finish NLA

Author: 321Fontsize

线性代数/数值线性代数/对称特征值问题的计算方法.md

@@ -33,7 +33,7 @@ author:
 
 由于此时A的特征值均为实数，故没有必要使用双重步位移迭代，直接使用带原点位移迭代。
 
-我们当然可以像[Ch6-6.4](./ch6-非对称特征值问题的计算方法.md)中那样选取位移为$\mu = T^{(k)}(n, n)$，但是由于A的对称性，我们有更好的选择方法：
+我们当然可以像[Ch6-6.4](./非对称特征值问题的计算方法.md)中那样选取位移为$\mu = T^{(k)}(n, n)$，但是由于A的对称性，我们有更好的选择方法：
 
 - $Wilkinson$位移：
   - $\mu$选取为矩阵$T^{(k)}(n-1:n, n-1:n) = \begin{bmatrix}\alpha_{n-1}& \beta_{n-1}\\ \beta_{n-1}& \alpha_n \end{bmatrix}$的两个特征值中靠近$\alpha_n$的那一个；

线性代数/数值线性代数/最小二乘问题.md

@@ -13,7 +13,7 @@ author:
 - 定义：
 
 $$
-x^* = \mathop{\arg\min}_\limits{y\in \mathbb{R}^n} ||Ay - b||_2\\
+x^* = \argmin_{y\in \mathbb{R}^n} ||Ay - b||_2\\
 \Longrightarrow x^* \in \mathcal{X}_{LS}
 $$