线性变换解析-CSDN博客

本文链接：https://blog.csdn.net/kking_edc/article/details/108790790

线性转化

转化的直观理解

转化是函数映射的另一种表达，与函数一样，转化通过计算，将输入映射到输出：

$\begin{matrix}5\\2\\-3\end{matrix}\to f(x)\to\begin{matrix}25\\4\\9\end{matrix}$

将输入输出都用向量的形式来表示：

$\begin{matrix}\begin{bmatrix}5\\7\\\end{bmatrix}\\Vector\,input\end{matrix}\to L(\overrightarrow{V})\to\begin{matrix}\begin{bmatrix}2\\-3\\\end{bmatrix}\\Vector\,output\end{matrix}$

转化这个词暗含着运动这一概念，像下面这个例子，两个向量分别是转化的输入和输出：

在这里插入图片描述
我们可以想象这个运动的过程：

为了从整体来理解这个运动的概念，我们可以假设在二维空间中的每一个向量都进行这这样的运动过程：

在这里插入图片描述
我们将每个向量抽象为一个点，这个点就是之前箭头的顶点，这样可以更直观地理解转化过程：

此时对于空间中的任何一个向量进行的一次转化，都可以理解为现在每个向量抽象成的点转化为另一个点。
在这里插入图片描述
在二维空间时，为了对整个转化的“形状”有更好的理解，我们可以将整个空间抽象成一个二维的表格：

保留原表格有助于我们追踪变化的开始和结束：

线性的限定条件

转化可以很复杂，但是线性代数将转化局限在了linear（线性）这一类型。

一个线性转化有如下两个性质：

所有的直线在转化后仍需保证为直线，不能变为曲线
原点必须维持原位

如下的例子中，直线转化变为了曲线，因此不是线性转化：

在这里插入图片描述

而在下面的例子中，原点发生了改变，因此也不是线性转化：

在这里插入图片描述
经由上面两个性质可以得到，线性变化后的网格会保持平行和均匀分布：

在这里插入图片描述

虽然有些的线性变化可以用语言描述，比如旋转等。但大部分线性变化还是很难用语言来形容，因此需要用一些数字特性来描述线性变化的过程。这个数字特性可以用 $\overrightarrow{i}$ 和 $\overrightarrow{j}$ 的变化来表示。其他所有的变化都和这两个基础向量有关。

假设我们存在如下一个向量 $\overrightarrow{v}$ ：

在这里插入图片描述
现在我们进行线性变换并追踪这三个变量（包括两个基向量）的变化：

在这里插入图片描述
因为表格现在还是平行和均匀分布的，所以我们可以发现一个很重要的规律：

对于转化后的两个基向量和 $\overrightarrow{v}$ ，他们之前的线性关系现在仍然存在。这意味着可以从变化后的 $\overrightarrow{i}$ 和 $\overrightarrow{j}$ 推断出 $\overrightarrow{v}$

而转化后的 $\overrightarrow{i}$ 和 $\overrightarrow{j}$ 对应于之前的基向量可以得到如下的关系：
在这里插入图片描述
所以对于原基向量表示下的任何向量，只要知道转化后的基向量的坐标，就可以推导出转化后的任何向量的坐标：

还是以上图为例子，假如转化后：

$\overrightarrow{i}\to\begin{bmatrix}1\\-2\end{bmatrix}\qquad\overrightarrow{j}\to\begin{bmatrix}3\\0\end{bmatrix}$

现在对于任何的向量 $(x, y)$ ，都有如下的转化过程成立：

$\begin{bmatrix}x\\y\end{bmatrix}\to x\begin{bmatrix}1\\-2\end{bmatrix}+y\begin{bmatrix}3\\0\end{bmatrix}=\begin{bmatrix}1x+3y\\-2x+0y\end{bmatrix}$

所以现在给定任何一个向量，都可以用上面的等式来计算得到转化后的向量。

从上面的讨论，我们可以看出一个二维的线性转化过程可以由四个数字来表示，那就是 $\overrightarrow{i}$ 和 $\overrightarrow{j}$ 转化后的坐标 $\begin{bmatrix}1\\-2\end{bmatrix}$ 和 $\begin{bmatrix}3\\0\end{bmatrix}$