一、主变矩阵是什么？
主变出口矩阵,指主变保护与其对应跳闸出口构成的阵列.继电人员在进行主变压器保护定检时,面临高,中,低三侧差动,接地,相间距离,零序方向,复压过流等多种类型保护,每一侧每种后备保护又可能分Ⅰ,Ⅱ,Ⅲ3段,每段还有几个时限,每个时限去跳的.
二、主成分系数矩阵怎么解释？
主成分系数矩阵意思是指主成分分析最重要的结果，起到将自变量矩阵转换成主成分矩阵的作用。
三、主成分因子载荷矩阵推导？
在主成分分析和因子分析的结果中，都会产生成分得分系数矩阵，用该矩阵中的系数与变量标准化之后的值对应相乘相加，便得出标准化的主成分得分，并且该值与“保存为变量”输出的FAC1_1等是相等的（略微的差异应该是计算时四舍五入的误差）。
四、主对角线矩阵公式？
对角矩阵的公式是设M=(αij)为n阶方阵。M的两个下标相等的所有元素都叫做M的对角元素，而序列(αii) （1≤i≤n）叫做M的主对角线。
对角矩阵是一个主对角线之外的元素皆为 0 的矩阵。对角线上的元素可以为 0 或其他值。
在一个n阶方阵(或是n阶行列式)中，从左上角到右下角这一斜线方向上的n 个元素所在的对角线，叫做n 阶方阵(或行列式)的主对角线
五、机箱主电源性能参数？
机箱主电源性能主要参数:一是功率。功率代表了“速度”的概念，功率确实是越大越好，但越大功率的电源就越贵，我们没必要为200瓦的电脑配置买400瓦的电源。二是转换效率。转换效率代表了省电能力。电能进入电源到从线材输出的转化过程伴随着大量的损耗，100瓦进去后出来的可能是60瓦，也可能是80瓦。如果100瓦能量转换成60瓦就意味着转换效率是60%，如果是80瓦就是80%，设计方案越先进，用料越好的电源损耗越低，转换效率就越高。为什么需要高效率？因为损失的那部分功率也算进你的电费里。三是电压稳定。220V市电进入，理想状态下电源线材输出的是+12V、+5V、+3.3V的低压电，但世界上还不存在精确到死人心电图一样的输出电压，电源输出的是类似+12.1、+4.9、+3.4这样上下波动的电压，相应的，CPU、显卡、北桥等元件的工作电压也会上下波动，输出电压频繁大幅波动会对硬件造成伤害，影响系统稳定。四是输出纹波。纹波与电压一样代表电源品质，完美的低压直流应该是非常平滑的波形，但实际上经过电容滤波的直流波形仍旧有小幅波动，这个波动就是纹波。电流纹波对于普通消费者来说是比较难理解的概念，大家只需要知道两款电源比转换效率与输出电压都不相上下时，纹波可以作为最后的仲裁者。五是静音与散热。静音与散热效果其实都取决于风扇转速。风扇转速越低越静音，但散热性能越差；风扇转速越高噪音越高，散热性能越好。厂商在设定风扇转速时会考虑到电源寿命的问题，因为高温会使电源寿命锐减，承诺的3年保修期很可能达不到，所以一般电源风扇转速都比较大，噪音较高，值得用户关注。六是线材规格。1000瓦电源如果只有1个显卡供电插头，也无法使用GTX 260这样的中端显卡吧？虽然实际情况没这么夸张，但不少电源都忽视接口规格与线材长度，导致空有强大性能却无法使用，或者出现与机箱不兼容的情况。七是内部用料。内部用料决定了电源的使用寿命，很多优秀电源之所以能够使用长达5年之久，是因为内部使用了比较宽裕的用料，优秀的用料能够提升电源的综合品质。
六、二阶矩阵的逆矩阵主对角线？
设原二阶矩阵为A，其主对角线为a，d，这个矩阵的逆矩阵的主对角元素就是d，a除以A的行列式。
七、为什么gpu主打矩阵运算？
gpu渲染管线结构，是针对每个像素并行来对待的。每个像素都用相同的函数来处理一遍。编程效率高、执行效率高。而这个处理过程与矩阵计算非常相似。
矩阵计算也是针对每个元素进行计算，所以用gpu计算，速度要远胜过CPU的串行计算。虽然CPU可以有多核心，但这种并行的效率比不上gpu。
八、主生产计划矩阵实验原理？
根据预测进行主生产计划矩阵的编制，使得学生能够掌握MPS的制作根据预测进行主生产计划矩阵的编制，使得学生能够掌握MPS的制作方法以及MPS的推算过程。
根据已编制的主生产计划矩阵在ERP系统中给出的行为建议信息，调整主生产计划矩阵，使得学生能够掌握MPS在整个过程是如何来运行的，并且为了保证MPS的执行而对整个工作中心的能力进行粗略估计，掌握RCCP的制作方法。
九、主成分因子载荷矩阵是什么？
在主成分分析和因子分析的结果中，都会产生成分得分系数矩阵，用该矩阵中的系数与变量标准化之后的值对应相乘相加，便得出标准化的主成分得分，并且该值与“保存为变量”输出的FAC1_1等是相等的（略微的差异应该是计算时四舍五入的误差）。
十、主成分载荷矩阵怎么求？
1、根据特征方程
求出各个特征值，λ是特征值，I代表单位矩阵，R是各个变量所形成的的相关矩阵，相关矩阵可以通过spss的相关命令求得，然后可以解出λ。
2、用求得的特征值λ，相关矩阵R这些条件，求出对应于特征值的特征向量e（i）（根据特征向量的求解方程RE=λE求出每个特征值的特征向量），所有的e（i）所形成的的矩阵就是Component Matrix 主成分矩阵，每个e（i）代表了每个主成分和每个变量的相关。
这个主成分系数矩阵要自己手算很麻烦的，知道大致的原理就可以了