众所周知矩阵是线性变换的代表,但我难以理解的一个点在于——线性变换前后,该向量究竟哪里变哪里不变?
换言之,线性变换的过程中我们用什么来唯一标识这个向量?是名字?还是形状?毕竟只有先确定了什么不变,才能基于此探讨变了什么。
而也只有理清了这一点,才能进而理解更加复杂的相似矩阵。接下来将按照从向量→基底→线性变换→矩阵→相似矩阵的顺序,由浅至深地理解。
向量
首先让我们明确一个概念:向量的“名”和“形”并不唯一对应。
也就是说,如果给你一个向量(1,2),让你画出它的形状,你是画不出来的!同理,如果在纸上给出一个箭头线段,问它代表的向量,你同样应该回答不知道。
为什么呢?这个问题可以去问秦始皇,因为他统一了度量衡(划掉)。
其实是因为我们缺少一个必不可少的参照,基底。
基底
向量形状,向量名字,基底,这三者是一个知二求一的大三角关系。
而对一个向量而言,同一个名字+不同基底会得到不同形状;同一个形状+不同基底会得到不同名字;固定同一个基底,形状和名字一一对应。
所以,我们其实可以发现,很难说到底是什么唯一标识一个向量。或者说,只有先手动确定这三个中的其中一个,以它为标识,我们才能去谈剩下两个的线性变换。
线性变换
首先,我们给出线性变换的(唯一)公式形式:
Ax1=x2
其中,x1、x2分别为两个不同名字的向量,A为矩阵,也代表线性变换。
而由前文的大三角可知,由于有三个影响要素,所以我们对这一个公式其实可以有三个定义:
①同基底时
线性变换/矩阵A:在同基底下把一个向量变成另一个向量,使向量发生空间位置的变化。
②同名字时
线性变换/矩阵A:描述在另一组基底下的同名向量在本基底下的名字。
也可以理解成情况①赋予意义之后的版本,也就是说变换后的x2不再是一个陌生向量,而是在某个基底下与x1共享名字的向量。
不过这个定义有点过于弯弯绕绕,且和①重复,所以一般很少用到。
③同形状时
个人认为最正统的一种理解方式。
线性变换/矩阵A:描述不同基底下同一个向量形状的不同名字。
为什么这个定义最容易理解呢,因为公式的特性是不体现形状,只体现名字。所以比如说第②种解释就有一种绕来绕去的美感——你说这两个向量同名不同形状,可公式只体现名字,总不能填两个一样的名字前等后等吧?所以到头来还得转换到同一个基底让两个名字不等,才能形成公式——毕竟公式之所以叫公式就是等号两边要连接不同的变量。
而③就简单很多,因为本身两个向量名字就不一样,只不过画在纸上是同一个形状。(而且如果说用形状来唯一标识向量似乎也更容易接受)
那么这里的A也因此被赋予了意义:与基底相关的矩阵。更特殊一点的情况下,如果基底之一是标准坐标系,那么:
A=[v1 v2],v1,v2为基底。
普通情况下:
这个推导过程有三个作用:
①对于一个向量(形状)而言,它的名字和基底是配套出现的,没有基底就没有名字!
②引出求逆矩阵这个知识点。
③回答了一开始的问题:如果一定要选出一个唯一标识向量的要素,选形状是最好理解的。
在上述线性变换的定义中,我们需要着重记忆的是①和③,它们是理解相似矩阵的基石,共同构成了相似矩阵的定义。
矩阵
由上文可知,矩阵的本质就是线性变换,是一个向量通往另一个向量的桥梁。而关于它自身的性质就有很多很多了,这放到另一个线性代数总结的帖子里讲。
相似矩阵
终于,到了最初的疑问点——相似矩阵到底是个什么东西?
如果用线性变换来解释,那就是——①③结合的船新版本。
事实上,如果把①③的示意图拼在一起,就是相似矩阵的示意图:
简而言之:
T0版本:线性变换
1.向量进行线性变换③:Ax1=x2
2.含义:相同的向量(形状)在不同基底下有不同的向量名字
3.简化记忆:③
T1版本:相似矩阵
1.(向量的)线性变换①进行线性变换③:A(Px1)=Px2=P(Bx1)
2.含义:相同的线性变换①在不同基底下时有不同的矩阵表示
ps. 相同的线性变换①指两个变化前的向量形状相同,变化后的向量形状同样相同。
3.简化记忆:③(①)
所以相似矩阵其实可以理解为一款复合线性变换,或者线性变换²。
总结
所以再回头看,我们可以将这些概念简要概括为:
向量:名字、形状、基底三要素,知二求一
线性变换:固定向量三要素之一,剩下两要素随机组合(1个公式,3个定义)
矩阵:向量→向量的线性变换
相似矩阵:矩阵→矩阵的线性变换