2020年5月17日
矩阵求逆引理
摘要： 首先必须记住的是可逆矩阵A+BCD的逆可以表示成A-1+X，其中X为未知矩阵 故有(A+BCD)(A-1+X)=E E+AX+BCDA-1+BCDX=E; (A+BCD)X+BCDA-1=0 X=-(A+BCD)-1BCDA-1 X=-[B(B-1A+CD)]-1BCDA-1 X=-(B-1A+CD 阅读全文
posted @ 2020-05-17 22:37 柠檬味呀 阅读(1431) 评论(0) 推荐(0) 编辑
期望规则
摘要： 若随机变量Y符合函数 且绝对收敛 则有： 该定理的意义在于：我们求E(Y)时不需要算出Y的分布律或者概率分布，只要利用X的分布律或概率密度即可。 上述定理还可以推广到两个或以上随机变量的函数情况。 设Z是随机变量X、Y的函数 （g是连续函数） Z是一个一维随机变量，二维随机变量（X，Y）的概率密度为 阅读全文
posted @ 2020-05-17 20:04 柠檬味呀 阅读(288) 评论(0) 推荐(0) 编辑
householder矩阵行列式为-1 证明
摘要： 阅读全文
posted @ 2020-05-17 17:37 柠檬味呀 阅读(2627) 评论(0) 推荐(0) 编辑
2020年5月16日
计算机网络第三章(3.4可靠数据传输）
摘要： 1.rdt2.2接收方 此时的接收窗口[n,n-w+1],窗口大小为w 发送方的[n-w,n-1]可能还未收到ACK,需要重传 此时接收方既可能收到[n,n-w+1]的数据，也可能收到[n-w,n-1]的重传数据，故这2w个数据的序号必须不同，故序号空间大小必须大于等于窗口大小的两倍 5. 以上内容 阅读全文
posted @ 2020-05-16 22:35 柠檬味呀 阅读(225) 评论(0) 推荐(0) 编辑
2020年5月15日
正交投影
摘要： 一维情形 将向量b投影到直线a上，投影为p,误差向量为e e=b-p 高维情形 向量b投影到a1,a2张成的平面 投影为p e为误差向量 投影点为Pb 投影坐标为这里的x 阅读全文
posted @ 2020-05-15 22:30 柠檬味呀 阅读(571) 评论(0) 推荐(0) 编辑
计算机网络第三章（多路复用 多路分解 UDP）
摘要： 3.1 IP 尽力而为交付服务 不可靠服务 每个主机有一个IP地址 将主机间交付扩展到进程间交付 运输层的多路复用和多路分解 TCP提供可靠的数据传输 拥塞控制（拥塞：需求大于供给 如果网络中许多资源同时供应不足，网络的性能就要明显变坏 整个网络的吞吐量随负荷增大而降低 TCP使用多种拥塞控制策略来 阅读全文
posted @ 2020-05-15 21:38 柠檬味呀 阅读(723) 评论(0) 推荐(0) 编辑
奇异值分解
摘要： A的奇异值是A^TA的特征值的平方根 奇异值分解的步骤 1）将矩阵A^TA对角化 求A^TA的特征值和对应的特征向量 2）求出V和的值 将A^TA的特征值按降序排列 3）构造U 更正 上式应该为V^T错写为V 对博文https://blog.csdn.net/zhongkejingwang/arti 阅读全文
posted @ 2020-05-15 11:32 柠檬味呀 阅读(997) 评论(0) 推荐(0) 编辑
2020年5月14日
正交矩阵与gram-schmidt正交化及其QR分解
摘要： gram-schmidt正交化QR分解推导 正交矩阵是方阵 标准正交qi^T qj=0 当i不等于j 1 当i等于j 正交矩阵Q举例 阅读全文
posted @ 2020-05-14 16:50 柠檬味呀 阅读(2452) 评论(0) 推荐(0) 编辑
图
摘要： 阅读全文
posted @ 2020-05-14 14:04 柠檬味呀 阅读(139) 评论(0) 推荐(0) 编辑
四个基本子空间
摘要： 列空间的basis是消元时的主列（pivot） 行空间的basis就是消元得到行最简形对应的非零行； 零空间的basis是自由列F 左零空间basis是对应矩阵左乘E行变换时得到行最简形对应的零行时E对应行。 空间的维数就是由这些主列/或者是自由列/行的数目确定的 而主列的个数就是矩阵的秩 什么是R 阅读全文
posted @ 2020-05-14 11:51 柠檬味呀 阅读(743) 评论(0) 推荐(0) 编辑