兄弟们,没看过视频的先滚去看视频!!!笔记是用来复习的
课程是blibli和youtube上的:
线性代数的本质 - 系列合集
Three-dimensional linear transformations | Chapter 5, Essence of linear algebra
嘿 大家好!
今天我带来了一个相对较短的视频作为章节之间的补充说明
前两期视频中,我谈论了关于线性变换与矩阵的话题
但是我只说明了一类将二维向量变换为其他二维向量的特殊变换
总体而言,整个系列里我们主要在二维空间中进行讨论
主要是因为这样更容易在屏幕上展现,也更容易理解
但是更重要的一点在于,一旦你掌握了二维空间里的核心概念
这些概念就能完美推广至高维空间
然而,我们还是应该不时探出头看看平面外的世界
了解这些概念在二维空间外意味着什么
比如说,考虑这样一个线性变换
它以三维向量为输入,并以三维向量为输出
我们可以想象它在移动三维空间中的所有点(这里用网格代表)
保持网格线平行且等距分布,并保持原点不动
和二维情形一样,我们看到的三维空间的每一个点
实际上只是用来代表以它本身为终点的一个向量
而我们所做的变换只是将输入向量移动至对应的输出向量
还是和二维情形相同
三维线性变换由基向量的去向完全决定
不过现在我们有三个通常使用的标准基向量
x方向的单位向量“i帽”
y方向的单位向量“j帽”
外加一个新来的,z方向的单位向量“k帽”
实际上我认为,只考虑跟踪这些基向量的话会更容易观察这些线性变换
因为使用三维网格会显得很凌乱
在背景中留下原始坐标轴的副本
我们就能观察到三个基向量变换后的位置
将变换后三个基向量的坐标记录在一个3×3的矩阵中
仅仅使用九个数字,这个矩阵就完全描述了一个线性变换
两个刻度间距表示1
举个简单的例子,考虑沿着y轴旋转90度的变换
这个变换将i帽移动到z轴上的(0, 0, -1)
它不移动j帽,所以j帽仍旧在(0, 1, 0)
而k帽被移动至x轴上的(1, 0, 0)
这三组坐标就成为了描述这一旋转变换的矩阵的三列
要想知道(x, y, z)所代表的向量在变换后的去向
推理过程与二维下几乎相同
它的每个坐标都可以看作对相应基向量的缩放
从而使缩放结果的和为你选择的向量
和二维类似,重要的部分在于
这一“缩放再相加”的过程在变换前后均适用
所以要找到向量变换后的位置
你将它的坐标与矩阵的对应列相乘
再将结果相加即可
两个矩阵相乘也是类似的
当你看到两个3×3矩阵相乘时
你应该想象首先应用右侧矩阵代表的变换
然后应用左侧矩阵代表的变换
实际上,三维矩阵相乘在部分领域有着非常重要的应用
比如计算机图形学与机器人学
虽然三维空间中的旋转很难直接表述
但是如果将它分解为简单分立的旋转的复合,这一过程就很容易理解了
三维下通过数值计算矩阵乘法再次与二维情形类似
这里有一个好方法来检测你对上期视频的理解程度
那就是根据“两个线性变换依次作用”这一想法
自己尝试推理上面这个矩阵乘法应该是什么样的
下期视频中,我会开始讲解行列式
(下期视频:行列式)