本节为线性代数复习笔记的第五部分,向量(2),主要包括:向量组的秩,向量内积、正交、模,施密特标准正交化(正交规范化),向量空间以及坐标变换公式。
1. 向量组的秩
向量组
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
s
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}
α1,α2,...,αs的极大线性无关组中所含有向量的个数称为向量组的秩,其中等价向量组必然等秩,但向量组等秩不一定是等价向量组,且有矩阵的秩=行向量组秩=列向量组秩。
若A经过初等行变换变为B,则A的行向量组合B的行向量组等价,且A和B任何列向量组具有相同的线性相关性。
设有向量组
β
1
⃗
,
β
2
⃗
,
.
.
.
,
β
t
⃗
\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_t}
β1,β2,...,βt和
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
s
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}
α1,α2,...,αs,若
β
i
\beta_i
βi均可由
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
s
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}
α1,α2,...,αs线性表出,则:
r
[
β
1
⃗
,
β
2
⃗
,
.
.
.
,
β
t
⃗
]
r[\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_t}]
r[β1,β2,...,βt]
≤
\leq
≤
r
[
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
s
⃗
]
r[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_s}]
r[α1,α2,...,αs]。
2. 向量组内积,向量正交,模
设
α
T
=
[
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
n
⃗
]
T
\alpha^T=[\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}]^T
αT=[α1,α2,...,αn]T,
β
=
[
β
1
⃗
,
β
2
⃗
,
.
.
.
,
β
n
⃗
]
T
\beta=[\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}]^T
β=[β1,β2,...,βn]T,则
α
T
β
\alpha^T\beta
αTβ称为向量组的内积,记为
(
α
,
β
)
=
α
T
β
(\alpha,\beta)=\alpha^T\beta
(α,β)=αTβ。
当
α
T
β
=
0
\alpha^T\beta=0
αTβ=0,称两个向量组正交。
向量组的模记为
∣
∣
α
∣
∣
=
Σ
i
=
1
n
α
i
2
||\alpha||=\sqrt{\Sigma_{i=1}^n\alpha_i^2}
∣∣α∣∣=Σi=1nαi2,模为1则向量为单位向量。
3. 标准正交向量组
对于向量组
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
n
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}
α1,α2,...,αn,若
i
=
j
,
α
i
T
α
j
=
1
i=j,\alpha_i^T\alpha_j=1
i=j,αiTαj=1;
i
≠
j
,
α
i
T
α
j
=
0
i\neq j,\alpha_i^T\alpha_j=0
i=j,αiTαj=0,则称向量组
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
n
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}
α1,α2,...,αn为标准/单位正交向量组。
A是正交矩阵(方阵)
⇔
\Leftrightarrow
⇔
A
T
A
=
E
A^TA=E
ATA=E
⇔
\Leftrightarrow
⇔
A
T
=
A
−
1
A^T=A^{-1}
AT=A−1
⇔
\Leftrightarrow
⇔A的行与列向量组皆为标准正交向量组
若A是正交矩阵,则称
Y
=
A
X
Y=AX
Y=AX为正交变换,不改变向量内积(成都和两两夹角不变)。
对于正交矩阵A,若|A|=1,称A为特殊正交矩阵/旋转矩阵;若|A|=-1,称A为瑕旋转矩阵。
正交矩阵和正交变换还有很多有意思的性质~
4. 施密特标准正交化/正交规范化
线性无关向量组
α
1
⃗
,
α
2
⃗
,
.
.
.
,
α
n
⃗
\vec{\alpha_1},\vec{\alpha_2},...,\vec{\alpha_n}
α1,α2,...,αn的标准正交化公式为:
β
1
=
α
1
β
2
=
α
2
−
(
α
2
,
β
1
)
β
1
,
β
1
β
1
.
.
.
β
n
=
α
n
−
(
α
n
,
β
n
−
1
)
β
n
−
1
,
β
n
−
1
β
n
−
1
−
.
.
.
−
(
α
n
,
β
1
)
β
1
,
β
1
β
1
\beta_1=\alpha_1\\\beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{\beta_1,\beta_1}\beta_1\\...\\\beta_n=\alpha_n-\frac{(\alpha_n,\beta_{n-1})}{\beta_{n-1},\beta_{n-1}}\beta_{n-1}-...-\frac{(\alpha_n,\beta_1)}{\beta_1,\beta_1}\beta_1
β1=α1β2=α2−β1,β1(α2,β1)β1...βn=αn−βn−1,βn−1(αn,βn−1)βn−1−...−β1,β1(αn,β1)β1
得到的
β
1
⃗
,
β
2
⃗
,
.
.
.
,
β
n
⃗
\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}
β1,β2,...,βn是正交向量组,将
β
1
⃗
,
β
2
⃗
,
.
.
.
,
β
n
⃗
\vec{\beta_1},\vec{\beta_2},...,\vec{\beta_n}
β1,β2,...,βn单位化得:
η
i
=
β
i
∣
∣
β
i
∣
∣
\eta_i=\frac{\beta_i}{||\beta_i||}
ηi=∣∣βi∣∣βi,这样即可得到标准正交向量组。
(
α
2
,
β
1
)
β
1
,
β
1
\frac{(\alpha_2,\beta_1)}{\beta_1,\beta_1}
β1,β1(α2,β1)这个计算本质上是将
α
2
\alpha_2
α2投影到
α
1
\alpha_1
α1方向上的投影系数,然后做向量的相减,得到方向上与
α
1
\alpha_1
α1正交的新向量。
5. 向量空间
若
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}
ξ1,ξ2,...,ξn是
R
n
R^n
Rn中的线性无关向量组,且任一向量
α
⃗
∈
R
n
\vec{\alpha}\in R^n
α∈Rn均可由
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}
ξ1,ξ2,...,ξn线性表出,则称
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}
ξ1,ξ2,...,ξn是
R
n
R^n
Rn的一个基,其个数n称为该向量空间的维数。若有:
α
⃗
=
a
1
ξ
1
⃗
+
a
2
ξ
2
⃗
+
.
.
.
+
a
n
ξ
n
⃗
\vec{\alpha}=a_1\vec{\xi_1}+a_2\vec{\xi_2}+...+a_n\vec{\xi_n}
α=a1ξ1+a2ξ2+...+anξn,则
(
a
1
,
a
2
,
.
.
.
,
a
n
)
(a_1,a_2,...,a_n)
(a1,a2,...,an)称为向量
α
⃗
\vec{\alpha}
α在此向量空间的坐标。
若
η
1
⃗
,
η
2
⃗
,
.
.
.
,
η
n
⃗
\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}
η1,η2,...,ηn和
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}
ξ1,ξ2,...,ξn为向量空间
R
n
R^n
Rn的两个基,且:
[
η
1
⃗
,
η
2
⃗
,
.
.
.
,
η
n
⃗
]
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
[
c
11
c
12
.
.
.
c
1
n
c
21
c
22
.
.
.
c
2
n
.
.
.
.
.
.
.
.
.
.
.
.
c
n
1
c
n
2
.
.
.
c
n
n
]
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
C
[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\left[\begin{matrix}c_{11}&c_{12}&...&c_{1n}\\c_{21}&c_{22}&...&c_{2n}\\...&...&...&...\\c_{n1}&c_{n2}&...&c_{nn}\end{matrix}\right]\\=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C
[η1,η2,...,ηn]=[ξ1,ξ2,...,ξn]⎣⎢⎢⎡c11c21...cn1c12c22...cn2............c1nc2n...cnn⎦⎥⎥⎤=[ξ1,ξ2,...,ξn]C
称矩阵C为从
η
\eta
η到
ξ
\xi
ξ的过渡矩阵(必然是可逆矩阵),上述公式称为基变换公式。
若
α
⃗
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
x
⃗
=
[
η
1
⃗
,
η
2
⃗
,
.
.
.
,
η
n
⃗
]
y
⃗
\vec{\alpha}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\vec{x}=[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]\vec{y}
α=[ξ1,ξ2,...,ξn]x=[η1,η2,...,ηn]y,且
[
η
1
⃗
,
η
2
⃗
,
.
.
.
,
η
n
⃗
]
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
C
[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C
[η1,η2,...,ηn]=[ξ1,ξ2,...,ξn]C,则
α
⃗
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
x
⃗
=
[
η
1
⃗
,
η
2
⃗
,
.
.
.
,
η
n
⃗
]
y
⃗
=
[
ξ
1
⃗
,
ξ
2
⃗
,
.
.
.
,
ξ
n
⃗
]
C
y
⃗
\vec{\alpha}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]\vec{x}=[\vec{\eta_1},\vec{\eta_2},...,\vec{\eta_n}]\vec{y}=[\vec{\xi_1},\vec{\xi_2},...,\vec{\xi_n}]C\vec{y}
α=[ξ1,ξ2,...,ξn]x=[η1,η2,...,ηn]y=[ξ1,ξ2,...,ξn]Cy,即
x
⃗
=
C
y
⃗
,
y
⃗
=
C
−
1
x
⃗
\vec{x}=C\vec{y},\vec{y}=C^{-1}\vec{x}
x=Cy,y=C−1x,称为坐标变换公式。这里要注意区分是从哪一个坐标到哪一个坐标。
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]