关于矩阵的毕业论文题目

关于矩阵的毕业论文

1.数学毕业论文,矩阵方面的什么方向题目比较好写点

什么是几何？数学是研究数量关系和空间形式的一门科学.几何则是侧重研究空间形式. 相传古埃及的尼罗河每年都洪水泛滥，把两岸的土地淹没，人们无法辨认自己的田地，久而久之，人们利用测量与画图来测出土地的周界并计算面积，因而积累了大量的图形知识.后来希腊商人到埃及学会了测量与绘图知识，到公元前338年，希腊人欧几里得对这些知识作了系统的总结和整理，写出了一部关于几何的经典著作——《几何原本》，这就形成了一本完整的几何学.1607年，我国数学家徐光启和意大利传教士利玛窦一起翻译了《几何原本》，同学们学的几何课本就源于这部书. 十八世纪德国著名数学家高斯在19岁时就用圆规和直尺作出了正十七边形.1500年前，我国数学家祖冲之，计算出圆周率在3.1415926与3.1415927之间，他们为几何学的发展作出了杰出的贡献，同学们现在学习的是平面几何，高中要学习立体几何、平面解析几何，大学还要学习微分几何，空间解析几何，黎曼几何等. 二如何学好几何？学习几何并不像有的同学所描绘的那样：“几何，几何，尖尖角角，又不好看，又不好学”.其实几何是最具有形象性的一门科学，只要思想上重视，又注重学习方法，是完全可以学好的. 第一要学好概念.首先弄清概念的三个方面：①定义——对概念的判断；②图形——对定义的直观形象描绘；③表达方法——对定义本质属性的反映.注意概念间的联系和区别，在理解的基础上记住公理、定理、法则、性质…… 第二要学好几何语言.几何语言又分为文字语言和符号语言，几何语言总是和图形相联系.如文字语言：∠1和∠2互为补角，图形见下图，符号语言：∠1+∠2=180°，或∠1=180°-∠2，或∠2=180°-∠1. 第三要进行直观思维.即根据书上的图形，动手动脑用硬纸板、竹片等做些图形，详细进行观察分析，既可帮助我们加深对书本定理、性质的理解，进行直观思维，又可逐步培养观察力. 第四要富于想像.有的问题既要凭借图形，又要进行抽象思维.比如，几何中的“点”没有大小，只有位置.现实生活中的点和实际画出来的点就有大小.所以说，几何中的“点”只存在于大脑思维中.“直线”也是如此，直线可以无限延伸，谁能把直线画到火星、再画到银河系、再画到广阔的宇宙中去呢？直线也只存在于人们的大脑思维中. 第五要边学习、边总结、边提高.几何较之其他学科，系统性更强，要把自己学过的知识进行归纳、整理、概括、总结.比如证明两条直线平行，除了利用定义证明外，还有哪些证明方法？两条直线平行后，又具备什么性质？在现实生活中，哪些地方利用了平行线？只要细心观察，不难发现，教室墙壁两边边缘，门框、桌、凳、玻璃板、书页、火柴盒，大部分包装盒……处处存在着平行线. 同学们只要认真学习，注意听讲，勤于思考，独立完成作业，是一定能学好几何的.天下无难事，只要肯登攀，胜利将属于你们。

2.席博彦教授关于矩阵方面的论文的基本步骤

在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合[1] ，最早来自于方程组的系数及常数所构成的方阵。这一概念由19世纪英国数学家凯利首先提出。

矩阵是高等代数学中的常见工具，也常见于统计分析等应用数学学科中。在物理学中，矩阵于电路学、力学、光学和量子物理中都有应用；计算机科学中，三维动画制作也需要用到矩阵。矩阵的运算是数值分析领域的重要问题。将矩阵分解为简单矩阵的组合可以在理论和实际应用上简化矩阵的运算。对一些应用广泛而形式特殊的矩阵，例如稀疏矩阵和准对角矩阵，有特定的快速运算算法。关于矩阵相关理论的发展和应用，请参考矩阵理论。在天体物理、量子力学等领域，也会出现无穷维的矩阵，是矩阵的一种推广。

矩阵的研究历史悠久，拉丁方阵和幻方在史前年代已有人研究。

作为解决线性方程的工具，矩阵也有不短的历史。成书最迟在东汉前期的《九章算术》中，用分离系数法表示线性方程组，得到了其增广矩阵。在消元过程中，使用的把某行乘以某一非零实数、从某行中减去另一行等运算技巧，相当于矩阵的初等变换。但那时并没有现今理解的矩阵概念，虽然它与现有的矩阵形式上相同，但在当时只是作为线性方程组的标准表示与处理方式。

矩阵正式作为数学中的研究对象出现，则是在行列式的研究发展起来后。逻辑上，矩阵的概念先于行列式，但在实际的历史上则恰好相反。日本数学家关孝和（1683年）与微积分的发现者之一戈特弗里德·威廉·莱布尼茨（1693年）近乎同时地独立建立了行列式论。其后行列式作为解线性方程组的工具逐步发展。1750年，加布里尔·克拉默发现了克莱姆法则[2] 。

矩阵的现代概念在19世纪逐渐形成。1800年代，高斯和威廉·若尔当建立了高斯—若尔当消去法。1844年，德国数学家费迪南·艾森斯坦（F.Eisenstein）讨论了“变换”（矩阵）及其乘积。1850年，英国数学家詹姆斯·约瑟夫·西尔维斯特（James Joseph Sylvester）首先使用矩阵一词[3] 。

英国数学家凯利被公认为矩阵论的奠基人。他开始将矩阵作为独立的数学对象研究时，许多与矩阵有关的性质已经在行列式的研究中被发现了，这也使得凯利认为矩阵的引进是十分自然的。他说：“我决然不是通过四元数而获得矩阵概念的；它或是直接从行列式的概念而来，或是作为一个表达线性方程组的方便方法而来的。”他从1858年开始，发表了《矩阵论的研究报告》等一系列关于矩阵的专门论文，研究了矩阵的运算律、矩阵的逆以及转置和特征多项式方程。凯利还提出了凯莱-哈密尔顿定理，并验证了3*3矩阵的情况，又说进一步的证明是不必要的。哈密尔顿证明了4*4矩阵的情况，而一般情况下的证明是德国数学家弗罗贝尼乌斯（F.G.Frohenius）于1898年给出的[2] 。

1854年时法国数学家埃尔米特（C.Hermite）使用了“正交矩阵”这一术语，但他的正式定义直到1878年才由费罗贝尼乌斯发表。1879年，费罗贝尼乌斯引入矩阵秩的概念。至此，矩阵的体系基本上建立起来了。

无限维矩阵的研究始于1884年。庞加莱在两篇不严谨地使用了无限维矩阵和行列式理论的文章后开始了对这一方面的专门研究。1906年，希尔伯特引入无限二次型（相当于无限维矩阵）对积分方程进行研究，极大地促进了无限维矩阵的研究。在此基础上，施密茨、赫林格和特普利茨发展出算子理论，而无限维矩阵成为了研究函数空间算子的有力工具[4] 。

3.什么是矩阵,研究它有什么意义,它在生活用有什么应用

什么叫作矩阵矩阵乘法是线性代数中最常见的运算之一，它在数值计算中有广泛的应用。

若A和B是2个nn的矩阵，则它们的乘积C=AB同样是一个nn的矩阵。A和B的乘积矩阵C中的元素C[i,j]定义为：若依此定义来计算A和B的乘积矩阵C，则每计算C的一个元素C[i,j]，需要做n个乘法和n-1次加法。

因此，求出矩阵C的n2个元素所需的计算时间为0(n3)。60年代末，Strassen采用了类似于在大整数乘法中用过的分治技术，将计算2个n阶矩阵乘积所需的计算时间改进到O(nlog7)=O(n2.18)。

首先，我们还是需要假设n是2的幂。将矩阵A,B和C中每一矩阵都分块成为4个大小相等的子矩阵，每个子矩阵都是n/2n/2的方阵。

由此可将方程C=AB重写为：（1）由此可得：C11=A11B11 A12B21(2) C12=A11B12 A12B22(3) C21=A21B11 A22B21(4) C22=A21B12 A22B22(5) 如果n=2，则2个2阶方阵的乘积可以直接用（2）-(3)式计算出来，共需8次乘法和4次加法。当子矩阵的阶大于2时，为求2个子矩阵的积，可以继续将子矩阵分块，直到子矩阵的阶降为2。

这样，就产生了一个分治降阶的递归算法。依此算法，计算2个n阶方阵的乘积转化为计算8个n/2阶方阵的乘积和4个n/2阶方阵的加法。

2个n/2n/2矩阵的加法显然可以在c*n2/4时间内完成，这里c是一个常数。因此，上述分治法的计算时间耗费T(n)应该满足：这个递归方程的解仍然是T(n)=O(n3)。

因此，该方法并不比用原始定义直接计算更有效。究其原因，乃是由于式（2）-(5)并没有减少矩阵的乘法次数。

而矩阵乘法耗费的时间要比矩阵加减法耗费的时间多得多。要想改进矩阵乘法的计算时间复杂性，必须减少子矩阵乘法运算的次数。

按照上述分治法的思想可以看出，要想减少乘法运算次数，关键在于计算2个2阶方阵的乘积时，能否用少于8次的乘法运算。Strassen提出了一种新的算法来计算2个2阶方阵的乘积。

他的算法只用了7次乘法运算，但增加了加、减法的运算次数。这7次乘法是：M1=A11(B12-B22) M2=(A11 A12)B22 M3=(A21 A22)B11 M4=A22(B21-B11) M5=(A11 A22)(B11 B22) M6=(A12-A22)(B21 B22) M7=(A11-A21)(B11 B12) 做了这7次乘法后，再做若干次加、减法就可以得到：C11=M5 M4-M2 M6 C12=M1 M2 C21=M3 M4 C22=M5 M1-M3-M7 以上计算的正确性很容易验证。

例如：C22=M5 M1-M3-M7=(A11 A22)(B11 B22) A11(B12-B22)-(A21 A22)B11-(A11-A21)(B11 B12)=A11B11 A11B22 A22B11 A22B22 A11B12-A11B22-A21B11-A22B11-A11B11-A11B12 A21B11 A21B12=A21B12 A22B22 由（2）式便知其正确性。至此，我们可以得到完整的Strassen算法如下：procedureSTRASSEN(n,A,B,C);beginifn=2thenMATRIX-MULTIPLY(A,B,C)elsebegin将矩阵A和B依（1）式分块；STRASSEN(n/2,A11,B12-B22,M1);STRASSEN(n/2,A11 A12,B22,M2);STRASSEN(n/2,A21 A22,B11,M3);STRASSEN(n/2,A22,B21-B11,M4);STRASSEN(n/2,A11 A22,B11 B22,M5);STRASSEN(n/2,A12-A22,B21 B22,M6);STRASSEN(n/2,A11-A21,B11 B12,M7);; end; end；其中MATRIX-MULTIPLY(A,B,C)是按通常的矩阵乘法计算C=AB的子算法。

Strassen矩阵乘积分治算法中，用了7次对于n/2阶矩阵乘积的递归调用和18次n/2阶矩阵的加减运算。由此可知，该算法的所需的计算时间T(n)满足如下的递归方程：按照解递归方程的套用公式法，其解为T(n)=O(nlog7)≈O(n2.81)。

由此可见，Strassen矩阵乘法的计算时间复杂性比普通矩阵乘法有阶的改进。有人曾列举了计算2个2阶矩阵乘法的36种不同方法。

但所有的方法都要做7次乘法。除非能找到一种计算2阶方阵乘积的算法，使乘法的计算次数少于7次，按上述思路才有可能进一步改进矩阵乘积的计算时间的上界。

但是Hopcroft和Kerr(197l)已经证明，计算2个22矩阵的乘积，7次乘法是必要的。因此，要想进一步改进矩阵乘法的时间复杂性，就不能再寄希望于计算22矩阵的乘法次数的减少。

或许应当研究33或55矩阵的更好算法。在Strassen之后又有许多算法改进了矩阵乘法的计算时间复杂性。

目前最好的计算时间上界是O(n2.367)。而目前所知道的矩阵乘法的最好下界仍是它的平凡下界Ω（n2）。

因此到目前为止还无法确切知道矩阵乘法的时间复杂性。关于这一研究课题还有许多工作可做。

关于应用简单一点的表格，像考试分数求和复杂一点的魔方的解决方法，用矩阵代换方法。

4.急求一篇关于矩阵乘法的英语论文,字数大约400左右

1. IntroductionIn this paper, we are concerned with interval matrix multiplicationC = A ⋅ B (1.1)where A and B are general interval m * p and p * n matrices, respectively. Fromthe standpoint of interval arithmetic, we can classify the matrix multiplication intothe following four cases:(P*P) both A and B are point matrices,(P*I) A is a point matrix and B is an interval matrix,(I*P) A is an interval matrix and B is a point matrix, and(I*I) both A and B are interval matrices.Throughout this paper, the case (P*P) is called point matrix multiplication andthree cases (P*I), (I*P) and (I*I) are generically called interval matrix multiplica-tion.Recently, utilizing instructions which control the rounding mode deﬁned byIEEE 754 ﬂoating point standard, fast methods [5], [6], [8], [9] have been developedby one of the authors (S. Oishi) and S. M. Rump to calculate a rigorous inclusionof the matrix multiplication. The method is so-called rounding mode controlledcomputation.Throughout the paper, the inclusion methods proposed by Oishi andRump are called Oishi-Rump algorithms.Since the inclusion of matrix multipli-cation plays an important role in self-validating algorithms, it is useful to reduceits computational cost. We shall brieﬂy review some examples of application inAppendix.Themain point of this paper is to develop fast inclusion methods for intervalmatrix multiplication with rounding mode controlled computation. This is accom-plished using fast algorithms to calculate an upper bound on the product of twononnegative n * n matrices in O(n2)ﬂops. We shall also present a fast inclusionmethod for complex matrix multiplication. The main result of the article is to showthat the computational cost for enclosing each three cases of the interval matrixmultiplication is almost the same as that for enclosing the point matrix multiplica-tion.We shall present numerical results, which elucidate that the proposed algo-rithms are much faster than the conventional algorithms and that the guaranteedaccuracies obtained by the new algorithms are comparable to those obtained by theconventional algorithms.2. RoundingMode Controlled ComputationIn this section, we shall brieﬂy review the Oishi-Rump algorithm, which becomesthe base of new inclusion algorithms for the interval matrix multiplication. TheOishi-Rump algorithm is based on rounding mode controlled computation andmidpoint-radius arithmetic.Let X =(xij)and Y =(yij )bereal m * n matrices, then the notation X ≤ Y isdeﬁned byX ≤ Y ⇐⇒xij ≤ yij for all (i, j),and the notation X ≥ O means that all elements of X are nonnegative. Moreover, areal interval m * n matrix [A]isdeﬁned by [A]:=[A, A]= {X ∈ Rn* n| A ≤ X ≤ A},nd a complex interval m * n matrix [C]isdeﬁnedby[C]:=[C, C]=[A + i ⋅ B, A + i ⋅ B]=[A, A]+ i ⋅ [B, B]= {Z = X + i ⋅ Y ∈ Cn* n| X ∈ [A, A], Y ∈ [B, B]}.Throughout this paper, we shall express algorithms MATLAB-style. InATLAB, for example, the product of a point m * p matrix X =(xij)andaoint p * n matrix Y =(yij )whose elements are double precision ﬂoating pointumbers can be calculated byS = X ∗ Y.。

5.矩阵秩的求法的论文,选题的背景与意义怎么写

矩阵的秩是反映矩阵固有性质的一个重要概念也是一个很重要的工具. 不管对于数学专业copy的学生学习高等代数或者非数学专业的学生学习线性代数来说，学习和理解它的含义都是十分必要的. 通过本篇论文，可以让我们对矩阵知的秩有更加深刻的理解，及灵活运用矩阵的秩分析相关问题有一定的意义和作用.

在解析几何中，矩阵的秩可用来判断空间中两直线、两平面及直线和平面之间的关系. 在控制论中，矩阵的秩可用来确定线性系统是否为可控制的，或可观察的. 此外，矩阵的秩也可用来判定向量组的线道性相关性、两个向量组之间的等价、求向量组的极大无关组、向量组的线性表示、求齐次线性方程组的基础解系、求解非齐次线性方程组等等.

6.求一篇线性代数的论文

线性代数（Linear Algebra）是数学的一个分支，它的研究对象是向量，向量空间（或称线性空间），线性变换和有限维的线性方程组。

向量空间是现代数学的一个重要课题；因而，线性代数被广泛地应用于抽象代数和泛函分析中；通过解析几何，线性代数得以被具体表示。线性代数的理论已被泛化为算子理论。

由于科学研究中的非线性模型通常可以被近似为线性模型，使得线性代数被广泛地应用于自然科学和社会科学中。线性代数的主要内容是研究代数学中线性关系的经典理论。

由于线性关系是变量之间比较简单的一种关系，而线性问题广泛存在于科学技术的各个领域，并且一些非线性问题在一定条件下，可以转化或近似转化为线性问题，因此线性代数所介绍的思想方法已成为从事科学研究和工程应用工作的必不可少的工具。尤其在计算机高速发展和日益普及的今天，线性代数作为高等学校工科本科各专业的一门重要的基础理论课，其地位和作用更显得重要。

线性代数主要研究了三种对象：矩阵、方程组和向量.这三种对象的理论是密切相关的，大部分问题在这三种理论中都有等价说法.因此，熟练地从一种理论的叙述转移到另一种去，是学习线性代数时应养成的一种重要习惯和素质.如果说与实际计算结合最多的是矩阵的观点，那么向量的观点则着眼于从整体性和结构性考虑问题，因而可以更深刻、更透彻地揭示线性代数中各种问题的内在联系和本质属性.由此可见，只要掌握矩阵、方程组和向量的内在联系，遇到问题就能左右逢源，举一反三，化难为易. 一、注重对基本概念的理解与把握，正确熟练运用基本方法及基本运算。线性代数的概念很多，重要的有：代数余子式，伴随矩阵，逆矩阵，初等变换与初等矩阵，正交变换与正交矩阵，秩（矩阵、向量组、二次型），等价（矩阵、向量组），线性组合与线性表出，线性相关与线性无关，极大线性无关组，基础解系与通解，解的结构与解空间，特征值与特征向量，相似与相似对角化，二次型的标准形与规范形，正定，合同变换与合同矩阵。

我们不仅要准确把握住概念的内涵，也要注意相关概念之间的区别与联系。线性代数中运算法则多，应整理清楚不要混淆，基本运算与基本方法要过关，重要的有：行列式（数字型、字母型）的计算，求逆矩阵，求矩阵的秩，求方阵的幂，求向量组的秩与极大线性无关组，线性相关的判定或求参数，求基础解系，求非齐次线性方程组的通解，求特征值与特征向量（定义法，特征多项式基础解系法），判断与求相似对角矩阵，用正交变换化实对称矩阵为对角矩阵（亦即用正交变换化二次型为标准形）。

二、注重知识点的衔接与转换，知识要成网，努力提高综合分析能力。线性代数从内容上看纵横交错，前后联系紧密，环环相扣，相互渗透，因此解题方法灵活多变，学习时应当常问自己做得对不对？再问做得好不好？只有不断地归纳总结，努力搞清内在联系，使所学知识融会贯通，接口与切入点多了，熟悉了，思路自然就开阔了。

例如：设A是m*n矩阵，B是n*s矩阵，且AB=0，那么用分块矩阵可知B的列向量都是齐次方程组Ax=0的解，再根据基础解系的理论以及矩阵的秩与向量组秩的关系，可以有 r(B)≤n-r(A)即r(A)+r(B)≤n 进而可求矩阵A或B中的一些参数上述例题说明，线性代数各知识点之间有着千丝万缕的联系，代数题的综合性与灵活性就较大，同学们整理时要注重串联、衔接与转换。三、注重逻辑性与叙述表述线性代数对于抽象性与逻辑性有较高的要求，通过证明题可以了解考生对数学主要原理、定理的理解与掌握程度，考查考生的抽象思维能力、逻辑推理能力。

大家复习整理时，应当搞清公式、定理成立的条件，不能张冠李戴，同时还应注意语言的叙述表达应准确、简明。

7.求一篇毕业论文

摘要：目前，求特征值问题的方法有两大类，1类称为变换方法，1类称为向量迭代方法，变换方法是对原矩阵进行处理，经过1系列变换，使之成为1个易于求解特征值的形式。本文利用矩阵初等变换的命题及其性质，利用初等变换求解特征值和特征向量

关键词：特征值；特征向量；矩阵；初等变换

The methods of elementary transformation to solve the Characteristic Value and Eigenvector

Abstract: At present,There are two kinds of methods to solve the eigenvalue, the method of elementary transformation is to deal with the former matrix ,which will be easy to resolved. Resting on some characters and theorems of the elementary transformation of matrix,this artical gives two ways of elementary transformation to evaluate the matrix eigenvalue and digenvector

Keywords: Characteristic Value;Eigenvector;Matrix;elementary transformation

1 引言 1

2预备知识 2

3 行变换求特征向量和特征向量 2

4 列变换求特征向量和特征向量 5

5 行列互逆求特征值和特征向量 8

6 总结 11

参考文献 12

致谢 13

关于矩阵的毕业论文