第一部分：核心知识点与详细解析
知识点 1：对称矩阵的特征值分解（Eigendecomposition）
核心公式：A=QΛQTA=QΛQT。其中 QQ 是特征向量矩阵（正交矩阵），ΛΛ 是对角线上为特征值的对角矩阵。
构造矩阵：A=[a+baaa+b]A=[a+baaa+b]。这是一个实对称矩阵。
几何意义：矩阵 AA 对单位圆进行线性变换，将其拉伸为椭圆。
特征向量（互相垂直）指向椭圆的长轴和短轴方向。
特征值的大小决定了该方向的拉伸倍数（方差大小）。最大特征值对应长轴（主成分方向），这在 PCA（主成分分析）中至关重要。
正交性验证：对称矩阵的不同特征值对应的特征向量点积为 0（即 v1⋅v2=0v1⋅v2=0）。
知识点 2：正交矩阵与旋转变换（Orthogonal Matrix）
定义：满足 QTQ=IQTQ=I（或 QT=Q−1QT=Q−1）的矩阵。
几何意义：正交变换（如旋转、反射）保持向量的长度（范数）和夹角不变。
旋转矩阵：Q=[cosθ−sinθsinθcosθ]Q=[cosθsinθ−sinθcosθ]。
性质考点：正交变换不改变图形的形状和大小（单位圆变换后仍是单位圆），只改变方向/位置。
知识点 3：奇异值分解（SVD）与图像压缩
核心公式：X=UΣVTX=UΣVT。
UU：左奇异向量（n×nn×n），VV：右奇异向量（m×mm×m），ΣΣ：对角矩阵（奇异值 σiσi 在对角线上，按降序排列）。
低秩近似（压缩原理）：取前 kk 个最大的奇异值及其对应的奇异向量进行重建：Xk=UkΣkVkTXk=UkΣkVkT。
信息存储：原始图像需存储 n×nn×n 个元素；压缩后只需存储 n×k+k+k×nn×k+k+k×n 个元素。
奇异值的意义：
大奇异值：对应图像的低频信息（主体轮廓、主要结构）。
小奇异值：对应图像的高频信息（细节纹理、噪声）。
第二部分：会考的核心考点（高频）
| 考点类别 | 具体知识点 | 考查形式 |
|---|---|---|
| 概念辨析 | 特征向量与椭圆长短轴方向的对应关系；正交变换的“保距”特性。 | 填空题、判断题 |
| 数学计算 | 给定 2x2 矩阵，手算特征值和特征向量；验证正交矩阵 QTQ=IQTQ=I。 | 简答题、计算题 |
| 原理应用 | SVD 压缩比的计算公式；解释为什么截断小奇异值能压缩图像且保留主体。 | 计算题、论述题 |
| 实验细节 | np.linalg.eig与np.linalg.svd返回值的形状（Shape）；代码中矩阵乘法的维度匹配。 | 选择题、改错题 |
第三部分：典型考试题目（附参考答案）
题型一：填空题（概念题）
题目：在任务 1 中，若对称矩阵 A=[3113]A=[3113]，则椭圆的长轴方向对应特征值 λ=λ= ______ 的特征向量，短轴方向对应 λ=λ= ______ 的特征向量。
答案：4，2
解析：∣A−λI∣=(3−λ)2−1=0∣A−λI∣=(3−λ)2−1=0，解得 λ1=4,λ2=2λ1=4,λ2=2。长轴对应较大的特征值 4。
题型二：简答题（原理分析）
题目：为什么正交矩阵 QQ 对单位圆进行变换后，图形仍然是圆？请写出数学依据。
参考答案：因为正交矩阵满足 QTQ=IQTQ=I。对于单位圆上的任意点 xx，其长度（2-范数）为 ∣∣x∣∣2=1∣∣x∣∣2=1。变换后 y=Qxy=Qx，其长度平方为 ∣∣y∣∣2=yTy=(Qx)T(Qx)=xTQTQx=xTx=∣∣x∣∣2=1∣∣y∣∣2=yTy=(Qx)T(Qx)=xTQTQx=xTx=∣∣x∣∣2=1。所以变换后所有点仍在半径为 1 的圆上，长度不变。
题型三：计算题（SVD 压缩比）
题目：假设一张灰度图像的尺寸为 200×200200×200（即 n=200n=200）。对其进行 SVD 压缩，取 k=20k=20。
(1) 计算压缩后的存储量需要多少个数值？
(2) 计算压缩比（压缩后存储量 / 原始存储量，用百分比表示）。
参考答案：
(1) 原始存储：200×200=40000200×200=40000 个。
压缩后存储：UU 取前 20 列：200×20=4000200×20=4000；奇异值 ΣΣ：20 个；VTVT 取前 20 行：20×200=400020×200=4000。
总计：4000+20+4000=80204000+20+4000=8020 个数值。
(2) 压缩比：802040000×100%≈20.05%400008020×100%≈20.05%。
题型四：论述题（实验观察）
题目：在实验观察中，当 k=5k=5 时图片模糊，当 k=50k=50 时图片清晰。请从奇异值的角度解释这一现象。
参考答案：SVD 分解中，奇异值按降序排列（σ1≥σ2≥...≥σnσ1≥σ2≥...≥σn）。前几个大的奇异值包含了图像中变化平缓、能量最集中的低频成分（如明暗分界、物体轮廓），用 k=5k=5 重建只能恢复粗略轮廓，因而模糊。随着 kk 增大（如 50），更多较小的奇异值被纳入，这些对应高频细节信息（如边缘纹理、噪声），加入后图像逐渐逼近原图，所以变得更清晰。
第四部分：代码潜在考点（机试/笔试改错）
老师可能会考察你对 Numpy 维度的理解：
特征向量轴的选择：
np.linalg.eig返回的eigvecs[:, 0]是第一列（列向量），不是第一行。SVD 返回值：
np.linalg.svd返回的s是一维数组（形状为(n,)），不是二维矩阵。若要计算U @ S @ Vt，必须先用np.diag(s[:k])将其转为对角矩阵。矩阵乘法维度：
U_k形状(n, k)，S_k形状(k, k)，Vt_k形状(k, n)，三者相乘得到(n, n)。
备考小贴士（针对实验报告答辩）
明确“谁是长轴”：特征值大 →→ 拉伸倍率大 →→ 长轴。
正交矩阵行列式：旋转矩阵行列式为 +1+1，反射矩阵行列式为 −1−1，但两者都是正交矩阵。
SVD 与 PCA 的联系：XTXXTX 的特征向量就是 VV（右奇异向量），这在多元统计的主成分分析中是必考点。
