n维空间( R n R^n Rn)中的一个向量 v v v由n个部分组成: v = [ v 1 v 2 ⋮ v n ] v=\begin{bmatrix} v_1\\v_2 \\ \vdots \\v_n \end{bmatrix} v=⎣⎢⎢⎢⎡v1v2⋮vn⎦⎥⎥⎥⎤
空间 R n R^n Rn是由所有具有n个分量的列向量 v v v组成的。
向量空间的子空间是由一组满足下面两个条件的向量(包括零向量)组成的:如果 v v v和 w w w是子空间中的向量, c c c是一个实数,那么:
- v + w v+w v+w也在子空间中
- c v cv cv也在子空间中
向量 v v v和 w w w的一个线性组合是 c v + d w cv+dw cv+dw。
由向量 v 1 , v 2 , … , v n v_1,v_2,\dots, v_n v1,v2,…,vn的所有线性组合 c 1 v 1 + c 2 v 2 + ⋯ + c n v n c_1v_1+c_2v_2+\dots+c_nv_n c1v1+c2v2+⋯+cnvn可以扩展(span)为一个子空间。
如果 v 1 , v 2 , . . . , v n v_1, v_2, ..., v_n v1,v2,...,vn是线性无关的,那么只有 c i ( i = 1 , . . . , n ) c_i (i=1,...,n) ci(i=1,...,n)全部为0时,才能使下式成立 c 1 v 1 + c 2 v 2 + . . . + c n v n = 0 c_1v_1+c_2v_2+...+c_nv_n=0 c1v1+c2v2+...+cnvn=0。
向量空间的基(通俗的说时坐标系)是一组满足下面两个条件的向量:这组向量是线性无关的,并且他们可以span整个空间。
基的个数就是子空间的秩(rank)
参考:Introduction to Linear Algebra, Gibert Strang
下面说一下“基变换”:
可以在向量空间中选择几个列向量
x
1
,
x
2
,
.
.
.
,
x
n
x_1,x_2,...,x_n
x1,x2,...,xn作为它的基,可以把它们放到一个矩阵中,
X
=
[
x
1
x
2
.
.
.
x
n
]
X=[x_1\ x_2\ ...\ x_n]
X=[x1 x2 ... xn]。它们线性无关,并且它们的线性组合
c
1
x
1
+
c
2
x
2
+
.
.
.
+
c
n
x
n
=
X
c
⃗
c_1x_1+c_2x_2+...+c_nx_n=X\vec{c}
c1x1+c2x2+...+cnxn=Xc可以表示空间中的任何向量,那么空间中的任何一个向量就可以用这
n
n
n个系数表示,
c
⃗
=
[
c
1
c
2
⋮
c
n
]
\vec{c} = \begin{bmatrix} c_1\\ c_2\\ \vdots\\c_n\end{bmatrix}
c=⎣⎢⎢⎢⎡c1c2⋮cn⎦⎥⎥⎥⎤。
如果选择另外一组基,
[
w
1
w
2
.
.
.
w
n
]
=
W
\begin{bmatrix}w_1 \ w_2\ ...\ w_n\end{bmatrix}=W
[w1 w2 ... wn]=W,它的线性组合
d
1
w
1
+
d
2
w
2
+
.
.
.
+
d
n
w
n
=
W
d
⃗
d_1w_1+d_2w_2+...+d_nw_n=W\vec{d}
d1w1+d2w2+...+dnwn=Wd,空间中一个点可以表示为
d
⃗
=
[
d
1
d
2
⋮
d
n
]
\vec{d}=\begin{bmatrix} d_1\\d_2\\ \vdots \\d_n\end{bmatrix}
d=⎣⎢⎢⎢⎡d1d2⋮dn⎦⎥⎥⎥⎤。
同一个点在不同的基中表示不同。如果是同一个点,下式成立:
c
1
x
1
+
c
2
x
2
+
.
.
.
+
c
n
x
n
=
d
1
w
1
+
d
2
w
2
+
.
.
.
+
d
n
w
n
[
x
1
x
2
.
.
.
x
n
]
[
c
1
c
2
⋮
c
n
]
=
[
w
1
,
w
2
,
.
.
.
,
w
n
]
[
d
1
d
2
⋮
d
n
]
X
c
⃗
=
W
d
⃗
c_1x_1+c_2x_2+...+c_nx_n=d_1w_1+d_2w_2+...+d_nw_n \\ \begin{bmatrix} x_1\ x_2\ ...\ x_n\end{bmatrix} \begin{bmatrix} c_1\\ c_2\\ \vdots\\c_n\end{bmatrix} = \begin{bmatrix}w_1,w_2,...,w_n\end{bmatrix}\begin{bmatrix} d_1\\d_2\\ \vdots \\d_n\end{bmatrix} \\ X\vec{c} = W\vec{d}
c1x1+c2x2+...+cnxn=d1w1+d2w2+...+dnwn[x1 x2 ... xn]⎣⎢⎢⎢⎡c1c2⋮cn⎦⎥⎥⎥⎤=[w1,w2,...,wn]⎣⎢⎢⎢⎡d1d2⋮dn⎦⎥⎥⎥⎤Xc=Wd
上面最后一个等式的意思是,同一个点选择不同的基(
X
,
W
X,W
X,W)可以有不同的表示(
c
⃗
,
d
⃗
\vec{c},\vec{d}
c,d)。
d
⃗
=
W
−
1
X
c
⃗
\vec{d}=W^{-1} X \vec{c}
d=W−1Xc这个就是基变换。
说的比较抽象,举个简单的例子:
上面的直线可以看作一维空间
R
1
R^1
R1,可以选择任意一个向量作为基,因为一个常数乘以这个向量可以表示直线上任意一个点。可以选
[
1
]
[1]
[1]作基,也可以选
[
−
1
]
[-1]
[−1]做基。如图中坐标为2的点,
[
1
]
∗
2
=
[
−
1
]
∗
(
−
2
)
[1]*2=[-1]*(-2)
[1]∗2=[−1]∗(−2)。