关于分块矩阵求逆，其中对角矩阵比较简单，我看很多人都写了，并且很详细。但关于AUVD的分块矩阵我没看到太让我明白的，可能我get不到点，数学基础差，我就自己写了详细的步骤。我写的这个条件是A可逆，如果A，D都可逆更简单，但我没有写，如果看完这个想了解A，D均可逆的可以给我留言，我再写一篇。整体思路就是按照定义求解：1，设逆矩阵；2.根据AA-＝I列出四个等式（I就是单位矩阵E）；3.四个等式，四个未知，所以根据其中两个等式可以用其中一个未知表示出另一个未知。我觉得需要注意的是，当条件是A可逆和A与D均可逆时，利用的等式不太一样。例如这里是A可逆，所以利用式子①和②，然后代入③和④；如果条件是A
样例代码：defdouble(x):return2*xdefsquare(x):returnx*xdeffunc(g,arr):return[g(x)forxinarr]defmain():arr1=func(double,[1,2,3,4])arr2=func(square,[1,2,3,4])print("arr1=",arr1,",arr2=",arr2)if__name__=="__main__":main()输出如下：('arr1=',[2,4,6,8],',arr2=',[1,4,9,16])源码解释：在给定函数func(g,arr)中，表达式[g(x)forxinarr]是列表推
目录0写在前面1线性降维技术2多维缩放算法推导2.1中心化约束2.2内积矩阵特征值分解3Python实现3.1算法流程3.2可视化0写在前面机器学习强基计划聚焦深度和广度，加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理；“广”在分析多个机器学习模型：决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖，由本人亲自从底层编写、测试与文章配套的各个经典算法，不依赖于现有库，可以大大加深对算法的理解。?详情：机器学习强基计划(附几十种经典模型源码)1线性降维技术降维(dimensionreduction)是缓解维数灾难的一个重要途径，因为样
目录0写在前面1线性降维技术2多维缩放算法推导2.1中心化约束2.2内积矩阵特征值分解3Python实现3.1算法流程3.2可视化0写在前面机器学习强基计划聚焦深度和广度，加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理；“广”在分析多个机器学习模型：决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖，由本人亲自从底层编写、测试与文章配套的各个经典算法，不依赖于现有库，可以大大加深对算法的理解。?详情：机器学习强基计划(附几十种经典模型源码)1线性降维技术降维(dimensionreduction)是缓解维数灾难的一个重要途径，因为样
1）两个向量间的投影如果两个向量垂直，那么满足。但如果两个向量不垂直，我们就将b 投影到a上，就得到了二者的距离，我们也称为向量b到直线a的误差。这样就有出现了垂直： （1）投影向量p在直线上，不妨假设 ，那么误差 。带入式（1）中得到：投影矩阵： 投影矩阵有两个基本性质。性质一： （投影矩阵为对称矩阵）；性质二： （两次投影结果相同），具体证明直接代公式。2）向量与平面的投影如下图所示，有向量b，和由向量a1、a2线性组合成的列空间（平面）。将向量b投影到平面上得到：，下面求解投影矩阵 。求解步骤和上面一样，只是由直线变为了平面空间，以前假设 ，现在假设：同理：又向量e垂直于
前段时间，看了一些电子围栏的算法，对其中一段计算球面上两点距离的代码有些不解，然后找了一下相关算法，在维基百科的大圆距离词条中记录了相关的计算公式，大致思路就是求出这两点间的弧长对应的圆心角的余弦或正弦，然后利用反三角函数计算出圆心角的弧度，最后求出：弧长=弧度值×地球半径。注：上图使用的是百度地图测距功能，测量湖北省襄阳市火车站出站口和位于吉林省长春市的地铁1号线所途径的长春站北地铁站的距离一、具体实现假设球面上有两点A(λ1,φ1)、B(λ2,φ2)，λ和φ分别表示它们在地图中的经度、纬度，θ为AB对应的圆心角，求解球面上两点弧长对应的弧度有两种方法：公式1（球面余弦定理）：θ=acos(
y=xTAxy=x^TAxy=xTAx,其中x是n维向量，A是n阶方阵，求dy/dxdy/dxdy/dx记A=[aij]A=\left[a_{ij}\right]A=[aij].x∈Rn,x=(x1,…,xn)Tx\in\mathbb{R}^{n},x=\left(x_{1},\ldots,x_{n}\right)^{T}x∈Rn,x=(x1,…,xn)T,则y=∑i=1n∑j=1naijxixjy=\sum_{i=1}^{n}\sum_{j=1}^{n}a_{ij}x_{i}x_{j}y=∑i=1n∑j=1naijxixj故∂y∂xk=∑i≠k∂∂xk(∑j=1naijxix
所谓矩阵的分解，就是将一个矩阵写成结构比较简单的或性质比较熟悉的另一些矩阵的乘积。矩阵的分解方法有很多种，包括三角分解、QR（正交三角）分解、最大秩分解、奇异值分解和谱分解，所有这些分解在数值代数和最优化问题的解法中都扮演着十分重要的角色。本文介绍矩阵的谱分解(Eigendecomposition/Spectraldecomposition)，不多废话了、直接进入正题、*** ***设矩阵有特征根，其对应的特征向量为,根据定义有同时，矩阵A和它的转置的特征值是相同的，都是，因为它们的特征多项式是相同的：因此，存在向量，使得将上式取转置，有这里，称为A的左特征向量，则为A的右特征向量
遥感影像/无人机航片的空间分辨率GSD计算推导参考资料1参考资料2-地面分辨率，空间分辨率(GSD为地面采样间隔)GSD：无人机/遥感卫星的空间分辨率，指航片/遥感影像一个像素点代表的空间距离。IFoV：单个像素代表的空间范围。幅宽：成像的画面所对应的空间距离。如何通过无人机的飞行高度、镜头参数计算GSD、幅宽？以大疆的P1为例子，通过官网提供的参数可知：像素：8192*5460像元大小：4.4μm。焦段：24mm、35mm、50mm此外，官方给出了GSD参数：其中，地面分辨率GSD的单位：厘米/像素；飞行高度H的单位：米。24mm镜头：GSD=H/55;35mm镜头：GSD=H/80;50m
一、为什么选择四元数描述两个坐标系之间的变换关系主要有几个方法1、欧拉角法(存在奇异性和万向锁而且三个轴旋转的顺序不好定)2、方向余弦矩阵法(翻译为Directionalcosinematrix，简称DCM，也称为旋转矩阵，看了很多博客写的是C11-C33的那个矩阵，没明白为什么也称之为一个方法，有知道的指导一下，这里就不深入去看了)3、四元数法(不容易理解，多一个维度)动态欧拉角指的是旋转的过程当中，坐标轴跟着变化，静态的则是旋转的时候坐标轴不变。我个人理解为，当世界坐标系为参考系的情况下，物体三维旋转，是静态欧拉角，自身为参考系的情况下，是动态欧拉角，这种情况下旋转某个轴，另外的轴会改变方
