线性代数【五】向量（2）：向量组的秩，向量内积、正交，正交规范化，向量空间

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$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_s}$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$\overrightarrow{{\beta }_1},\overrightarrow{{\beta }_2},...,\overrightarrow{{\beta }_t}$和$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_s}$，若${\beta }_i$均可由$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_s}$线性表出，则：$r[\overrightarrow{{\beta }_1},\overrightarrow{{\beta }_2},...,\overrightarrow{{\beta }_t}]$$\le$$r[\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_s}]$。

2. 向量组内积，向量正交，模

  设${\alpha }^T=[\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_n}{]}^T$，$\beta =[\overrightarrow{{\beta }_1},\overrightarrow{{\beta }_2},...,\overrightarrow{{\beta }_n}{]}^T$，则${\alpha }^T\beta$称为向量组的内积，记为$(\alpha ,\beta )={\alpha }^T\beta$。
  当${\alpha }^T\beta =0$，称两个向量组正交。
  向量组的模记为$||\alpha ||=\sqrt{{\Sigma }_{i=1}^n{\alpha }_i^2}$，模为1则向量为单位向量。

3. 标准正交向量组

  对于向量组$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_n}$，若$i=j，{\alpha }_i^T{\alpha }_j=1$；$i\ne j，{\alpha }_i^T{\alpha }_j=0$，则称向量组$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_n}$为标准/单位正交向量组。
  A是正交矩阵（方阵）$\iff$$A^{T}A=E$$\iff$$A^T=A^{-1}$$\iff$A的行与列向量组皆为标准正交向量组
  若A是正交矩阵，则称$Y=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$\overrightarrow{{\alpha }_1},\overrightarrow{{\alpha }_2},...,\overrightarrow{{\alpha }_n}$的标准正交化公式为：
$$\begin{gathered} {\beta }_1={\alpha }_1 \\ {\beta }_2={\alpha }_2-\frac{({\alpha }_2,{\beta }_1)}{{\beta }_1,{\beta }_1}{\beta }_1 \\ ... \\ {\beta }_n={\alpha }_n-\frac{({\alpha }_n,{\beta }_{n-1})}{{\beta }_{n-1},{\beta }_{n-1}}{\beta }_{n-1}-...-\frac{({\alpha }_n,{\beta }_1)}{{\beta }_1,{\beta }_1}{\beta }_1 \end{gathered}$$
  得到的$\overrightarrow{{\beta }_1},\overrightarrow{{\beta }_2},...,\overrightarrow{{\beta }_n}$是正交向量组，将$\overrightarrow{{\beta }_1},\overrightarrow{{\beta }_2},...,\overrightarrow{{\beta }_n}$单位化得：${\eta }_i=\frac{{\beta }_i}{||{\beta }_i||}$，这样即可得到标准正交向量组。
  $\frac{({\alpha }_2,{\beta }_1)}{{\beta }_1,{\beta }_1}$这个计算本质上是将${\alpha }_2$投影到${\alpha }_1$方向上的投影系数，然后做向量的相减，得到方向上与${\alpha }_1$正交的新向量。

5. 向量空间

  若$\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}$是$R^n$中的线性无关向量组，且任一向量$\vec{\alpha }\in R^n$均可由$\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}$线性表出，则称$\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}$是$R^n$的一个基，其个数n称为该向量空间的维数。若有：$\vec{\alpha }=a_1\overrightarrow{{\xi }_1}+a_2\overrightarrow{{\xi }_2}+...+a_n\overrightarrow{{\xi }_n}$，则$(a_1,a_2,...,a_n)$称为向量$\vec{\alpha }$在此向量空间的坐标。
  若$\overrightarrow{{\eta }_1},\overrightarrow{{\eta }_2},...,\overrightarrow{{\eta }_n}$和$\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}$为向量空间$R^n$的两个基，且：
$$\begin{gathered} [\overrightarrow{{\eta }_1},\overrightarrow{{\eta }_2},...,\overrightarrow{{\eta }_n}]=[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]\left[\begin{array}{cccc}{c}_{11}& c_{12}& ...& c_{1n}\\ c_{21}& c_{22}& ...& c_{2n}\\ ...& ...& ...& ...\\ c_{n1}& c_{n2}& ...& c_{nn}\end{array}\right] \\ =[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]C \end{gathered}$$

称矩阵C为从$\eta$到$\xi$的过渡矩阵（必然是可逆矩阵），上述公式称为基变换公式。
  若$\vec{\alpha }=[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]\vec{x}=[\overrightarrow{{\eta }_1},\overrightarrow{{\eta }_2},...,\overrightarrow{{\eta }_n}]\vec{y}$，且$[\overrightarrow{{\eta }_1},\overrightarrow{{\eta }_2},...,\overrightarrow{{\eta }_n}]=[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]C$，则$\vec{\alpha }=[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]\vec{x}=[\overrightarrow{{\eta }_1},\overrightarrow{{\eta }_2},...,\overrightarrow{{\eta }_n}]\vec{y}=[\overrightarrow{{\xi }_1},\overrightarrow{{\xi }_2},...,\overrightarrow{{\xi }_n}]C\vec{y}$，即$\vec{x}=C\vec{y}，\vec{y}=C^{-1}\vec{x}$，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]