本文探讨了零向量在矩阵变换中的概念，阐述了零空间的定义和性质，以及如何通过矩阵运算找到所有可能的解。同时，涉及了点积与向量投影的关系，解释了二维与三维空间中矩阵的作用。重点在于向量空间的映射和对偶性应用。
零向量
变换后落在原点的向量的集合称矩阵的零空间或核（Kernel)
A
x
→
=
A\overrightarrow {x}=
Ax=
[
0
0
]
\begin{bmatrix} 0\\ 0\\ \end{bmatrix}
[00]
零空间为这个向量方程的所有可能解
非方阵
变换后基向量的坐标作为矩阵的列
列空间的维数与输入空间的维数相等
3*2矩阵：二维空间映射到三维空间上
两列：输入空间有两个基向量
三行：每一个基向量变换后用三个独立坐标描述
2*3矩阵：三维 → \rightarrow →二维
点积与对偶性
[
2
7
1
]
.
[
8
2
8
]
\begin{bmatrix}2\\7\\1\\ \end{bmatrix}.\begin{bmatrix}8\\2\\8\\\end{bmatrix}
⎣⎡271⎦⎤.⎣⎡828⎦⎤
v
→
.
w
→
\overrightarrow{v}.\overrightarrow{w}
v.w
两维数相同的向量相乘，将相应坐标配对相乘相加
w → \overrightarrow{w} w朝过原点和 v → \overrightarrow{v} v终点的直线上投影，投影长度与 v → \overrightarrow{v} v长度相乘 ⇒ \Rightarrow ⇒ v → \overrightarrow{v} v点乘 w → \overrightarrow{w} w
若 v → \overrightarrow{v} v与 w → \overrightarrow{w} w方向相反，结果为负值
扫一扫
2574
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
