0 条评论