前言
这篇文章从上一篇文章李宏毅《Linear Algebra》学习笔记中单摘出来的一部分,由于上一篇篇幅较长,所以单拿出来记录在这里。
本文从坐标系 → 函数在不同坐标系的不同表示 来引入similar(相似)的概念。
正文
1.Coordinate System(坐标系)
坐标系就相当于基准,便于将一个向量变得有意义,同一个向量在不同的基准下表示的内容自然不同。
拿下图举例,在左图中表示为
[
8
4
]
[8\ \ 4]
[8 4]的向量,在右图的坐标系中却被表示为
[
6
−
2
]
[6\ \ -2]
[6 −2].
满足下面两条的向量才可以被作为一个坐标系的基准
- 此向量组 B \mathcal{B} B 张成 R n R^n Rn
- 此向量组线性无关
将这两个条件结合在一起,不难发现这其实就是子空间的基的定义。因此,子空间的基就是子空间的坐标系的基准。
之所以使用子空间的基作为坐标系的基准,是因为这样才能保证每个向量都有唯一的表示方法。
证明:
假设对每个向量都有两个不同的表示方法,那么将这两种不同的表示方法代入得出的结果应该是相等的,又因为基
B
\mathcal B
B是线性无关的,当且仅当
a
n
=
b
n
a_n=b_n
an=bn时成立,因此不存在两种不同的表示。也就是以basis作为基准的坐标系中,每个向量只存在唯一的表示方法。
设
B
B
B为子空间的基,
[
v
]
B
[v]_{\mathcal{B}}
[v]B为笛卡尔坐标系下的
v
v
v 向量在其他坐标系
B
\mathcal{B}
B 下的表示。
笛卡尔坐标系与其他坐标系间的转换
(1)其他坐标系 → 直角坐标系: v = B [ v ] B v=B[v]_{\mathcal{B}} v=B[v]B
(2)直角坐标系 → 其他坐标系: [ v ] B = B − 1 v [v]_{\mathcal{B}}=B^{-1}v [v]B=B−1v
可以这样类比理解:
k
k
k位的
N
N
N进制转化为十进制需要从低位开始依次用系数乘以
N
k
N^k
Nk。
又因为基
B
\mathcal B
B 一定线性无关,所以可以用与矩阵的逆相乘的方式求出反向的解。
2.similar(相似)
这里是以坐标系的变换来引入“相似”这个概念的。
假设在笛卡尔坐标系中的一个点
[
x
1
x
2
]
[x_1\ x_2]
[x1 x2],经过一条已知直线
L
\boldsymbol L
L 的翻转对应的点为
T
(
[
x
1
x
2
]
)
T([x_1\ x_2])
T([x1 x2]),求翻转的线性关系(一个矩阵)。
对于求一个点关于直线
L
\boldsymbol L
L 翻转的线性关系,由于这条直线并非
x
x
x轴或者
y
y
y轴,因此翻转对应的线性关系很难得出。
假设我们以
x
x
x 轴为镜面进行翻转,线性关系是很容易得到的。 因为笛卡尔坐标系可以理解为是二维的单位矩阵:
[
1
0
0
1
]
\begin{bmatrix} 1& 0 \\ 0 & 1 \end{bmatrix}
[1001];翻转后,相当于
x
x
x轴元素不变,
y
y
y轴变为
−
y
-y
−y,因此线性关系可以表示为:
T
=
[
1
0
0
−
1
]
T=\begin{bmatrix}1&0\\0&-1\end{bmatrix}
T=[100−1].
基于这种思想,可以利用上一小节学到的知识,通过变换坐标系的方法来求解关系 T T T:
- 将直线 L \boldsymbol L L 作为新的坐标系的 x x x轴,取与之垂直向上的向量作为 y y y轴,建立新坐标系。
- 新坐标系下,翻转关系 [ T ] B = [ 1 0 0 − 1 ] [T]_{\boldsymbol B}=\begin{bmatrix}1&0\\0&-1\end{bmatrix} [T]B=[100−1]
- 根据新坐标系下的 [ T ] B [T]_{\boldsymbol B} [T]B,求出笛卡尔坐标系的 T T T.
那么,笛卡尔坐标系下的
T
T
T 应该怎么求呢?下面是分析过程:
对照下面的图,位于下方的是笛卡尔坐标系,位于上方的是
B
\boldsymbol B
B坐标系,笛卡尔坐标系中的
v
v
v 通过关系
[
T
]
[T]
[T] 变为输出结果
T
(
v
)
T(v)
T(v).
对于其他坐标系,在上一小节提到过二者的变换关系,即:
[
v
]
B
=
B
−
1
v
[v]_{\boldsymbol B}={\boldsymbol B}^{-1}v
[v]B=B−1v,根据这个变换关系,进而求得笛卡尔坐标系到其他坐标系的函数变换。
事实上,
v
→
T
(
v
)
v→T(v)
v→T(v) 与
v
→
[
v
]
B
→
[
T
(
v
)
]
B
→
T
(
v
)
v→[v]_{\boldsymbol B}→[T(v)]_{\boldsymbol B}→T(v)
v→[v]B→[T(v)]B→T(v) 是殊途同归的,因此,
[
T
]
[T]
[T]可以表示为:
[
T
]
=
B
−
1
[
T
]
B
B
[T]={\boldsymbol B}^{-1}[T]_{\boldsymbol B}{\boldsymbol B}
[T]=B−1[T]BB写成一般情况也就是:
[
T
]
B
=
B
−
1
A
B
[T]_{\boldsymbol B}={\boldsymbol B}^{-1}{\boldsymbol A}{\boldsymbol B}
[T]B=B−1AB 不难发现,
[
T
]
B
[T]_{\boldsymbol B}
[T]B与
[
T
]
[T]
[T] 虽然所处的坐标系不同,但是它们想要实现的作用是相同的——参考上面的例子,二者均实现翻转的功能。对于这样的变换
[
T
]
[T]
[T]与
[
T
]
B
[T]_{\boldsymbol B}
[T]B,就将它们叫做相似(similar)。
简单地说,一个用来表示某线性变换的矩阵,它的相似矩阵也就是此线性关系在另一个新坐标系中的表示。