【线性代数】图与网络

简介:        前面的关于线性代数的文章都是从数学的角度来讲解的,本文将换个角度来讲解问题。导师时常告诉我,凡事都要想想它的物理或实际意义,需要透过现象看本质,这样就能更加深刻的理解,这样就可以看看线性代数有什么实际的用途。
       前面的关于线性代数的文章都是从数学的角度来讲解的,本文将换个角度来讲解问题。导师时常告诉我,凡事都要想想它的物理或实际意义,需要透过现象看本质,这样就能更加深刻的理解,这样就可以看看线性代数有什么实际的用途。

       假设有如下电路网络:


图中有1,2,3,4号节点,y1,y2,y3,y4,y5五条边,箭头的指向标明可以电流流向。我们假设电流的出发点设为-1,到达点设为1,则我们可以通过矩阵来表示上述网络:


矩阵零空间的物理意义

我们首先考虑矩阵A的零空间,则有:


        从上面的式子可以看出Ax的结果是各个节点之间的差值,假设Xi为第i点的电势,那我们就赋予了物理意义:Ax=0的意思是当节点电势取何值时,所有的节点之间的电势差为0。很显然,当所有节点等电势时显然成立,即:


        我们将图中各边的电流用b表示,则有等式Ax=b。其中A表示了电路节点之间的关系,x代表了各点的电势,b代表了各边的电流。 这样,我们就将一个物理问题数学化了。上面讨论中b=0,x中各个分量相同, 即说明电势相同,网络中没有电流,这与我们的物理常识是一致的:电势差是产生电流的原因。

矩阵左零空间的物理意义


        上面我们看了矩阵A的零空间,下面我们讨论矩阵A的左零空间,为了给我们的式子赋予实际意义,在下式中,我们假设y为每条边的电流,b为每个节点的电流值,b=0说明电流为0。

该式反应的是电流中的基尔霍夫电流定律:流入一个节点的电流与流出的是相等的,即合电流为0


       举例说明,-Y1-Y3-Y4=0说明的是1号节点满足KCL的条件。 我们可以通过高斯消元法求得解,但是我们可以通过图来得到解:
在电路网络图中,我们可以看到,1,2,3号节点构成一个回路,1,3,4号也构成一个回路,为了满足基尔霍夫电流定律,我们可以只让电流在回路中循环流动,即:我们可以得到两个特解:

那么左零空间可以表示为上述两个特解的线性组合。
        对AT进行消元,我们可以发现其秩是3,即列中有三行是线性无关的。 由上面的两个特解,我们知道第1,2,3列是相关的,第3,4,5列是相关的,除此之外的任意三列都是线性无关的。我们发现Y1,Y2,Y3恰好构成回路,Y3,Y4,Y5也恰好构成回路, 这说明相关性是由回路产生的。

欧拉公式的证明


欧拉公式:回路数=边数-顶点数+1
       前面文章说过,如果一个m*n的矩阵A的秩为r,则其左零空间的维数为m-r。在这里,左零空间的维数代表的是不相关的回路数,m代表的是边数,由于矩阵A的零空间是1维的,则列空间的维数为r=n-1。所以有下式成立(即欧拉公式):
      不相关的回路数=边数-顶点数+1
 

原文:http://blog.csdn.net/tengweitw/article/details/41080571

作者:nineheadedbird



目录
相关文章
|
6月前
|
机器学习/深度学习 自然语言处理 算法
【论文精读】COLING 2022 -带有对偶关系图注意力网络的事件检测模型
【论文精读】COLING 2022 -带有对偶关系图注意力网络的事件检测模型
|
机器学习/深度学习 传感器 编解码
万字长文 | 多目标跟踪最新综述(基于Transformer/图模型/检测和关联/孪生网络)(上)
随着自动驾驶技术的发展,多目标跟踪已成为计算机视觉领域研究的热点问题之一。MOT 是一项关键的视觉任务,可以解决不同的问题,例如拥挤场景中的遮挡、相似外观、小目标检测困难、ID切换等。为了应对这些挑战,研究人员尝试利用transformer的注意力机制、利用图卷积神经网络获得轨迹的相关性、不同帧中目标与siamese网络的外观相似性,还尝试了基于简单 IOU 匹配的 CNN 网络、运动预测的 LSTM。为了把这些分散的技术综合起来,作者研究了过去三年中的一百多篇论文,试图提取出近年来研究者们更加关注的解决 MOT 问题的技术。
万字长文 | 多目标跟踪最新综述(基于Transformer/图模型/检测和关联/孪生网络)(上)
|
机器学习/深度学习 数据可视化 数据挖掘
图注意力网络论文详解和PyTorch实现
图神经网络(gnn)是一类功能强大的神经网络,它对图结构数据进行操作。它们通过从节点的局部邻域聚合信息来学习节点表示(嵌入)。这个概念在图表示学习文献中被称为“消息传递”。
100 0
一张能让你把网络数据包传输说20分钟的图
特别好的一张图,不要失传了。 按理这图应该对应有很好的一篇文章或者博客
106 2
|
存储 开发框架 前端开发
「技术架构」TOGAF建模之技术架构:网络计算硬件图
「技术架构」TOGAF建模之技术架构:网络计算硬件图
|
存储 开发框架 前端开发
「技术架构」TOGAF建模:网络计算硬件图
「技术架构」TOGAF建模:网络计算硬件图
|
算法
m异构蜂窝网络的K-Tier下行链路的matlab性能仿真,对比网络Voronoi图,覆盖率等
m异构蜂窝网络的K-Tier下行链路的matlab性能仿真,对比网络Voronoi图,覆盖率等
150 0
|
机器学习/深度学习 传感器 自然语言处理
Struct2Graph:基于结构的蛋白质-蛋白质相互作用预测的图注意网络
Struct2Graph:基于结构的蛋白质-蛋白质相互作用预测的图注意网络
177 0
|
机器学习/深度学习
让图网络更稳健!谷歌提出SR-GNN,无惧数据标记偏差和领域转移
让图网络更稳健!谷歌提出SR-GNN,无惧数据标记偏差和领域转移
143 0
|
机器学习/深度学习 运维 自动驾驶
【论文速递】TNNLS2022 - 一种用于小样本分割的互监督图注意网络_充分利用有限样本的视角
【论文速递】TNNLS2022 - 一种用于小样本分割的互监督图注意网络_充分利用有限样本的视角
268 0
【论文速递】TNNLS2022 - 一种用于小样本分割的互监督图注意网络_充分利用有限样本的视角