矩阵乘法
对于一个向量
v
v
v
v
=
[
−
1
,
2
]
T
v=[-1,2]^{T}
v=[−1,2]T当对向量
v
v
v乘以一个矩阵
M
M
M
M
=
[
1
3
−
2
0
]
M=\begin{bmatrix} 1 & 3 \\ -2 & 0 \end{bmatrix}
M=[1−230]
即
[
1
3
−
2
0
]
[
−
1
2
]
=
[
5
2
]
\begin{bmatrix}1&3\\-2&0\end{bmatrix}\begin{bmatrix}-1\\2\end{bmatrix}=\begin{bmatrix}5\\2\end{bmatrix}
[1−230][−12]=[52]
将向量
v
=
[
−
1
,
2
]
T
v=[-1,2]^{T}
v=[−1,2]T转化为向量
[
5
,
2
]
T
[5,2]^{T}
[5,2]T,也就是进行了线性映射。
如下图所示:
==》
在上述矩阵乘法的过程中,可以拆分为
[
1
3
−
2
0
]
[
−
1
2
]
=
−
1
∗
[
1
−
2
]
+
2
∗
[
3
0
]
=
[
5
2
]
\begin{bmatrix}1&3\\-2&0\end{bmatrix}\begin{bmatrix}-1\\2\end{bmatrix}=-1*\begin{bmatrix}1\\-2\end{bmatrix}+2*\begin{bmatrix}3\\0\end{bmatrix}=\begin{bmatrix}5\\2\end{bmatrix}
[1−230][−12]=−1∗[1−2]+2∗[30]=[52]
即,可以理解为,上述矩阵对向量的乘法,相当于是将原来向量的x轴的单位向量线性映射到
[
1
,
−
2
]
T
[1,-2]^{T}
[1,−2]T,将原来向量的y轴的单位向量线性映射到
[
3
,
0
]
T
[3,0]^{T}
[3,0]T,经过这样转化后的在新的空间中的
[
−
1
,
2
]
T
[-1,2]^{T}
[−1,2]T向量在原空间就是
[
5
,
2
]
T
[5,2]^{T}
[5,2]T。
因此,可以得出如下结论
矩阵乘法,可以理解为是对线性空间的线性映射
而矩阵对矩阵的乘法,则可以理解为是矩阵对多个向量的乘法,即对多个向量的空间线性映射
特征值和特征向量
如上所述,一个矩阵对一个向量的乘法,是对该向量进行线性映射,这种映射,会对向量进行旋转变量和拉伸变换。如上述例子,向量
[
−
1
,
2
]
T
[-1,2]^{T}
[−1,2]T在进行矩阵乘法之后变为
[
5
,
2
]
T
[5,2]^{T}
[5,2]T,向量的方向和长度均发生了变化。但是,在该空间中是否存在这样的向量,经过该矩阵的线性映射变化之后,只发生了长度变化,而方向并没有变化呢?
即
[
1
3
−
2
0
]
[
−
1
2
]
=
λ
[
−
1
2
]
\begin{bmatrix}1&3\\-2&0\end{bmatrix}\begin{bmatrix}-1\\2\end{bmatrix}=\lambda\begin{bmatrix}-1\\2\end{bmatrix}
[1−230][−12]=λ[−12]
其中
λ
\lambda
λ表示长度变化的倍数
即
M
v
=
λ
v
Mv=\lambda v
Mv=λv
这个看着很眼熟?没错,这个就是求矩阵的特征向量和特征值的式子,向量
v
v
v就是矩阵
M
M
M的特征向量,值
λ
\lambda
λ就是矩阵
M
M
M的特征值。其中,向量
v
v
v指的不是一个向量,而应该是一簇相同方向的向量,因为上述式子的两边可以乘上任意数值,式子依然成立。
也就是说
在矩阵 M M M的空间线性映射下,如果存在某一方向的向量簇 v v v,该向量簇在矩阵 M M M的线性映射下方向依旧不变,仅仅发生了长度变化,那么这样的向量簇 v v v就是矩阵 M M M的特征向量,其中放大的倍数,就是特征向量 v v v对应的特征值