定义
对于线性空间
V
V
V的一个子空间
W
W
W,如果存在一个线性变换
T
T
T,对
W
W
W中的任意向量
w
w
w,有
T
(
w
)
∈
W
T(w) \in W
T(w)∈W,那么
W
W
W就被成为
V
V
V的
T
T
T不变子空间invariant subspace。这么说非常干,我举个例子:
A
=
[
22
−
84
6
−
23
]
w
=
[
4
1
]
A=\begin{bmatrix} 22 & -84\\ 6 & -23\\ \end{bmatrix} w= \begin{bmatrix} 4\\ 1\\ \end{bmatrix}
A=[226−84−23]w=[41]
对于以上述
w
w
w为基的一维空间
W
W
W就是
C
2
C^2
C2的
A
A
A不变子空间。因为在这个例子中
(
4
,
1
)
T
(4,1)^T
(4,1)T是A的特征向量,所以矩阵A作用在特征向量上,不过是延长或缩短了而已。下面我介绍常见的三种不变子空间。
核空间
任意线性变换的核空间都是不变子空间。核空间指的是经过变换会变成0向量的那些向量组成的空间。这个就无需解释了吧,一般来说线性变换对应的矩阵,如果是满秩的,那么它的核空间就是0空间。所以我举个没有满秩的例子:
A
=
(
1
2
1
2
2
2
2
4
2
)
A
x
=
0
x
=
k
(
1
0
−
1
)
A=\begin{pmatrix} 1 & 2 & 1\\ 2 & 2 & 2\\ 2 & 4 & 2 \end{pmatrix}\\ Ax=0\\ x=k\begin{pmatrix} 1 \\ 0\\ -1 \end{pmatrix}
A=
122224122
Ax=0x=k
10−1
以
(
1
,
0
,
−
1
)
T
(1,0,-1)^T
(1,0,−1)T为基的子空间就是A的不变子空间,因为
A
A
A会把这个空间的所有向量全部变成0,毫无疑问0向量是属于任何子空间的,所以符合不变子空间定义。核空间也等同于齐次线性方程组的解空间。
像空间
像空间也叫值域,因为满秩的矩阵会把所有向量变成平凡子空间,所以我依旧举一个没满秩的矩阵作为例子:
A
=
(
1
1
1
2
1
2
3
1
3
)
A=\begin{pmatrix} 1 & 1 & 1\\ 2 & 1 & 2\\ 3 & 1 & 3 \end{pmatrix}\\
A=
123111123
这个空间的像空间是一个平面。实际上它是有下面两个基:
w
1
=
(
1
2
3
)
,
w
2
=
(
1
1
1
)
w_1=\begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix}, w_2=\begin{pmatrix} 1 \\ 1 \\ 1 \end{pmatrix}\\
w1=
123
,w2=
111
其实直白的说,就是矩阵A自己的所有列的最大线性无关组,也就是A的列向量张成的空间就是像空间,或者是值域。对于满秩的矩阵,像空间是整个空间,所以不变子空间也就是平凡不变子空间
V
V
V了。
特征空间
因为矩阵仅仅放大或缩小自己的特征向量,矩阵所有的特征向量所在的空间就是特征空间。特征空间也是不变子空间。这个就无需解释了吧,哈哈,举个例子:
A
=
(
1
1
1
2
1
2
3
1
3
)
λ
1
=
5
,
λ
2
=
λ
3
=
0
λ
1
=
5
,
A
−
5
I
=
0
⇒
w
=
(
3
5
7
)
A=\begin{pmatrix} 1 & 1 & 1\\ 2 & 1 & 2\\ 3 & 1 & 3 \end{pmatrix}\\ \lambda_1=5,\lambda_2=\lambda_3=0\\ \lambda_1=5,A-5I=0\Rightarrow w=\begin{pmatrix} 3\\ 5\\ 7 \end{pmatrix}
A=
123111123
λ1=5,λ2=λ3=0λ1=5,A−5I=0⇒w=
357
由
(
3
,
5
,
7
)
T
(3,5,7)^T
(3,5,7)T构成的直线就是A不变子空间,这种非常容易理解。
至此,三种常见的不变子空间就介绍完成了。