毕业论文矩阵的秩

矩阵的秩的定义：是其行向量或列向量的极大无关组中包含向量的个数。

能这么定义的根本原因是：矩阵的行秩和列秩相等（证明可利用n+1个n维向量必线性相关）

矩阵的秩的几何意义如下：在n维线性空间V中定义线性变换，可以证明：在一组给定的基下，任一个线性变换都可以与一个n阶矩阵一一对应；而且保持线性；换言之，所有线性变换组成的空间End(V)与所有矩阵组成的空间M(n)是同构的。

扩展资料：

A=(aij)m×n的不为零的子式的最大阶数称为矩阵A的秩，记作rA，或rankA或R(A)。

特别规定零矩阵的秩为零。

显然rA≤min(m,n) 易得：若A中至少有一个r阶子式不等于零，且在r

由定义直接可得n阶可逆矩阵的秩为n，通常又将可逆矩阵称为满秩矩阵, det(A)≠0；不满秩矩阵就是奇异矩阵，det(A)=0。

由行列式的性质知，矩阵A的转置AT的秩与A的秩是一样的。

奇异值分解非常有用，对于矩阵A(p*q)，存在U(p*p)，V(q*q)，B(p*q)（由对角阵与增广行或列组成），满足A = U*B*V

U和V中分别是A的奇异向量，而B是A的奇异值。AA'的特征向量组成U，特征值组成B'B，A'A的特征向量组成V，特征值（与AA'相同）组成BB'。因此，奇异值分解和特征值问题紧密联系。

如果A是复矩阵，B中的奇异值仍然是实数。

SVD提供了一些关于A的信息，例如非零奇异值的数目（B的阶数）和A的阶数相同，一旦阶数确定，那么U的前k列构成了A的列向量空间的正交基。

参考资料来源：百度百科——矩阵的秩

第一个角度，也就是书本上的定义，矩阵中的任意一个r阶子式不为0，且任意的r+1阶子式为0，则阶数r就叫作该矩阵的秩。

对一个矩阵，存在某个r阶行列式，值不为0，这个r阶行列式就是对一个矩阵你画r条横线，r条竖线，这个横竖线交叉的元素构成了一个新的数表，这个数表的行列式就叫作这个矩阵的r阶子式。

第二个角度，如果我们把矩阵进行初等行变换，将矩阵变换为一个行阶梯形矩阵后，那么行阶梯形矩阵的非0行就是这个矩阵的秩。这是通过运算的角度来给出的矩阵的秩的定义，对矩阵进行初等行变换后得到的行阶梯形矩阵的非0行的个数。

第三个角度，是从线性方程组的角度来给出的，我们可以把秩理解为一种约束，因为方程我们就可以理解为约束，当我们把矩阵看成齐次线性方程组的系数的时候，矩阵的秩就是这个方程组里真正存在的方程的个数。

虽然写出了很多个方程，但有一些是没有用的，可以由其他方程来表示的，这些没用的消去之后剩下的真正的约束的个数就是这个矩阵的秩。

第四个角度，将矩阵看成由一个个向量放在一起拼成的，这个秩就是向量组中独立的向量的个数，其实和上述方程组的角度是差不多的。

扩展资料

定理：矩阵的行秩，列秩，秩都相等。

定理：初等变换不改变矩阵的秩。

定理：如果A可逆，则r(AB)=r(B),r(BA)=r(B)。

定理：矩阵的乘积的秩Rab<=min{Ra,Rb};

引理：设矩阵A=(aij)sxn的列秩等于A的列数n，则A的列秩，秩都等于n。

当r(A)<=n-2时，最高阶非零子式的阶数<=n-2，任何n-1阶子式均为零，而伴随阵中的各元素就是n-1阶子式再加上个正负号，所以伴随阵为0矩阵。

当r(A)<=n-1时，最高阶非零子式的阶数<=n-1，所以n-1阶子式有可能不为零，所以伴随阵有可能非零（等号成立时伴随阵必为非零）。

参考资料来源：百度百科-矩阵的秩

通过化简矩阵 使矩阵达到最简 有多少行非零的 秩就是多少 秩和解的个数有关