范数的定义
范数的名词解释
范数的名词解释范数是线性代数中一个重要的概念，它可以衡量向量空间中向量的大小。
在数学上，范数是一种从向量到实数的函数，它满足一定的性质。
范数不仅在线性代数中有重要应用，也在其他学科中被广泛使用，如函数空间、统计学、机器学习等。
一、范数的定义范数是向量空间中度量向量大小的一种方式。
对于一个实数域上的向量空间V，范数可以定义为一个从V到实数集上的非负实值函数，记作||·||，满足以下性质：1. 非负性：对于任意向量x∈V，有||x||≥0，且当且仅当x=0时，等号成立。
2. 齐次性：对于任意向量x∈V和任意实数α，有||αx||=|α|·||x||。
3. 三角不等式：对于任意向量x、y∈V，有||x+y||≤||x||+||y||。
二、范数的类型根据范数函数的定义方式，范数可以分为不同的类型。
常见的范数有：1. L1范数（曼哈顿范数）：L1范数定义为||x||1=∑|xi|，表示向量x中每个元素绝对值之和。
L1范数在稀疏表示、压缩感知等领域有广泛应用。
2. L2范数（欧几里德范数）：L2范数定义为||x||2=√(∑|xi|^2)，表示向量x中每个元素的平方和的平方根。
L2范数也称为欧几里德范数，是我们常用的向量长度度量方式。
3. 无穷范数：无穷范数定义为||x||∞=max(|xi|)，表示向量x中绝对值最大的元素。
无穷范数在机器学习中的正则化和特征选择中使用广泛。
三、范数的应用范数作为度量向量大小的一种方式，在实际应用中有很多重要的用途。
1. 正规化：范数可以作为正则化项用于优化问题，如Lasso回归中使用L1范数作为正则化项，使得模型获得稀疏解。
2. 特征选择：范数可以用于特征选择，通过限制特征向量的范数大小，保留重要的特征，去除冗余信息。
3. 函数空间：范数在函数空间中也有广泛应用，例如L2范数用于定义函数空间上的内积。
4. 最优化问题：范数在最优化问题中起到了重要的作用，如L1范数最小化问题可以得到稀疏解。
范数
3.3 范数3.3.1 向量范数在一维空间中，实轴上任意两点距离用两点差的绝对值表示。
绝对值是一种度量形式的定义。
范数是对函数、向量和矩阵定义的一种度量形式。
任何对象的范数值都是一个非负实数。
使用范数可以测量两个函数、向量或矩阵之间的距离。
向量范数是度量向量长度的一种定义形式。
范数有多种定义形式，只要满足下面的三个条件即可定义为一个范数。
同一向量，采用不同的范数定义，可得到不同的范数值。
定义3.1对任一向量，按照一个规则确定一个实数与它对应，记该实数记为，若满足下面三个性质：（1），有，当且仅当时，（非负性）（2），，有（齐次性）（3.37）（3），，有（三角不等式）那么称该实数为向量的范数。
几个常用向量范数向量的范数定义为其中，经常使用的是三种向量范数。
或写成例3.5 计算向量的三种范数。
向量范数的等价性有限维线性空间中任意向量范数的定义都是等价的。
若是上两种不同的范数定义，则必存在,使均有或（证明略）向量的极限有了向量范数的定义，也就有了度量向量距离的标准，即可定义向量的极限和收敛概念了。
设为上向量序列，若存在向量使，则称向量列是收敛的（是某种向量范数），称为该向量序列的极限。
由向量范数的等价知，向量序列是否收敛与选取哪种范数无关。
向量序列，收敛的充分必要条件为其序列的每个分量收敛，即存在。
若，则就是向量序列的极限。
例3.6 求向量序列极限向量。
解：算出每个向量分量的极限后得在计算方法中，计算的向量序列都是数据序列，当小于给定精度时，取为极限向量。
3.3.2 矩阵范数矩阵范数定义定义3.2 如果矩阵的某个非负实函数，记作，满足条件：（1）当且仅当时，（非负性）（2）（齐次性）（3）对于任意两个阶数相同的矩阵有（三角不等式性）（4）矩阵为同阶矩阵（相容性）则称为矩阵范数。
矩阵的算子范数常用的矩阵范数是矩阵的算子范数，可用向量范数定义：设，记方阵的范数为，那么或（3.38）称为矩阵的算子范数或从属范数。
范数定义及其在向量空间中的应用
范数定义及其在向量空间中的应用范数是线性代数中的一个重要概念，它是指将一个向量映射到非负实数的函数，通常用于衡量向量的大小和距离。
范数定义的引入可以使得线性代数中的理论更加完备，而范数的几何意义和应用也使得它在现实生活中有着广泛的应用。
本文将介绍范数的概念、性质和在向量空间中的应用。
一、范数的定义设X为n维实向量空间，范数定义为：||x|| = (|x1|^p + |x2|^p + ... + |xn|^p)^(1/p)其中，x = (x1,x2,...,xn)，p >= 1。
特别的，当p=1时，这种范数叫做L1范数，也称为曼哈顿距离或城市街区距离。
当p=2时，这种范数叫做L2范数，也称为欧几里得距离。
当p = ∞时，这种范数叫做L∞范数，也称为切比雪夫距离。
范数定义的物理意义是通常情况下的向量长（或距离）。
在普通的几何向量中，我们所谓的向量长度只是欧氏几何中的向量长度，不能应用于我们今天要讲的一般范数。
而对于范数，我们可以根据不同的p值来求取不同的范数值，它们都可以表示向量长度。
二、范数的性质（1）非负性：||x|| >= 0，||x|| = 0当且仅当x = 0。
（2）齐次性：对于任意标量k，有||kx|| = |k|||x||。
（3）三角不等式：对于任意向量x和y，有||x+y|| <= ||x||+||y||。
（4）范数的上确界性质：对于向量空间X中的任何向量x，有||x|| <= e，等价于定义了一个Ball B_e(x)={y∈X：||y-x||< e}，并且x是Ball中心。
三、范数在向量空间中的应用（1）范数的优化问题在机器学习中，很多优化问题涉及到范数，例如稀疏表示、正则化、分类算法、聚类算法等。
范数可以用来约束实数向量的大小，从而控制分类器或回归器的复杂度，防止过度拟合。
其中，L1正则化可以使得优化问题具有稀疏性，即大部分系数为零；而L2正则化可以平衡各个系数的大小，防止过度拟合。
范数的定义[精华]
![范数的定义[精华]](https://img.taocdn.com/s3/m/23f7fc90ed3a87c24028915f804d2b160a4e8641.png)
3.3 范数3.3.1 向量范数在一维空间中，实轴上任意两点距离用两点差的绝对值表示。
绝对值是一种度量形式的定义。
范数是对函数、向量和矩阵定义的一种度量形式。
任何对象的范数值都是一个非负实数。
使用范数可以测量两个函数、向量或矩阵之间的距离。
向量范数是度量向量长度的一种定义形式。
范数有多种定义形式，只要满足下面的三个条件即可定义为一个范数。
同一向量，采用不同的范数定义，可得到不同的范数值。
若X是数域K上的线性空间，泛函║·║: X->R 满足：1. 正定性：║x║≥0，且║x║=0 <=> x=0；2. 正齐次性：║cx║=│c│║x║；3. 次可加性(三角不等式)：║x+y║≤║x║+║y║ 。
那么║·║称为X上的一个范数。
常用范数这里以C^n空间为例，R^n空间类似。
最常用的范数就是p-范数。
若x=[x1,x2,...,xn]^T，那么║x║p=(|x1|^p+|x2|^p+...+|xn|^p)^{1/p}可以验证p-范数确实满足范数的定义。
其中三角不等式的证明不是平凡的，这个结论通常称为闵可夫斯基(Minkowski)不等式。
当p取1，2，∞的时候分别是以下几种最简单的情形：1-范数：║x║1=│x1│+│x2│+…+│xn│2-范数：║x║2=(│x1│^2+│x2│^2+…+│xn│^2)^1/2∞-范数：║x║∞=max(│x1│,│x2│,…,│xn│)其中2-范数就是通常意义下的距离。
矩阵范数一般来讲矩阵范数除了正定性，齐次性和三角不等式之外，还规定其必须满足相容性：║XY║≤║X║║Y║。
所以矩阵范数通常也称为相容范数。
如果║·║α是相容范数，且任何满足║·║β≤║·║α的范数║·║β都不是相容范数，那么║·║α称为极小范数。
对于n阶实方阵(或复方阵)全体上的任何一个范数║·║，总存在唯一的实数k>0，使得k║·║是极小范数。
矩阵论范数知识点总结
矩阵论范数知识点总结一、概述矩阵论是线性代数的一个分支，它研究矩阵及其性质。
矩阵的范数是矩阵的一种性质的度量，它在矩阵分析、数值线性代数、优化理论等领域中有着广泛的应用。
本文将对矩阵范数的定义、性质、应用以及相关的其他知识点进行总结和介绍。
二、矩阵的定义在数学中，矩阵是一个按照矩形排列的复数或实数集合。
也可以看成是一个数域上的矩形阵列。
矩阵的元素可以是实数、复数或者是其他的数学对象。
一个n×n矩阵A是一个由n×n个元素（a_ij）组成的矩形数组。
三、范数的定义在数学中，范数是定义在向量空间中的一种函数，它通常被用来衡量向量的大小或长度。
对于矩阵来说，范数是一种度量矩阵大小的方法。
对于一个矩阵A，它的范数通常记作||A||。
矩阵的范数满足以下性质：1. 非负性：||A|| ≥ 0，并且当且仅当A = 0时，||A|| = 02. 齐次性：对于任意标量c，||cA|| = |c| * ||A||3. 三角不等式：||A+B|| ≤ ||A|| + ||B||四、矩阵范数的种类矩阵范数一般有几种不同的类型。
1. Frobenius范数：矩阵A的Frobenius范数定义为||A||_F = sqrt(Σ_(i=1)^m Σ_(j=1)^n|a_ij|^2)2. 1-范数：矩阵A的1-范数定义为||A||_1 = max(Σ_(i=1)^n |a_ij|)3. 2-范数：矩阵A的2-范数定义为||A||_2 = max(Σ_(i=1)^m Σ_(j=1)^n |a_ij|^2)^(1/2)4. ∞-范数：矩阵A的∞-范数定义为||A||_∞ = max(Σ_(j=1)^n |a_ij|)五、矩阵范数的性质矩阵范数具有一些重要的性质，下面将介绍其中一些主要性质。
1. 非负性：||A|| ≥ 0，并且当且仅当A = 0时，||A|| = 02. 齐次性：对于任意标量c，||cA|| = |c| * ||A||3. 三角不等式：||A+B|| ≤ ||A|| + ||B||4. 乘法范数：||AB|| ≤ ||A|| * ||B||5. 谱半径：对于任意矩阵A，它的谱半径定义为rho(A) = max|λ_i(A)|6. 对称矩阵：对于对称矩阵A，其2-范数定义为rho(A)，即||A||_2 = rho(A)，其中rho(A)是A的最大特征值六、矩阵范数的应用矩阵范数在数学和工程领域有着广泛的应用，下面将介绍一些主要的应用。
关于范数的理解或定义
I 、向量的范数向量x ∈R n的范数f(x )是定义在R n空间上取值为非负实数且满足下列性质的函数：1ο对于所有的x ≠ 0,x ∈R n有f(x )>0; (非负性）2ο对于所有的α∈R 有f(αx ）=αf(x ); （正齐性） 3ο对于所有的x,y ∈R n有f(x+y )≤f(x )+f(y ). （三角不等式）一、 一般情况下，f(x )的具体模式如下：p x = p ni pix 11)(∑=，p 1≥ 也称它为p-范数。
下证p-范数满足上述的三个性质：1、对于所有的x ∈R n，x ≠ 0，p ni pix 11)(∑=显然是大于0的，故性质1ο成立。
2、 由pxα = pni pix 11)(∑=α = αp ni pix 11)(∑= = αp x 知性质2ο成立。
3、欲验证性质3ο，我们的借助下列不等式：设p>1,q>1,且p 1 + q1 = 1，则对所有的0,≥βα有αββα≥+qpqp证：考虑函数ptptt -=1)(ϕ，因为)1(1)(11'-=-p t pt ϕ，由()t 'ϕ=0 t=1,又因为01)1(''<-=pqϕ，所以当t = 1的时候)(t ϕ取最大值，则有：p p ttp111-≤-， 令t = q pβα,代入可得：q p p q ppq p1111=-=-⎪⎪⎭⎫⎝⎛βαβα, 化简之后即得： αββα≥+qpqp证毕！又令∑=)(1i px x piα，∑=)(1i qy y qiβ，代入上不等式可得：∑∑+)()(iq i i p iy y x x qqpp∑∑≥)()(11y x yx i qi pqpii，两边同时对i 求和，并利用关系式p 1 + q1 = 1可知：∑∑≥+=∑∑∑∑∑)()(11)()(1y x yx y y x x i qi piq i ip i qpiiqqpp从而有：∑∑≤∑)()(11y x y x i qi pqpii另一方面，又有：∑+∑++=-yx y x y x iip pii ii 1)(1y x y x ii p ii +≤∑+-yy x x y x ip ip i i ii ∑+∑+--+=11()()()()()()∑∑-+∑∑-≤++y y x x y x ipiiq p ipiiq p pqpq111111()()()()⎥⎥⎦⎤⎢⎢⎣⎡∑∑-=+∑+y x y x ipip piiqp pq1111()()()⎥⎥⎦⎤⎢⎢⎣⎡∑∑=+∑+y x y x ipip piipp111 左右两边同时除以()∑+y x iip1得：()()()∑∑≤∑++y x y x ipipiip ppp111。
1范数2范数无穷范数不等式的证明
1. 主题概述在数学和线性代数中，范数是一种衡量向量大小的方法。
而1范数、2范数和无穷范数是常见的范数类型，它们在数学理论和应用中具有重要的意义。
本文将深入探讨1范数、2范数和无穷范数的概念，并通过数学不等式的证明来理解它们的性质和应用。
2. 1范数的定义和性质我们来定义1范数。
对于一个n维向量x，它的1范数记作||x||₁，定义为向量x各个元素绝对值的和：||x||₁ = |x₁| + |x₂| + ... + |xₙ|。
1范数在表示向量的稀疏性、优化问题和信号处理中具有重要作用。
1范数的性质也是我们需要关注的重点。
1范数满足三角不等式，即对于任意向量x和y，有||x + y||₁ ≤ ||x||₁ + ||y||₁。
这一性质对于证明1范数的某些优化问题具有重要意义。
3. 2范数的定义和性质接下来，我们转到2范数的讨论。
对于一个n维向量x，它的2范数记作||x||₂，定义为向量x各个元素的平方和的平方根：||x||₂ = √(x₁² + x₂² + ... + xₙ²)。
2范数常用于表示向量的长度、距离和误差。
2范数同样具有一些重要的性质。
2范数也满足三角不等式，即对于任意向量x和y，有||x + y||₂ ≤ ||x||₂ + ||y||₂。
2范数还满足柯西-施瓦茨不等式，即对于任意向量x和y，有|x·y| ≤ ||x||₂ * ||y||₂。
这些性质对于研究向量空间和内积空间具有重要意义。
4. 无穷范数的定义和性质我们进入无穷范数的领域。
对于一个n维向量x，它的无穷范数记作||x||ᵢ，定义为向量x各个元素绝对值的最大值：||x||ᵢ = max(|x₁|,|x₂|, ..., |xₙ|)。
无穷范数常用于表示向量的最大值和极限情况。
无穷范数同样具有一些重要的性质。
无穷范数也满足三角不等式，即对于任意向量x和y，有||x + y||ᵢ≤ ||x||ᵢ + ||y||ᵢ。
范数的概念——精选推荐
范数的概念范数（Norm ）是⼀种关于向量的函数，是向量“长度”概念及其推⼴。
在线性代数、泛函分析及相关的数学领域，可⽤范数来度量⼀个向量的“长度”。
在中学⾥我们学过⼀个向量的模长(长度)是向量中各元素平⽅和的平⽅根，⽐如向量(3,4)的模长就是5，这⾥模长其实是向量(3,4)的⼀种范数——L2范数，向量的范数除了L2范数外，还有其他定义，如L0范数、L1范数和L∞范数，下⾯将⼀⼀介绍上述提及的这⼏个范数概念。
1 L0范数若向量X = (x1, x2, …, xn)，则向量X 的L0范数为‖x ‖0=x 中所有⾮零元素个数若向量A = (0, 3, 6)，向量A 中有1个元素为0，2个⾮零元素 (3和6)，则A 对应L0范数为‖A ‖0=2在机器学习中压缩感知(compressive sensing)领域，很多时候希望最⼩化⽬标向量的 L0范数。
但L0范数的最优化在数学上被认为是个NP-hard 问题，即求解很复杂，所以许多压缩感知模型是将最⼩化⽬标向量的 L0范数转化为最⼩化⽬标向量的 L1范数。
2 L1范数若向量X = (x1, x2, …, xn)，则向量X 的L1范数为‖x ‖1=x 1+x 2+⋯x n=n ∑i =1x i 若向量A = (0, 3, 6)，则A 对应L1范数为‖A ‖1=|0|+|3|+|6|=3+6=9最⼩化⽬标向量的 L1范数求解⽐最⼩化⽬标向量的 L0范数容易些，可通过最优化算法得到对应的可⾏解。
但L1范数有⼀个问题，就是L1范数的导数不易求，所以许多机器学习问题中遇到 L1范数最⼩化问题会转为L2范数最⼩化问题。
3 L2范数若向量X = (x1, x2, …, xn)，则向量X 的L2范数为‖x ‖2=x 12+x 22+⋯+x n 2=n ∑i =1x i 2 若向量A = (2, 3, 6)，则A 对应L2范数为‖A ‖2=√22+32+62=√4+9+36=√49=74 L∞范数若向量X = (x1, x2, …, xn)，则向量X 的L∞范数为‖x ‖∞=max若向量A = (2, 3, 6)，则A 对应L∞范数为{\left\| {\bf{A}} \right\|_\infty } = \max \left( {2,3,6} \right) = 65 Lp 范数Lp 范数实际上将L1范数、L2范数和L∞范数统⼀到⼀个框架体系中。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3.3 范数
3.3.1 向量范数
在一维空间中，实轴上任意两点距离用两点差的绝对值表示。
绝对值是一种度量形式的定义。
范数是对函数、向量和矩阵定义的一种度量形式。
任何对象的范数值都是一个非负实数。
使用范数可以测量两个函数、向量或矩阵之间的距离。
向量范数是度量向量长度的一种定义形式。
范数有多种定义形式，只要满足下面的三个条件即可定义为一个范数。
同一向量，采用不同的范数定义，可得到不同的范数值。
若X是数域K上的线性空间，泛函║·║: X->R 满足：
1. 正定性：║x║≥0，且║x║=0 <=> x=0；
2. 正齐次性：║cx║=│c│║x║；
3. 次可加性(三角不等式)：║x+y║≤║x║+║y║ 。
那么║·║称为X上的一个范数。
常用范数
这里以C^n空间为例，R^n空间类似。
最常用的范数就是p-范数。
若x=[x1,x2,...,xn]^T，那么
║x║p=(|x1|^p+|x2|^p+...+|xn|^p)^{1/p}
可以验证p-范数确实满足范数的定义。
其中三角不等式的证明不是平凡的，这个结论通常称为闵可夫斯基(Minkowski)不等式。
当p取1，2，∞的时候分别是以下几种最简单的情形：
1-范数：║x║1=│x1│+│x2│+…+│xn│
2-范数：║x║2=(│x1│^2+│x2│^2+…+│xn│^2)^1/2
∞-范数：║x║∞=max(│x1│,│x2│,…,│xn│)
其中2-范数就是通常意义下的距离。
矩阵范数
一般来讲矩阵范数除了正定性，齐次性和三角不等式之外，还规定其必须满足相容性：║XY║≤║X║║Y║。
所以矩阵范数通常也称为相容范数。
如果║·║α是相容范数，且任何满足║·║β≤║·║α的范数║·║β都不是相容范数，那么║·║α称为极小范数。
对于n阶实方阵(或复方阵)全体上的任何一个范数║·║，总存在唯一的实数k>0，使得k║·║是极小范数。
注：如果不考虑相容性，那么矩阵范数和向量范数就没有区别，因为mxn矩阵全体和mn维向量空间同构。
引入相容性主要是为了保持矩阵作为线性算子的特征，这一点和算子范数的相容性一致，并且可以得到Mincowski定理以外的信息。
矩阵的相关定义
随机矩阵所有列都是概率向量，用于马尔可夫链。
逆矩阵：设A是数域上的一个n阶方阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E。
则我们称B是A的逆矩阵，而A则被称为可逆矩阵。
矩阵可逆的条件
A是可逆矩阵的充分必要条件是∣A∣≠0，即可逆矩阵就是非奇异矩阵。
（当∣A ∣=0时，A称为奇异矩阵）[1]
逆矩阵的求法:
A^(-1)=(1/|A|)×A* ，其中A^(-1)表示矩阵A的逆矩阵，其中|A|为矩阵A的行列式，A*为矩阵A的伴随矩阵。
逆矩阵的另外一种常用的求法：
(A|E)经过初等变换得到(E|A^(-1))。
注意：初等变化只用行运算，不能用列运算。
E为单位矩阵。
逆矩阵具有以下性质：
1 矩阵A可逆的充要条件是A的行列式不等于0。
2 可逆矩阵一定是方阵。
3 如果矩阵A是可逆的，A的逆矩阵是唯一的。
4 可逆矩阵也被称为非奇异矩阵、满秩矩阵。
5 两个可逆矩阵的乘积依然可逆。
6 可逆矩阵的转置矩阵也可逆。
7 矩阵可逆当且仅当它是满秩矩阵。
matlab中的求法：
inv(a)或a^-1。
例如：
>> a =
8 4 9
2 3 5
7 6 1
>> a^-1
ans =
0.1636 -0.3030 0.0424
-0.2000 0.3333 0.1333
0.0545 0.1212 -0.0970
>> inv(a)
ans =
0.1636 -0.3030 0.0424
-0.2000 0.3333 0.1333
0.0545 0.1212 -0.0970
以下是对MATLAB中Inv用法的解释。
原文（来自matlab help doc）
In practice, it is seldom necessary to form the explicit inverse of a matrix. A frequent misuse of inv
arises when solving the system of linear equations A x=B .
One way to solve this is with x = inv(A)*B.A better way, from both an execution time and numerical accuracy standpoint,is to use the matrix division operator x = A\b.
实际上，很少需要矩阵逆的精确值。
在解方程A x=B的时候可以使用x = inv(A)*B，但通常我们求解这种形式的线性方程时，不必要求出A的逆矩阵，在MATLAB 中精度更高，速度更快的方法是用左除——x = A\b。
另外，用LU分解法的速度更快，只是要多写一条LU分解语句。
速度可以通过matlab中tic和toc来估算运行的时间。
伴随矩阵
定义
A的伴随矩阵可按如下步骤定义：
1.用A的第i 行第j 列的代数余子式把第j 行第i 列的元素替换，记为(Aij)
2.符号位为(-1)^（i+j）
3.用A(ij)=(-1)^(i+j) x (Mij) 表示
即：m x n矩阵的伴随矩阵A*为
A11 A21 A31....Am1
A12.................. Am2
A13 ..................Am3
.... .....
A1n................ Amn
例如：A是一个2x2矩阵，则A的伴随矩阵A* 为
M22,-M12
-M21, M11
原矩阵为
a11，a12
a21，a22
（余子式定义：A关于第i 行第j 列的余子式（记作Mij）是去掉A的第i行第j 列之后得到的(m -1)×(n - 1)矩阵的行列式。
特殊规定：一阶矩阵的伴随矩阵为一阶单位方阵）
伴随矩阵的性质：
原矩阵中的值与伴随矩阵中的值一一映射，例如
1 2 3
2 3 1 ------->
3 1 2
+5 -1 -7
-1 -7 5
-7 5 -1
其中1对应5 ； 2 对应-1；3对应-7；等等
伴随矩阵的求法:
①当矩阵是大于等于二阶时：
主对角元素是将原矩阵该元素所在行列去掉再求行列式.
非主对角元素是原矩阵该元素的共轭位置的元素去掉所在行列求行列式乘以(-1)^(x+y) x,y为该元素的共轭位置的元素的行和列的序号，序号从1开始的.
主对角元素实际上是非主对角元素的特殊情况，因为x=y,所以(-1)^(x+y)=(-1)^(2x)=1,一直是正数，没必要考虑主对角元素的符号问题。
常用的可以记一下：
a b
—— 1/(ad-bc) (d -c c d -b a)
②当矩阵的阶数等于一阶时，他的伴随矩阵为一阶单位方阵.
矩阵特征值
设 A 是n阶方阵，如果存在数m和非零n维列向量 x，使得 Ax=mx 成立，则称 m 是A的一个特征值（characteristic value)或本征值（eigenvalue)。
非零n维列向量x称为矩阵A的属于（对应于）特征值m的特征向量或本征向量，简称A的特征向量或A的本征向量。
求矩阵特征值的方法
Ax=mx，等价于求m，使得(mI-A)x=0，其中I是单位矩阵，0为零矩阵。
|mI-A|=0，求得的m值即为A的特征值。
|mI-A| 是一个n次多项式，它的全部根就是n阶方阵A的全部特征值，这些根有可能相重复，也有可能是复数。
如果n阶矩阵A的全部特征值为m1 m2 ... mn，则|A|=m1*m2*...*mn 如果n阶矩阵A满足矩阵多项式方程g(A)=0, 则矩阵A的特征值m一定满足条件g(m)=0;特征值m可以从解方程g(m)=0求得。
最小二乘法（又称最小平方法）是一种数学优化技术。
它通过最小化误差的平方和寻找数据的最佳函数匹配。
利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
最小二乘法还可用于曲线拟合。
其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。