发布时间：
A = 1 -1 2 1 0 2 -2 4 -2 0 3 0 6 -1 1 2 1 4 2 1A = 1 -1 2 1 0 0 0 0 -4 0 0 3 0 -4 1 0 3 0 0 1A = 1 -1 2 1 0 0 3 0 0 1 0 3 0 -4 1 0 0 0 -4 0A = 1 -1 2 1 0 0 3 0 0 1 0 0 0 -4 0 0 0 0 -4 0A = 1 -1 2 1 0 0 3 0 0 1 0 0 0 -4 0 0 0 0 0 0所以：r(A) = 3不懂请追问，有帮助请采纳，谢谢！
国内主要研究矩阵秩的变换和分解。矩阵秩的求法很多，一般归结起来有以下几种：1)通过对矩阵做初等变换（包括行变换以及列变换）化简为梯形矩阵求秩。此类求解一般适用于矩阵阶数不是很大的情况，可以精确确定矩阵的秩，而且求解快速比较容易掌握。2)通过矩阵的行列式，由于行列式的概念仅仅适用于方阵的概念。通过行列式是否为0则可以大致判断出矩阵是否是满秩。3)对矩阵做分块处理，如果矩阵阶数较大时将矩阵分块通过分块矩阵的性质来研究原矩阵的秩也是重要的研究方法。此类情况一般也是可以确定原矩阵秩的。4)对矩阵分解，此处区别与上面对矩阵分块。例如n阶方阵A，R分解（Q为正交阵,R为上三角阵）以及Jordan分解等。通过对矩阵分解，将矩阵化繁为简来求矩阵的秩也会有应用。5)对矩阵整体做初等变换(行变换为左乘初等矩阵，列变换为右乘初等矩阵)。此类情况多在证明秩的不等式过程有应用，技巧很高与前面提到的分块矩阵联系密切。
秩是3，过程如图示
将矩阵变为行阶梯形矩阵，然后矩阵的秩=非零行数。
在阶梯形矩阵中，选定1，3行和3，4列，它们交叉点上的元素所组成的2阶子矩阵的行列式 就是矩阵A的一个2阶子式。
行秩是A的线性无关的横行的极大数目。即如果把矩阵看成一个个行向量或者列向量，秩就是这些行向量或者列向量的秩，也就是极大无关组中所含向量的个数。
扩展资料：
证明：
AB与n阶单位矩阵En构造分块矩阵
|AB O|
|O En|
A分乘下面两块矩阵加到上面两块矩阵，有
|AB A|
|0 En|
右边两块矩阵分乘-B加到左边两块矩阵，有
|0 A |
|-B En|
所以，r(AB)+n=r(第一个矩阵)=r(最后一个矩阵)>=r(A)+r(B)
即r(A)+r(B)-n<=r(AB)
一个最大无关组，向量组的秩又恰好等于其构成的矩阵的秩，这使得矩阵的秩与向量空间的维数和向量空间的基相联系.因此，研究矩阵的秩、向量组的秩、向量空间的维数以及线性方程组解得理论和方法密不可分
矩阵的秩是反映矩阵固有特性的一个重要概念。计算矩阵的秩的一个有用应用是计算线性方程组解的数目。如果系数矩阵的秩等于增广矩阵的秩，则方程组只要有一个解。在这种情况下，它有精确的一个解，如果它的秩等于方程的数目。如果增广矩阵的秩大于系数矩阵的秩，则通解有 k 个自由参量，这里的 k 是在方程的数目和秩的差。否则方程组是不一致的。在控制论中，矩阵的秩可以用来确定线性系统是否为可控制的，或可观察的。
矩阵的秩是弗罗伯纽斯提出的。
在矩阵论的发展史上，弗罗伯纽斯 () 的贡献是不可磨灭的。他讨论了最小多项式问题。
引进了矩阵的秩、不变因子和初等因子、正交矩阵、矩阵的相似变换、合同矩阵等概念，以合乎逻辑的形式整理了不变因子和初等因子的理论，并讨论了正交矩阵与合同矩阵的一些重要性质。
矩阵的秩：
定理：矩阵的行秩，列秩，秩都相等。
定理：初等变换不改变矩阵的秩。
定理：如果A可逆，则r(AB)=r(B),r(BA)=r(B)。
定理：矩阵的乘积的秩Rab<=min{Ra,Rb}。
引理：设矩阵A=(aij)sxn的列秩等于A的列数n，则A的列秩，秩都等于n。
当r(A)<=n-2时，最高阶非零子式的阶数<=n-2，任何n-1阶子式均为零，而伴随阵中的各元素就是n-1阶子式再加上个正负号，所以伴随阵为0矩阵。
当r(A)<=n-1时，最高阶非零子式的阶数<=n-1，所以n-1阶子式有可能不为零，所以伴随阵有可能非零（等号成立时伴随阵必为非零）。
rank就是指矩阵的秩啊，low-rank matrix可能是指秩比较小的矩阵吧
低秩矩阵说的就是矩阵的秩比较小的情况！假设已知矩阵C，矩阵的低秩分解研究的就是找到一个秩比较小的矩阵C’，使得C-C'的F范数满足一个阈值的约束！SVD分解就属于低秩分解的一种方法！
一个向量空间（A），不可能通过线性变换使其维数升高（r（BA）≤minr（B）r（A）），一如孤立系统中无法降低的熵。把向量空间看成广义系统，无法降低的熵表示其混乱程度，则无法升高的rank，就表示混乱的对立面（秩）。
low-rank matrix是低秩矩阵。矩阵的秩，需要引入矩阵的SVD分解：X=USV'，U,V正交阵，S是对角阵。如果是完全SVD分解的话，那S对角线上非零元的个数就是这个矩阵的秩了（这些对角线元素叫做奇异值），还有些零元，这些零元对秩没有贡献。1.把矩阵当做样本集合，每一行（或每一列，这个无所谓）是一个样本，那么矩阵的秩就是这些样本所张成的线性子空间维数。如果矩阵秩远小于样本维数（即矩阵列数），那么这些样本相当于只生活在外围空间中的一个低维子空间，这样就能实施降维操作。举个例子，同一个人在不同光照下采得的正脸图像，假设每一张都是192x168的，且采集了50张，那构成的数据矩阵就为50行192x168列的，但是如果你做SVD分解就会发现，大概只有前10个奇异值比较大，其他的奇异值都接近零，因此实际上可以将接近零的奇异值所对应的那些维度丢掉，只保留前10个奇异值对应的子空间，从而将数据降维到10维的子空间了。2.把矩阵当做一个映射，既然是映射，那就得考虑它作用在向量x上的效果Ax。注意Ax相当于A的列的某个线性组合，如果矩阵是低秩的，这意味着这些列所张成的空间是外围空间的一个低维子空间，这个空间由Ax表达（其中x任意）。换句话说，这个矩阵把R^n空间映射到R^m空间，但是其映射的像只在R^m空间的一个低维子空间内生活。从SVD理解的话，Ax=USV'x，因此有三个变换：第一是V'x，相当于在原始的R^n空间旋转了一下坐标轴，这样只是坐标的变化，不改变向量本身（例如长度不变）；第二是S(V'x)，这相当于沿着各个坐标轴做拉伸，并且如果S的对角线上某些元素为零，那么这些元素所对应的那些坐标轴就相当于直接丢掉了；最后再U(SV'x)，还是一个坐标轴旋转。总的来看，Ax就相当于把一个向量x沿着某些特定的方向做不同程度的拉伸（附带上一些不关乎本质的旋转），甚至丢弃，那些没被丢弃的方向个数就是秩了。
矩阵的秩的定义：是其行向量或列向量的极大无关组中包含向量的个数。
能这么定义的根本原因是：矩阵的行秩和列秩相等（证明可利用n+1个n维向量必线性相关）
矩阵的秩的几何意义如下：在n维线性空间V中定义线性变换，可以证明：在一组给定的基下，任一个线性变换都可以与一个n阶矩阵一一对应；而且保持线性；换言之，所有线性变换组成的空间End
扩展资料：
A=(aij)m×n的不为零的子式的最大阶数称为矩阵A的秩，记作rA，或rankA或R(A)。
特别规定零矩阵的秩为零。
显然rA≤min(m,n) 易得：若A中至少有一个r阶子式不等于零，且在r 由定义直接可得n阶可逆矩阵的秩为n，通常又将可逆矩阵称为满秩矩阵, det(A)≠0；不满秩矩阵就是奇异矩阵，det(A)=0。 由行列式的性质知，矩阵A的转置AT的秩与A的秩是一样的。 奇异值分解非常有用，对于矩阵A(p*q)，存在U(p*p)，V(q*q)，B(p*q)（由对角阵与增广行或列组成），满足A = U*B*V U和V中分别是A的奇异向量，而B是A的奇异值。AA'的特征向量组成U，特征值组成B'B，A'A的特征向量组成V，特征值（与AA'相同）组成BB'。因此，奇异值分解和特征值问题紧密联系。 如果A是复矩阵，B中的奇异值仍然是实数。 SVD提供了一些关于A的信息，例如非零奇异值的数目（B的阶数）和A的阶数相同，一旦阶数确定，那么U的前k列构成了A的列向量空间的正交基。 参考资料来源：百度百科——矩阵的秩 行列式的秩如下： 对于行列式来说，非零子式的最高阶数就是它的秩。矩阵的秩用来表示一种矩阵结构，表示矩阵的某些行能否被其他行代替。 在线性代数中，一个矩阵A的列秩是A的线性独立的纵列的极大数目。类似地，行秩是A的线性无关的横行的极大数目。 行列式的特点： 行列式A中某行用同一数k乘，其结果等于kA。 行列式A等于其转置行列式AT（AT的第i行为A的第i列）。 若n阶行列式|αij|中某行（或列），行列式则|αij|是两个行列式的和，这两个行列式的第i行（或列）,一个是b1,b2,…,bn；另一个是с1，с2,…,сn；其余各行（或列）上的元与|αij|的完全一样。 对矩阵A：m×n做初等行变换，A的秩等于m减去元素全为0的行的个数 通过化简矩阵 使矩阵达到最简 有多少行非零的 秩就是多少 秩和解的个数有关 我以前写过一篇关于计算矩阵的秩的小论文，里面是我的一些看法，我从中摘录了一部分，附在下面，看看对你有没有什么帮助。我的看法也是通过将矩阵化成最简形来求解，以下是这么选择的原因。其实这个问题可以讨论讨论的，当时我对自己的算法也不算很满意，所以有什么问题尽管提。本程序是为求解矩阵的秩而进行编译的。要说明其功能，首先要明白什么是矩阵的秩。设在矩阵A中有一个不等于0的r结子式D，且所有r+1阶子式（如果存在的话）全等于0，那么D称为矩阵A的最高阶非零子式，数r称为矩阵A的秩，记作R(A)。零矩阵的秩为1。根据定义推断，计算矩阵A的秩，可以转化为计算矩阵A的最大非零子式。但是，实际应用这条原理来解决此问题并不容易。因为，应用计算机计算矩阵A所对应的行列式|A|的值非常麻烦。一个m×n的矩阵，其k阶子式多达m!/[k!•(m-k)!]•n!/[k!•(n-k)!]个，这大大增加了程序的计算量。同时，由于不同阶的子式的值的算法不易通用，故也增加了程序员的编程负担，最重要的是，程序的通用性较低，不易应用于相似题目的求解。故，本程序算法并未采用这种思路。那么，本题又应当如何求解呢？实际生活中，我们一般的求解方法是应用初等变换求解。应用初等变换，将要求的矩阵A变换成行最简形或列最简形然后再进行判断，这才是我们求解矩阵的秩的常规做法。那么，编写程序求解矩阵的秩当然也可以遵循这种做法。相对于前面所讨论的原理来说，应用这种原理进行算法设计，可以减少不少的时间，同时计算机求解的速度也能大大提高。而且，再本算法的基础上稍加改进，即可适应任何阶次的矩阵的秩的求解。 找点文献给你自己看看吧，需要就发邮件给我[1]高朝邦,祝宗山.关于矩阵的秩的等价描述[J].成都大学学报（自然科学版）,2006,25(1)从行列式、矩阵的等价、线性方程组、线性空间、线性映射等角度来刻画矩阵的秩,进而用这些命题来证明与矩阵的秩有关的一些命题.[2]费绍金.用矩阵的秩判断空间中平面与平面、直线与直线及直线与平面间的位置关系[J].牡丹江教育学院学报,2007,(6)利用线性方程组解的理论讨论空间中平面与平面、直线与直线及直线与平面间的位置关系,给出用矩阵的秩判定以上关系的方法及结论.[3]严坤妹.一类矩阵的秩[J].福建商业高等专科学校学报,2005,(4)矩阵的秩是矩阵的一个重要不变量,根据两个重要的矩阵的秩的不等式以及分块矩阵的初等变换的性质,本文研究了一类矩阵的秩的特征.[4]戴红霞.关于矩阵的秩的例题教学[J].南京审计学院学报,2005,2(2)本文通过三个典型例题的具体讲解,加深学生对抽象概念"矩阵的秩"的理解和掌握.[5]余航.试论分块矩阵的秩[J].桂林师范高等专科学校学报,2001,15(3)任一矩阵都可求得它的秩,而在矩阵运算中,矩阵的分块是一个很重要的技巧.本文从不同角度,从特殊到一般地探求了分块矩阵的秩.[6]徐兰.利用分块矩阵探讨矩阵的秩的有关定理[J].昌吉学院学报,2003,(4)矩阵是线性代数的主要研究对象之一,利用分块矩阵,研究高阶矩阵的秩及矩阵在运算后秩的变化,得到有关的定理.[7]邹晓光.互素多项式矩阵的秩的一个简单结论及其应用[J].金华职业技术学院学报,2006,6(1)本文给出了互素多项式在矩阵的秩讨论中的一个简单结果:定理:设f(x),g(x)∈P[x],A是n阶方阵,若(f(x),g(x))=1,则n+r[f(A)g(A)]=r(f(A))+r(g(A)).以及结果的一些简单应用,对文献[1]中的一些结论进一步讨论.[8]张丽梅,乔立山,李莹.可逆坡矩阵与坡矩阵的秩[J].山东大学学报（理学版）,2007,42(9)坡是两个元素的乘积小于等于每个因子的加法幂等半环.讨论了可逆坡矩阵的若干性质,证明了可逆坡矩阵必是满秩的.讨论了坡矩阵的行秩、列秩与Schein秩.给出了坡矩阵的Schein秩的一个重要性质. 第2行，减去第3、4行，变成0第2、4行交换，得到行阶梯型矩阵，数一下非零行数，是2则秩等于2 要快速求一个矩阵的秩当然是使用初等行变换的方法也就是进行矩阵行的化简在通过化简得到最简矩阵之后其矩阵的非零行数就是这个矩阵的秩即行秩是A的线性无关的横行的极大数目矩阵秩的求法毕业论文