课程概览
课程核心包括线性方程组、矩阵运算、向量空间、特征值与特征向量。 这些内容在滤波、状态空间分析、最优化和数据处理问题中都会反复出现。
MATH FOUNDATION
线性代数
线性代数提供了处理多变量系统、矩阵变换和特征结构的基本方法，是后续信号处理、通信建模和算法实现的重要支撑。
面试复习主线
线代面试看重的是“会不会用结构来理解矩阵”
- 不要只停留在算行列式、算逆矩阵，要会解释秩、维数、特征值的含义。
- 把线性方程组、矩阵、线性变换、向量空间看成一套统一语言。
- 特征值、正交化、二次型是追问密集区。
必会知识点
线性方程组与秩
- 齐次与非齐次方程组解的结构。
- 秩反映矩阵中线性无关信息的数量。
- Rouché-Capelli 定理是判断方程组是否有解的核心。
矩阵与可逆性
- 矩阵可逆等价于 det(A)≠0、r(A)=n、线性方程组有唯一解。
- 要熟悉伴随矩阵、初等矩阵和逆矩阵的计算意义。
- 面试时常追问可逆条件之间为什么等价。
向量空间
- 线性相关、张成、基、维数是核心概念。
- 基的本质是最小生成集，也是最大无关组。
- 坐标变换和基变换要能说清几何含义。
线性变换
- 矩阵本质上是线性变换在某组基下的表示。
- 像空间、核空间与秩-零度定理很重要。
- “不同基下同一线性变换的矩阵表示不同”是高频理解点。
特征值与对角化
- 特征值反映线性变换的固有伸缩特征。
- 矩阵可对角化的关键是有 n 个线性无关特征向量。
- 实对称矩阵一定正交对角化，是高频结论。
二次型
- 二次型与对称矩阵一一对应。
- 标准形、规范形、正定性判别要掌握。
- 正定矩阵在最优化和能量函数分析里都很常见。
高频面试问答
秩的意义是什么？
秩表示矩阵中线性无关行或列的最大个数，本质上反映一个线性变换输出空间的维数，也反映方程组中独立约束的数量。
矩阵可对角化的充要条件是什么？
n 阶矩阵可对角化，当且仅当它有 n 个线性无关的特征向量。若所有特征值互异，则一定可对角化，但这只是充分条件不是必要条件。
为什么实对称矩阵一定可以正交对角化？
因为实对称矩阵不同特征值对应的特征向量正交，并且总可以取到一组标准正交特征向量，从而构成正交矩阵完成相似对角化。
线性相关和线性无关在工程里怎么理解？
线性相关意味着某些信息是冗余的，可以由其他向量表示；线性无关意味着每个向量都提供新的独立信息。
易混点与复习提醒
相似、合同、等价
相似对应同一线性变换不同基表示；合同常用于二次型；等价强调初等变换关系，三者不能混说。
特征值和奇异值
这两个概念不是一回事。特征值针对方阵的内在变换性质，奇异值来自 A^T A 的平方根，更偏能量尺度。
正定矩阵判别
常用方法包括特征值全正、顺序主子式全正、二次型恒正。面试时最好能说出至少两种。
复习顺序建议
先复习方程组与秩，再复习向量空间，最后集中拿下特征值、正交对角化和二次型。