矩阵乘法的几何理解

矩阵乘法

对于一个向量vvv=[1,2]Tv=[-1,2]^{T}当对向量vv乘以一个矩阵MMM=[1320] M=\begin{bmatrix} 1 & 3 \\ -2 & 0 \end{bmatrix}
[1320][12]=[52]\begin{bmatrix}1&3\\-2&0\end{bmatrix}\begin{bmatrix}-1\\2\end{bmatrix}=\begin{bmatrix}5\\2\end{bmatrix}
将向量v=[1,2]Tv=[-1,2]^{T}转化为向量[5,2]T[5,2]^{T},也就是进行了线性映射。
如下图所示:
在这里插入图片描述
==》
在这里插入图片描述
在上述矩阵乘法的过程中,可以拆分为[1320][12]=1[12]+2[30]=[52]\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}
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},将原来向量的y轴的单位向量线性映射到[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}向量在原空间就是[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}在进行矩阵乘法之后变为[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?
[1320][12]=λ[12]\begin{bmatrix}1&3\\-2&0\end{bmatrix}\begin{bmatrix}-1\\2\end{bmatrix}=\lambda\begin{bmatrix}-1\\2\end{bmatrix}
其中λ\lambda表示长度变化的倍数
Mv=λvMv=\lambda v
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vv就是矩阵MM的特征向量,值λ\lambda就是矩阵MM的特征值。其中,向量vv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MM的空间线性映射下,如果存在某一方向的向量簇vv,该向量簇在矩阵MM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vv就是矩阵MM的特征向量,其中放大的倍数,就是特征向量vv对应的特征值

展开阅读全文

没有更多推荐了,返回首页