矩阵的秩是如何定义的,为什么?

矩阵秩的定义是其行向量或列向量的最大独立组中包含的向量个数。

这样定义的根本原因是矩阵的行秩和列秩是相等的(证明了n+1个N维向量可以线性相关)。

矩阵的秩的几何意义如下:通过在N维线性空间V中定义线性变换,可以证明任意线性变换在给定的一组基下可以与一个N阶矩阵一一对应;而且还保持线性;换句话说,由所有线性变换组成的空间结束了

扩展数据:

A=(aij)m×n的非零子公式的最大阶数称为矩阵A的秩,记为rA,或rankA或R(A)。

特别规定了零矩阵的秩为零。

很明显,rA≤min(m,n)很容易得到:如果A中至少有一个R阶子公式不等于零,且在R <当min(m,n)时,A中所有r+1项全部为零,那么A的秩为R。

从定义中可以直接得出n阶可逆矩阵的秩为n,可逆矩阵通常称为满秩矩阵,det(a)≠0;不满意秩矩阵是奇异矩阵,det(A)=0。

从行列式的性质来看,矩阵A的转置AT的秩与A的相同..

奇异值分解非常有用。对于矩阵A(p*q),有U(p*p),V(q*q),B(p*q)(由对角矩阵和增广的行或列组成),满足A = U*B*V b * v。

u和V是A的奇异向量,B是A的奇异值..AA’的特征向量形成u,特征值形成B’B,A’A的特征向量形成v,特征值(同AA’)形成BB’。因此,奇异值分解与特征值问题密切相关。

如果A是复矩阵,B中的奇异值仍然是实数。

SVD提供了关于A的一些信息,比如非零奇异值的个数(B的阶)与A的阶相同,一旦确定了阶,U的前k列就构成了A的列向量空间的正交基。

百度百科-矩阵排名