如果大家有发现错漏,欢迎通过 这个页面 来进行修改,可能需要各位看官注册个 notion 账号。
课程链接: B 站课程(南理工高工数有学长专门发了教学视频🥸)
🔥
🎉欢迎大家来到我的博客,如果对你有帮助,能否『😋赞赏或留言』!!🎉
前言
这个页面是我自己高工数的复习页面,我会将看网课时做的一些笔记,更重要的是搜集到的资源放在这个页面中,帮助未来南理工的学弟学妹们更高效的复习。不过,我想,能看到我网站的人估计也已经花费了许多时间在找课程上了🥸。
我一直觉得,学校的课程束缚大家太多了,未来有什么知识都是按需学习的,不应该在这些课程上浪费过多的时间。而且目前的高工数课程太封闭了,学校攥着课程资源不发,让真正有疑问想自学的人也无从下手,学习的质量还不如自己去找个网络课程。
好在,度过考试的难关却没有问题,有南理工学长亲传的网课,也有诸多公开的往年试卷,这让应试学习更适合于高工数课程。本页面仅在传授应试资源或技巧,不以传道、授业为目的,希望对大家有所帮助!!
前人种树,后人乘凉,现在的我也会是未来人的前人,乘了凉,便也种一棵树。

考试试卷

我整理了下 2010 至 2025 年(缺 2021 年)的高等工程数学卷子,在 2018 年之前,《高等工程数学》似乎是称作《矩阵分析与计算》。

网课课程笔记 Nov 21, 2026 正在更新中…

前置知识

关于线性代数的知识可以去查看 3Blue1Brown,比起宋浩老师的课程,更能让你培养对线性代数的数学直觉。
矩阵
矩阵本质上可以看作是一个个行向量或一个个列向量组成,如果我们将组成矩阵的向量在空间中表示出来,那么如果这组向量是线性无关的,那么通过矩阵中的所有向量就可以表示出矩阵维数下空间中的任意向量,比如线性无关的单位向量组成的矩阵。
关于线性相关,简单理解如下:假设一个 2x2 矩阵由 和 两个向量组成,可见第二个向量是第一个向量的 2 倍,则称这两个向量就是线性相关的。如果矩阵 A 中有某行或某列的向量与另一行或另一列成比例,即称这个矩阵中的各个向量是线性相关的,反之,则是线性无关的。
更进一步地,矩阵可以理解为是将原先的线性坐标系(如 O-xyz 三维线性坐标系,三个坐标轴互相垂直)中的一个向量映射到另一个坐标系下的另一个向量。比如, 就是将线性空间中的 x 向量通过矩阵 A 映射到另一个空间中的 y 向量,不过此时 y 向量的坐标仍然是用 x 向量所在的坐标系来表示的。
我们可以将另一个坐标系看作是由矩阵 A 张成的线性空间,所谓的张成,指的是该线性空间中的任何向量都可以使用矩阵 A 中的行向量或列向量通过线性组合得到,线性组合就是 这种形式。也就是说,另一个坐标系中的向量都可以通过矩阵 A 中的行向量或列向量线性组合得到。
如果矩阵 A 中的各行或各列是线性无关的,那么矩阵 A 的秩就是矩阵 A 的行数或列数(即 A 中各行向量或列向量的维数),这个秩用英文比较好理解,叫做 rank,本质上就是由 A 中各元素张成的线性空间的维数。换一种说法,如果一个矩阵的秩小于矩阵 A 的维数(或叫行数、列数、向量个数等),那么矩阵 A 中的向量就是线性相关的。
矩阵的行列式
二阶行列式:
notion image
三阶行列式:
notion image
更高阶的考试一般不会考,都是让计算机去算的。
💡
行列式的直觉是:
  • 二阶行列式为线性空间中组成矩阵的两个向量构成的平行四边形的面积;
  • 三阶行列式为线性空间中组成矩阵的三个向量构成的立方体的体积;
矩阵的特征值
notion image
上图中,向量 x 就称为是特征向量, 称为是特征值。
矩阵的特征值有以下两条重要的性质:
  1. 矩阵的迹(即矩阵对角线元素的和),在值上,与所有特征值的和相同;
  1. 矩阵的行列式,在值上,与所有特征值的乘积相同;
可以依照这两条来检验所计算的特征值是否是正确的。

第一章:距离与范数

实对称矩阵、正交矩阵、Hermit 矩阵、酉矩阵、正规矩阵。
实对称矩阵、正交矩阵、Hermit 矩阵、酉矩阵、正规矩阵。
💡
如果一个矩阵是 Hermit 矩阵,那么就一定是正规矩阵。
矩阵范数
矩阵范数
💡
上图中“ 为 的模最大的特征值的模”不太好理解,如果写成是“ 为 的所有特征值的模的最大值”。
关于范数
范数的定义如果大家感兴趣,可以看看 泛函分析 这个课程,范数需要满足三个定义,正定性、齐次性和三角不等式性,只要满足这三个定义,就是范数。
不过范数的三个定义是可以当做条件来使用的,可以记住方便后续理解。
📌
范数本质上就是用来计算距离的(在泛函分析中用距离来定义收敛),一个向量与零向量的距离就是这个向量的长度,所以范数也能够用来计算长度。
  • 在一维实数空间中,范数就是绝对值;
  • 二维实数空间中,范数就是两个坐标勾股定理计算出来的斜边长度;
  • 以此类推。
向量范数
向量范数
算子范数。图中的 m 可以替换为 1、2 或 ∞,表示采用的算子范数是 1-范数、2-范数或是 ∞-范数。
算子范数。图中的 m 可以替换为 1、2 或 ∞,表示采用的算子范数是 1-范数、2-范数或是 ∞-范数。
📌
例 1 中由于范数具有齐次性,因此 可以转换为 。
💡
上述涉及到的三个范数——向量范数、矩阵范数和算子范数,可以用这样一种直觉来看待(当然可能并不严谨):
  • 向量范数衡量的是向量的大小。这样就可以比较两个向量之间的接近程度,因为 中,x 向量与 y 向量之差也是一个向量;
  • 矩阵范数衡量的是矩阵的大小。这样就可以比较两个矩阵之间的相似程度,比方说用矩阵 B 去近似矩阵 A,那么就计算 的范数;
  • 算子范数衡量的是向量映射的放大程度。算子范数有一个很重要的不等式,(不证明,当结论用),即 x 向量经过矩阵 A 放大后,得到的 向量的最大值不会超过矩阵范数。当 x 向量的范数为 1 时,y 向量相对于 x 向量放大的最大程度就是 ,这就是前面算子范数的定义。换一种思路来看,当我们由误差 时,就可以衡量这个误差经过映射后的最大误差 了。
学长说上面这题是这类题型中最难的一题。图中红色部分的结论直接记住就可以了。
学长说上面这题是这类题型中最难的一题。图中红色部分的结论直接记住就可以了。
总而言之,矩阵 A 经过酉变换后不改变矩阵 A 的范数,这个结论记住就行。
总而言之,矩阵 A 经过酉变换后不改变矩阵 A 的范数,这个结论记住就行。
如何计算图中的特征值
notion image
💡
学长写的谱半径的内容不太好理解,这样写就容易理解了:
A 的谱半径为 A 的所有特征值的模的最大值。
notion image
notion image
💡
判断是否收敛时,优先判断矩阵的 1-范数或无穷范数是否满足小于 1 的条件,这样最快;如果不满足,再进行谱半径的判断,计算矩阵的特征值;如果谱半径都不满足,那么矩阵就不收敛。

🥳 最近做了一款 人际管理工具 Remember,如果有这方面需求的友友可以下载:『链接』
笔记链接:『博客链接』或 『笔记共享』(两个链接内的页面是同步的)
如果本篇内容对你有用,能否『😋赞赏或留言』🤠…
模拟电子技术笔记 现代分析基础(泛函分析张恭庆第二版)
Loading...