线性代数的本质_05_基变换，特征向量、特征值

本文链接：https://blog.csdn.net/qq_31622605/article/details/89046795

基变换：

在之前的博客中，实际上已经提到过基变换，知识没提这个名字，就是将矩阵看做是一个变换即可，变换是从单位矩阵变换到这个变换矩阵的。例如，习惯上，来我们会把正右定义为x轴，上定义为y轴，且【1，0】代表x基向量，【0，1】代表y基向量，如果另一套标准不是这样定义的呢？假设某个国家习惯定义上为x轴，左为y轴，【1，0】代表x基向量，【0，1】代表y基向量，那么就需要一个变换，将坐标系转化成一套。很好理解。

上面例子中，同样的原点到左上角的向量，我们习惯表示为【1，1】，某个国家习惯表示为【1，-1】，如下：

那么我们怎么进行转化呢？要进行转换，我们需要一套国际标准，假设，国际标准为右x，上y，那么很显然，左图就是使用的国际标准，右图使用的非国际标准。将右图的基转化为国际标准则为，如下图：

这个变换矩阵如前面章节提到的，就是【0，1，-1，0】，即选择90度。非国标下的【1，1】向量经过这个变换变成了：

仔细想想，非国标中的【1，1】早国际标准中是不是在【-1，1】的位置。可以按下面这种思路理解：一个变换矩阵就是将这个变换决定的坐标系下的向量转化到单位矩阵的坐标系下。

逆矩阵就是反向变换的变换矩阵，就是从国标变到非国标，如何得来呢？如果上面最开始我们假设右边的为国际标准，那么的道德就是现在的反过程，得到的矩阵就是现在的逆矩阵。

特征向量与特征值：

在空间变换中，我们可以看出变换过程，例如：

可以发现，原来空间一三象限被压缩了，二四被拉开，而且原来的【1，1】和现在的【1，1】在空间上变得不共线了，而原来的【1，0】和现在的【1，0】共线，知识被拉伸了，像这样变换前后依然共线的向量称之为特征向量，其特征值就是被拉伸的倍数（小于1就是被压缩）。

对于上面的变换，特征向量有两条线，【1，1】和【1，-1】，处于这两条线的向量都为特征向量。前者特征值为3，后者为2。

特征值有什么用呢？在三维的旋转中，三维物体绕一个轴旋转，那么这个轴上的向量都是特征向量，特征值为1，因为不存在这个方向的拉伸压缩。

根据上面对特征值的藐视，我们可以计算特征值，有下面关系：

上式，左边是矩阵与向量的乘积，右边是标量与向量的乘积，我们可以把右边看成是缩放了n倍的单位矩阵，就转化成了矩阵与向量的乘积。然后进行适当的转换，也很容易得出下面的式子：

上式看起来比较熟，我们可以想到，左边的是一个变换，右边是一个向量，结果是零向量，很显然，这个向量就处于这个变换的零空间中，这个变换会将这个向量压缩到零向量，所以这个变换一定会降维。

带入这个未知数，让这个变换行列式的值为0即可，在上面例子中【3，0，1，2】的计算如下：

求得特征值之后，将特征值带回到原变换矩阵，可得出以下结论：

x轴上的特征值为3，【1，-1】这条轴上，特征值为2。当然，二维变换并非一定有特征值，例如，

旋转就没有特征值，所有向量都发生了变化。如果按上面的计算，你会得到特征值为虚数。

特征值也可能只有一个，根据上面计算过程，自己就会举例说明。

对于特征向量，他可能处于一条直线上，也可能是整个平面空间，例如缩放操作，放大两倍，那么特征值一定是2，特征向量为任意向量。同样，我们可以将不同基向量缩放不同倍数，那么的道德变换矩阵是一个对角矩阵，除了对角线，其他元素全为0，这样的矩阵，所有基向量方向的向量都是其特征向量，对应的特征值就是基向量的缩放倍数。

从最开始的变换，我们可以发现如下规律：

将【1，0，0，1】变换到【3，0，1，2】这个变换的效果等同于将【1，0，-1，1】变换到【3，1，-2，2】的效果，很明显，前者就是这个变换，后者是将特征基向量作为基，后面这个变换就是纯xy轴的拉伸压缩，因为这两个基方向的所有向量变换前后方向不变。所以有如下结论：