线性代数的正确引入

ljm1200

已于 2022-11-29 22:21:11 修改

阅读量261

点赞数

文章标签：线性代数矩阵

于 2022-11-29 22:21:01 首次发布

本文链接：https://blog.csdn.net/LJM1200/article/details/128106306

版权

1、概述

本节主要介绍 线性代数 的基础。

首先从 解方程 开始，学习线性代数的应用之一就是求解复杂的方程问题，
本节核心之一就是从 row picture (行图像) 和 column picture (列图像) 的角度解方程。

2、方程组的几何解释基础

2.1、二维行图像

我们首先通过一个例子了解二维方程组，如下：

$\begin{cases} 2x-y=0\\ -x+2y=3\\ \end{cases}$

我们首先按 row (行) 将方程组写成矩阵形式：

$\begin{bmatrix} 2&-1\\ -1&2 \end{bmatrix} \begin{bmatrix} x\\ y\\ \end{bmatrix}= \begin{bmatrix} 0\\ 3\\ \end{bmatrix}$

系数矩阵(A): 将方程组系数按行提取出来，构造完成的一个矩阵。
未知向量(x): 将方程组的未知数提取出来，按列构成一个向量。
向量(b): 将等号右侧结果按列提取，构成一个向量。

AX=B

构造完成相应的矩阵形式了，我们将对应的 行图像 画出来。
所谓 行图像，就是在系数矩阵上，一次取一行 构成方程，在坐标系上做出如下图。和我们在初等数学中学习的作图求解方程的过程无异。

2.2、二维列图像

从列图像的角度，我们再次求解上面的方程：

$\begin{cases} 2x-y=0\\ -x+2y=3\\ \end{cases}$

在这一次的求解过程中，我们将方程按列提取，使用的矩阵为：

$\begin{bmatrix} 2\\ -1 \end{bmatrix} +y \begin{bmatrix} -1\\ 2\\ \end{bmatrix} = \begin{bmatrix} 0\\ 3\\ \end{bmatrix}$

如上所示，我们使用列向量构成系数矩阵，将问题转化为: 利用系数 x,y 将向量 $\begin{bmatrix}2\\-1\end{bmatrix}$ 与向量 $\begin{bmatrix}-1\\2\end{bmatrix}$ ，制造成向量 $\begin{bmatrix}0\\3\end{bmatrix}$ 。

接下来我们使用 列图像 将方程组展现出来，并求解：

即寻找合适的 x，y 使得 x 倍的 $\begin{bmatrix}2\\-1\end{bmatrix}$ + y 倍的 $\begin{bmatrix}-1\\2\end{bmatrix}$ 得到最终的向量 $\begin{bmatrix}0\\3\end{bmatrix}$ 。很明显能看出来，1 倍 $\begin{bmatrix}2\\-1\end{bmatrix}$ + 2 倍 $\begin{bmatrix}-1\\2\end{bmatrix}$ 即满足条件。

反映在图像上，明显结果正确。

我们再想一下

$x\begin{bmatrix} 2\\ -1 \end{bmatrix} +y \begin{bmatrix} -1\\ 2\\ \end{bmatrix}$

如果我们任意取 x 和 y ，那么我们得到的是什么呢？很明显，能得到任意方向的向量，这些向量能够布满整个平面。这里我们先不做展开。这个思想就是线性代数的根本。

3、方程组扩展

3.1、三维行图像

我们将方程组的维数推广到三维

$\begin{cases} 2x-y=0\\ -x+2y-z=-1\\ -3y+4z=4 \end{cases}$

矩阵使方法简单化了，把方程组简化为矩阵的形式。
但是如果我们继续使用上面介绍的做出行图像来求解问题，那么会得到一个很复杂的图像。

矩阵如下：

$A= \begin{bmatrix} 2&-1&0\\ -1&2&-1\\ -3&0&4\\ \end{bmatrix}$

$b= \begin{bmatrix} 0\\ -1\\ 4\\ \end{bmatrix}$

对应方程： AX=b

$\begin{bmatrix} 2&-1&0\\ -1&2&-1\\ -3&0&4\\ \end{bmatrix} \begin{bmatrix} x\\ y\\ z\\ \end{bmatrix}= \begin{bmatrix} 0\\ -1\\ 4\\ \end{bmatrix}$

如果绘制行图像，很明显这是一个三个平面相交得到一点，我们想直接看出这个点的性质可谓是很难。比较靠谱的思路是先联立其中两个平面，使其相交于一条直线，再研究这条直线与平面相交于哪个点，最后得到点坐标即为方程的解。

这个求解过程对于三维来说或许还算合理，那四维呢？五维甚至更高维数呢？直观上很难直接绘制更高维数的图像，这种行图像受到的限制也越来越多。

3.2、三维列图像

我们使用上面同样的例子

$\begin{cases} 2x-y=0\\ -x+2y-z=-1\\ -3y+4z=4 \end{cases}$

如果我们使用列图像的思路进行计算，那矩阵形式就变为：

$x \begin{bmatrix} 2\\ -1\\ 0\\ \end{bmatrix}+ y \begin{bmatrix} -1\\ 2\\ -3\\ \end{bmatrix}+ z\begin{bmatrix} 0\\ -1\\ 4\\ \end{bmatrix}= \begin{bmatrix} 0\\ -1\\ 4\\ \end{bmatrix}$

左侧是线性组合，右侧是系数 x,y,z 倍线性组合组成的结果，这样一来思路就清晰多了，“寻找线性组合”成为了解题关键。

很明显这道题是一个特例，我们只需要取 x = 0, y = 0, z = 1 就得到了结果，这在行图像之中并不明显。

当然，之所以我们更推荐使用 列图像 求解方程，是因为这是一种更系统的求解方法，即 寻找线性组合，而不用绘制每个行方程的图像之后寻找那个很难看出来的点。

另外一个优势在于，如果我们改变最后的结果 b为 $\begin{bmatrix}1\\1\\3\end{bmatrix}$ ，

$x \begin{bmatrix} 2\\ -1\\ 0\\ \end{bmatrix}+ y \begin{bmatrix} -1\\ 2\\ -3\\ \end{bmatrix}+ z\begin{bmatrix} 0\\ -1\\ 4\\ \end{bmatrix}= \begin{bmatrix} 1\\ 1\\ 3\\ \end{bmatrix}$

那么我们就重新寻找一个线性组合就够了。

但是如果我们使用的是行图像呢？那意味着我们要完全重画三个平面图像。

另外，还要注意的一点是对任意的 b 是不是都能求解 Ax = b 这个矩阵方程呢？也就是对 3*3 的系数矩阵 A，其列的线性组合是不是都可以覆盖整个三维空间呢？对于我们举的这个例子来说，一定可以，还有我们上面 2*2 的那个例子，也可以覆盖整个平面，但是有一些矩阵就是不行的。

比如矩阵中第一列加上第二列等于第三列那三个列,这三个向量就构成了一个平面。

$\begin{bmatrix} 2\\ -1\\ 0\\ \end{bmatrix}, \begin{bmatrix} -1\\ 2\\ -3\\ \end{bmatrix} ,\begin{bmatrix} 1\\ 1\\ -3\\ \end{bmatrix}$

那么这样的三个向量组合成的向量只能活动在这个平面上，肯定无法覆盖一个三维空间，

如果有一个九维向量，它可以代表九维空间，但是恰好其中的第九维等于第八维，那么它对这个向量就是没有贡献的，那么这个组合就只能覆盖九维空间内的八维平面。最后的求解也只能在八维平面上展开。

3.3、矩阵乘以向量

AX=b

$\begin{bmatrix} 2&5\\ 1&3\\ \end{bmatrix} \begin{bmatrix} 1\\ 2\\ \end{bmatrix} =1 \begin{bmatrix} 2\\ 1\\ \end{bmatrix}+2 \begin{bmatrix} 5\\ 3\\ \end{bmatrix} = \begin{bmatrix} 12\\ 7\\ \end{bmatrix}$