MIT 线性代数 Linear Algebra 30:线性变换和其矩阵形式

在这一节的开始，让我们先短暂忘记矩阵，研究什么是线性变换。实际上，线性变换是比矩阵更 general 的定义。只不过在 linear algebra 中我们用矩阵来分析线性变换。

线性变换

满足以下两个条件的变换 $T$ 我们称为线性变换
$$T(v+w)=T(v)+T(W)$$

$$T(cv)=cT(v)$$

可以看到，线性变换实际上就是一个线性函数：输入线性组合的输出等于输出的线性组合。

Fact 1: $T(0)=0$.

---

Example 1 (Projection): 投影是一种线性变换，比如我们考虑把空间中任意一个向量投影到地平线上，这个变换是线性的。

Example 2 (Rotation): 旋转也是一个线性变换，毕竟叠加后旋转还是旋转后叠加，效果是一样的。

Non-example 3 (Shifting the whole plane): 平移整个平面 (即把所有vector加一个constant vector $\mathbf{d}$) 并不是线性变换.
下图很清晰可以看出，而且 $T(0)=0$ 首先就不满足。

Non-example 4 (length): 取一个向量的长度 $T(\mathbf{v})=\Vert \mathbf{v}\Vert$ 并不是线性变换。

这个变换 $T:{\mathbb{R}}^n\to \mathbb{R}$, 但显然他不是线性变换因为 $T(-\mathbf{v})\ne -T(\mathbf{v})$.

---

Fact 2: Matrix $\mathbf{A}$ 是一种线性变换.

$$\mathbf{A}(c\mathbf{v}+d\mathbf{w})=c\mathbf{A}\mathbf{v}+d\mathbf{A}\mathbf{w}$$

Fact 3: 对于任意一个线性变换 $T$, 如果我们选取了一组基 $v_1,v_2,...,v_n$ 来表示任意的输入，选取一组基 $w_1,w_2,...,w_m$ 来表示任意的输出，那么线性变换 $T$ 总能写成在这两组基下的矩阵形式。

线性变换的矩阵表示

如果输入基 ${\mathbf{v}}_1,{\mathbf{v}}_2,...,{\mathbf{v}}_{\mathbf{n}}$，输出基 ${\mathbf{w}}_1,{\mathbf{w}}_2,...,{\mathbf{w}}_{\mathbf{m}}$ 均已选取。我们怎么确定线性组合的矩阵形式尼？

其实很简单，我们只需要选取基变换坐标作为矩阵的每个entry即可，请看
$$T({\mathbf{v}}_1)=a_{11}{\mathbf{w}}_1+a_{21}{\mathbf{w}}_2+...+a_{m1}{\mathbf{w}}_{\mathbf{m}}$$

$$T({\mathbf{v}}_2)=a_{12}{\mathbf{w}}_1+a_{22}{\mathbf{w}}_2+...+a_{m2}{\mathbf{w}}_{\mathbf{m}}$$

$$...$$

$$T({\mathbf{v}}_{\mathbf{m}})=a_{1n}{\mathbf{w}}_1+a_{2n}{\mathbf{w}}_2+...+a_{mn}{\mathbf{w}}_{\mathbf{m}}$$

其中 $a_{mn}$ 即为基变换坐标的每个 entry。对于任意一个输入 $\mathbf{v}$，它在 { v 1 , v 2 , . . . , v n } \{\bm{v_1},\bm{v_2},...,\bm{v_n}\} {v1​,v2​,...,vn​} 有一个坐标，如果我们把矩阵写成基的坐标，那么他经过线性变换后得到的刚刚好是输出 $T(\mathbf{v})$ 在 { w 1 , w 2 , . . . , w m } \{\bm{w_1},\bm{w_2},...,\bm{w_m}\} {w1​,w2​,...,wm​} 下的坐标。矩阵形式可以写为

$$T(\mathbf{V})=\mathbf{W}\mathbf{A}$$

Remark:

1. 一般我们默认的极坐标是 单位阵的各个column，但实际上我们可以选取任意线性独立的vector在做基。关于这一点，我们下面给出一个例子。
2. 我们考虑的不一定是向量空间，也有可能是函数空间，换句话说，$v_1,v_2,...,v_n$， $w_1,w_2,...,w_m$ 可以不是向量，而可以是一些基础函数。在本文的末尾，我们会给出一个相应的例子。

---

Example 5 (Projection): 考虑线性变换 $T:{\mathbb{R}}^2\to {\mathbb{R}}^2$ 把平面上任意向量投影到 $y=x$ 这条直线上，求 $\mathbf{T}$ 的矩阵形式。

求矩阵型知识浅，我们得先确定一组基。

1）首先，我们选取 basis $v_1=w_1=[1,0{]}^{\top }$, $v_2=w_2=[0,1{]}^{\top }$. 这是一组最方便的basis。此时，我们有
$$T(v_1)={\left[\frac{1}{2},\frac{1}{2}\right]}^{\top }=\frac{1}{2}{w}_1+\frac{1}{2}{w}_2$$

$$T(v_2)={\left[\frac{1}{2},\frac{1}{2}\right]}^{\top }=\frac{1}{2}{w}_1+\frac{1}{2}{w}_2$$

因此 $T$ 在选取的 basis 下的矩阵为
$$\mathbf{A}=\left[\begin{array}{cc}\frac{1}{2}& \frac{1}{2}\\ \frac{1}{2}& \frac{1}{2}\end{array}\right]$$

2）我们也可以选取 basis $v_1=w_1=[\frac{1}{2},\frac{1}{2}{]}^{\top }$, $v_2=w_2=[-\frac{1}{2},\frac{1}{2}{]}^{\top }$. 即，”顺着 $y=x$ 的方向“ 和 ”与 $y=x$ 垂直的方向“。此时，我们有
$$T(v_1)={\left[\frac{1}{2},\frac{1}{2}\right]}^{\top }=w_1+0w_2$$

$$T(v_2)={\left[-\frac{1}{2},\frac{1}{2}\right]}^{\top }=0w_1+0w_2$$

因此 $T$ 在选取的 basis 下的矩阵为
$$\mathbf{A}=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$$

实际上，如果我们把第一组基下得到的 $\mathbf{A}$ 特征值分解
$$\mathbf{A}=\left[\begin{array}{cc}\frac{1}{2}& \frac{1}{2}\\ \frac{1}{2}& \frac{1}{2}\end{array}\right]=\frac{1}{\sqrt{2}}\left[\begin{array}{cc}1& -1\\ 1& 1\end{array}\right]\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]\frac{1}{\sqrt{2}}\left[\begin{array}{cc}1& 1\\ -1& 1\end{array}\right]$$

可以看到，实际上我们第二组基选取的就是特征值的方向，此时得到的矩阵是对角阵，其实就是特征值分解的结果。

---

Example 6 (basis of function): 好，最后我们再看一个以函数作为basis的例子。考虑变换 $T(f(x))=\frac{df}{dx}$, 求导实际上是一个线性变换，只要我们有了一些基本函数的求导公式，就能把这些函数作为基，把他们线性组合的导求出来。比如，我们把输入的 basis 选为 { 1 , x , x 2 } \{1,x,x^2\} {1,x,x2},输出的 basis 选为 { 1 , x } \{1,x\} {1,x}，那么，给定输入
$$[c_1,c_2,c_3{]}^{\top }=c_1+c_{2}x+c_3{x}^2$$

我们可以得到输出
$$T(c_1+c_{2}x+c_3{x}^2)=c_2+2c_{3}x=[c_2,2c_3{]}^{\top }$$

因此，$T$ 的矩阵形式可以写为
$$\mathbf{A}=\left[\begin{array}{ccc}0& 1& 0\\ 0& 0& 2\end{array}\right]$$