矩阵中零空间，行空间的意义-CSDN博客

本文链接：https://blog.csdn.net/hudingyin/article/details/115557019

本文深入浅出地介绍了向量空间的基本概念，包括零空间、列空间等子空间的定义及其实例，阐述了子空间与原空间的关系，并通过具体例子说明了如何确定一个向量是否属于特定的子空间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

零空间、行空间都属于子空间，所以需要理解子空间，要理解子空间，自然需要知道“空间”的意思。

“空间”，这里特指向量空间，是对于线性运算封闭的向量集合，即对于空间中的任意向量 $\overrightarrow{\mathbf{v}}$ 和 $\overrightarrow{\mathbf{w}}$ ，对于任何实数 $c$ 和 $d$ ，线性组合 $c\overrightarrow{\mathbf{v}}+d\overrightarrow{\mathbf{w}}$ 必属于该空间。简单的例子如其和 $\overrightarrow{\mathbf{v}}+\overrightarrow{\mathbf{w}}$ 和数乘 $c\overrightarrow{\mathbf{v}}$ 也必属于该空间。

常见的如实数空间， $\bold{R}^1,\bold{R}^2,\bold{R}^3,$ ……都是重要的向量空间， $\mathbf{R}^{n}$ 表示 $n$ 维空间。

“子空间”为包含向量空间内的一个向量空间，它是原向量空间的一个子集，而且本身也满足向量空间的要求。

但是“子空间”和“子集”的概念有区别，所有元素都在原空间之内就可以称之为子集，但是要满足对线性运算封闭的子集才能称为子空间。

可以环顾下自己身处的房间，我们都处于三维空间中。细讲的话，地面是二维子空间，房门所在墙也是一个二维子空间，窗户所在墙同样也是一个二维子空间，房顶也是一个二维子空间（如果你家房子是常规房子）。但是，你应该要认识到地面和房顶所在的二维子空间是同一个子空间（或平面），只是它们所处物理高度不同。不要去考虑“高度”，因为在二维世界里没有“高度”（只有长宽），在二维世界的视角，地面和房顶是一个平面空间）；以上是常规的二维空间，你也可以把倾斜地显示器屏幕想象成它处于一个二维空间，没错，“空间”很自由，你任意旋转屏幕就能得到任意一个二维空间（平面）。说完二维空间，三维空间应该更好理解了。例如，任一墙面与地面的垂线（例如两个墙面的相交的线）和地面就构成了“正交”空间。这里要注意，构成空间的子空间可以不正交，正交只是笛卡尔坐标系的特点。当然，正交的子空间有特别优异的特性，在实际数据处理过程中，大家都努力把子空间经过变换称为正交子空间，从而在不同子空间中的数据互不影响。为什么互不影响呢？因为正交，正交表明两个子空间的数据“独立不相关”。所以任意子空间如果相互正交，那么其中一个子空间与另一个子空间互成“零空间”（NullSpace）。

列空间 Column space（行空间在零空间里讲解）

矩阵 $\mathbf{A}$ 的列空间C( $\mathbf{A}$ )是其列向量的所有线性组合所构成的空间。

$\mathbf{A}=\begin{bmatrix} 1 & 1 & 2 \\ 2 & 1 &3 \\ 3 & 1 & 4 \\ 4 & 1 & 5 \end{bmatrix}$

求解 $\mathbf{A}x=\mathbf{b}$ 的问题，对于给定的矩阵 $\mathbf{A}$ ，对于任意的 $\mathbf{b}$ 都能得到解么？显然并不是所有的 $\mathbf{b}$ 都能保证 $\mathbf{A}x=\mathbf{b}$ 有解，因为它有4个线性方程而只有3个未知数，矩阵 $\mathbf{A}$ 列向量的线性组合无法充满 $\mathbf{R}^{4}$ ，因此如果 $\mathbf{b}$ 不能被表示为 $\mathbf{A}$ 列向量的线性组合时，方程式无解的。只有当 $\mathbf{b}$ 在矩阵 $\mathbf{A}$ 的列空间C( $\mathbf{A}$ )时， $x$ 才有解。

对于我们所给定的矩阵 $\mathbf{A}$ ，由于列向量不是线性无关的，第三个列向量为前两个列向量之和，所以尽管有3个列向量，但是只有2个对张成向量空间有贡献。矩阵 $\mathbf{A}$ 的列空间为 $\mathbf{R}^{4}$ 内的一个二维子空间。

零空间（或称化零空间）Nullspace

矩阵 $\mathbf{A}$ 的零空间N( $\mathbf{A}$ )是指满足 $\mathbf{A}x=\mathbf{0}$ 的所有解的集合。对于所给定的这个矩阵 $\mathbf{A}$ ，其列向量含有4个分量，因此列空间是 $\mathbf{R}^{4}$ 的子空间， $x$ 为含有3个分量的向量，故矩阵 $\mathbf{A}$ 的零空间是 $\mathbf{R}^{3}$ 的子空间。对于 $m\times n$ 矩阵，列空间为 $\mathbf{R}^{m}$ 的子空间，零空间为 $\mathbf{R}^{n}$ 的子空间。零空间的维数是 $m-r$ ， $r$ 就不展开了，线性代数的基础知识。

本例中矩阵 $\mathbf{A}$ 的零空间N( $\mathbf{A}$ )为包含 $\begin{bmatrix} 1\\ 1\\ -1 \end{bmatrix}$ 的任何倍数的集合，因为很容易看到第一列向量和第二列向量相加除以2减去第三列向量为零，所以此零空间为 $\mathbf{R}^{3}$ 中的一条直线。

为了验证 $\mathbf{A}x=\mathbf{0}$ 的解释一个向量空间，可以验证它是否对线性运算封闭：

若 $\overrightarrow{\mathbf{v}}$ 和 $\overrightarrow{\mathbf{w}}$ 为解集中的元素，则有：

$\mathbf{A}(\overrightarrow{v}+\overrightarrow{w})=\mathbf{A}\overrightarrow{v}+\mathbf{A}\overrightarrow{w}=\mathbf{0}+\mathbf{0}=\mathbf{0}$ ,

$\mathbf{A}(c\overrightarrow{v})=c\mathbf{A}\overrightarrow{v}=\mathbf{0}$

因此得证。

$\mathbf{b}$ 值的影响

若方程变为 $\begin{bmatrix} 1 & 1 & 2 \\ 2 & 1 &3 \\ 3 & 1 & 4 \\ 4 & 1 & 5 \end{bmatrix}\begin{bmatrix} x_{1} \\ x_{2} \\ x_{3} \end{bmatrix}=\begin{bmatrix} 1 \\2 \\ 3\\4 \end{bmatrix}$ ，则其解集不能构成一个子空间。零空间并不在这个集合内，解集是空间 $\mathbf{R}^{3}$ 内过 $\begin{bmatrix} 1\\ 0\\ 0 \end{bmatrix}$ 和 $\begin{bmatrix} 0\\ -1\\ 1 \end{bmatrix}$ 的一个平面，但是并不穿过原点 $\begin{bmatrix} 0\\ 0\\ 0 \end{bmatrix}$ 。

小结：对于列空间，它是由列向量进行线性组合张成的空间；而零空间是从方程组出发，通过让 $x$ 满足特定条件而得到的子空间。

接下来等我有空了，就继续更新Nullspace在neural computation中的经典应用，即在动作没产生前，大量神经元的活动就是在Nullspace中，所以对肌肉没有产生实质输出：Cortical activity in the null space: permitting preparation without movement