线性代数：线性方程求解、矩阵的逆、线性组合、线性独立

本文链接：https://blog.csdn.net/qq_32103261/article/details/130895634

本文介绍了线性方程的求解，重点讨论了矩阵的逆和单位矩阵的概念，以及线性独立和线性组合在解线性方程中的作用。当矩阵是方阵且可逆时，可以通过矩阵逆求解线性方程，而线性独立的向量组决定了方程解的存在性和唯一性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文参考www.deeplearningbook.org一书第二章2.3 Identity and Inverse Matrices 2.4 Linear Dependence and Span

本文围绕线性方程求解依次介绍矩阵的逆、线性组合、线性独立等线性代数的基础知识点。

一、线性方程

本文主要围绕求解线性方程展开，我们先把线性方程写出来，方程如下：

$\mathbf{A}\mathbf{x}=\boldsymbol{b}$

其中 $\mathbf{A}\in \mathbb{R}^{m\times n}$ ， $\mathbf{A}$ 是已知的； $\mathbf{b}\in \mathbb{R}^{m}$ ， $\mathbf{b}$ 是已知的； $\mathbf{x}\in \mathbb{R}^{n}$ ， $\mathbf{x}$ 是未知的，需要我们求解。即上述方程已知 $\mathbf{A}$ 和 $\mathbf{b}$ ，求 $\mathbf{x}$ 。

为了求 $\mathbf{x}$ ，有很多思路，其中有个思路就是通过矩阵的逆来求 $\mathbf{x}$ 。对于一些 $\mathbf{A}$ ，可以通过矩阵的逆来求 $\mathbf{x}$ 。

二、单位矩阵（identity matrix）和矩阵的逆（matrix inverse）

在介绍矩阵的逆之前，需要先了解下单位矩阵。

单位矩阵

单位矩阵是指这样一个矩阵：当一个矩阵乘一个向量，相乘的结果依然是这个向量，那么这个矩阵就是单位矩阵。即对 $\forall \mathbf{x}\in \mathbb{R}^{n}$ ，有 $\mathbf{I}_{n}\mathbf{x}=\mathbf{x}$ ，其中 $\mathbf{I}_{n}\in \mathbb{R}^{n\times n}$ 。

单位矩阵的形式是很简单的，矩阵的主对角线上的值为1，其余位置的值都为0。例如：

$\mathbf{I_{2}}=\begin{bmatrix} 1 & 0\\ 0& 1 \end{bmatrix}$ ; $\mathbf{I_{3}}=\begin{bmatrix} 1 & 0& 0\\ 0& 1& 0\\ 0& 0& 1 \end{bmatrix}$ ； $\mathbf{I_{4}}=\begin{bmatrix} 1 & 0& 0&0 \\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1 \end{bmatrix}$ ；等等

单位矩阵有一个性质，那就是对于 $\forall \mathbf{A}\in \mathbb{R}^{n\times n}$ ，有 $\mathbf{A}\mathbf{I}_{n}=\mathbf{I}_{n}\mathbf{A}=\mathbf{A}$ 。

矩阵的逆

如果一个矩阵 $\mathbf{B}$ 满足 $\mathbf{B}\mathbf{A}=\mathbf{I_{n}}$ ，那么矩阵 $\mathbf{B}$ 就是矩阵 $\mathbf{A}$ 的逆（更具体来讲叫左逆）。我们一般把这样的矩阵 $\mathbf{B}$ 计作 $\mathbf{A}^{-1}$ ，即 $\mathbf{A}^{-1}\mathbf{A}=\mathbf{I_{n}}$ 。