线性代数的本质 (学习中 1.10更新)

nuise_

已于 2024-01-10 21:32:22 修改

阅读量580

点赞数 10

分类专栏：图形学文章标签： 3d threejs webgl

于 2024-01-02 23:00:19 首次发布

本文链接：https://blog.csdn.net/qq_41370833/article/details/135096043

版权

图形学专栏收录该内容

8 篇文章 2 订阅

订阅专栏

线性代数的本质

学习视频:线性代数的本质强烈推荐！！

矢量/向量

在笔记中

变量使用小写字母表示，a
由于笔记中画上箭头表示向量比较麻烦，这里小写字母加粗显示，a
矩阵变量使用粗体大写字母表示，A

线性代数围绕向量加法+向量数乘两种基本运算。行向量和列向量都可以描述向量，在本笔记中，没有特殊说明都是采用行向量，一般图片中采用的都是列列向量表示向量

什么是向量

在线性代数中，Vector被称为向量，在几何中，Vector被称为矢量，文中向量矢量都在使用。数字 = 标量，通常用于缩放向量。

在这里插入图片描述
向量是空间中的箭头，在线代中，向量经常以原点作为起点。向量的数组表示法[x,y]表示从原点出发(向量起点)如何到达向量终点。

矢量意义
矢量是具有大小和方向的有向线段。

矢量的大小：矢量的长度，非负值。
矢量的方向：描述矢量在空间中指向的方向。

图形上每个矢量是位置无关的，比如使用笛卡尔坐标描述矢量时，每个坐标相当于描述对应维度(x、y或其他)中有符号位移。
比如三维矢量[3,-1,2]可以表示为①向+x轴平移3个单位②向+y轴平移-1个单位(或者-y轴平移1个单位)③向+z轴平移2个单位。其实顺序不重要，移动的总量是一样的。

矢量可以理解为某种运动方式(二维中沿x轴怎么运动，沿y轴怎么运动)

零矢量：矢量中唯一没有方向的，可以理解为无位移(而不是一个点因为矢量不描述一点)

点与矢量的关系

假设有点(x,y)与矢量[x,y]
如果从原点开始按照矢量[x,y]指定的量移动，最终将到达点(x,y)的位置。或者说矢量[x,y]给出了原点到点(x,y)的位移。

在这里插入图片描述

向量基础运算向量加法

比如v+w，三角形法则几何理解为从一个点开始应用由c指定的位移，然后再应用由w指定的位移，与直接应用v+w指定的位移效果一致。
在这里插入图片描述
比如在一维轴上，先向右走2步再向右走5步的效果等于直接从原点向右走7步。

假设v=[1,2]、w=[3,-1],v+w表示先沿x轴移动1+3个位移，再沿y轴移动2+(-1)个位移
在这里插入图片描述

向量基础运算数乘

运算式：k[x,y,z] = [x,y,z]k = [kx,ky,kz]

数字 = 标量，通常用于缩放向量。

kv表示向量沿指定方向缩放k倍，从数字的角度看，对应于将每一个分量分别*k。
向量与标量相乘就是将向量中的每个分类与标量相乘。

在这里插入图片描述

线性组合 - 坐标系的基

假设 i和j是坐标系的基向量
其中
x方向的单位向量i：长度为1，指向+x方向
y方向的单位向量j：长度为1，指向+y方向

并不是说基向量一定是单位向量，空间的一组基严格定义：向量空间的一组基是张成该空间的一个线性无关向量集合

利用坐标系的基，我们可以从另一个角度描述向量。向量可以表示为缩放坐标系的基向量并相加，向量=两个经过缩放的向量和。

将向量v=[3,-2]的分量想象成标量，3表示拉伸i为原来的3倍，-2表示反向拉伸j为原来的两倍。所以向量v = 3i+(-2)j。
在这里插入图片描述

如果选择不同的基向量会怎么样？- 张成(Span)的空间

任选两个基向量，使用任意两个标量缩放基向量，然后两基向量相加可以得到所有的二维向量。
当用数字(坐标)描述向量时，都依赖于我们正在使用的基。

比如描述物体的运动时，要依赖参考系。所以用数字描述向量时，要看是在哪个基向量下。

两个数乘向量的和被称为这两个向量的线性组合

为什么叫线性？如果固定住其中一个向量，让另一个向量自由变化，那么向量的终点会描出一条直线。

如果同时缩放两个向量，这两个向量并不共线且都不是零向量，那么就可以得到平面中的所有位置。
如果两个初始向量共线，产生的向量终点被限制在一条过原点的直线上。
如果两个初始向量为零向量，那么产生的向量终点就是原点。

任意两个不共线的向量可以作为平面空间的基底

在这里插入图片描述

张成(Span)的空间 ：v和w全部线性组合构成的向量集合

是扩张成（张开形成?）的空间吗？感觉这里的张成应该是一个动词？对大部分向量v和w来说，他们张成的空间是所有二维向量的集合，对共线的v和w来说，他们张成的空间是终点落在一条直线上的向量的集合。

在这里插入图片描述

三维向量的张成空间

两个三维向量张成的空间是一个过原点的平面，所有终点落在这个平面上的向量的集合就是这两个向量张成的空间。
在这里插入图片描述
三个三维向量张成的空间

第三个向量恰好落在前两个向量所张成的平面上(第三个向量由前两个线性组合形成，可以想象成二维的共线)，张成的空间不会变化还是之前的两个三维向量的张成空间。
如果没有落在前两个向量张成的空间上，这三个三维向量可以描述所有的三维向量(当缩放第三个向量时，前两个向量张成的平面沿着第三个向量的方向来回移动)

线性相关与线性无关

在二维空间的案例中，两个向量共线；在三维空间的案例中，第三个向量恰好落在前两个向量所张成的平面上。

从几何的角度解释线性相关
当有多个向量时，移除其中一个而步减小张成的空间，称这组向量是线性相关的。
其中一个向量可以表示为其他向量的线性组合，因为这个向量已经落在其他向量张成的空间中。

在这里插入图片描述
线性无关
二维中的表示就是不共线
三维中的表示就是其中一个向量不在另外两个向量张成的空间中

矩阵与线性变换

线性变换：将输入的向量映射之后输出新的向量，比如映射F(a)=b 表示映射F将a映射到b。
使用变换暗示了可以将这种映射想象成一种运动，比如旋转。

定义：当F满足线性映射时,F(a+b) = F(a)+F(b) 且 F(ka) = F(kb)
描述：将两个矢量相加然后执行变换 = 单独对两个矢量执行变换，然后将变换后的矢量加载一起。缩放一个矢量然后执行变换 = 先变换后缩放

线性变换需要同时具备的性质
1.直线在变换后仍然保持为直线，不能弯曲
2.原点保持固定
在这里插入图片描述

这里需要注意一个点是，变换前平行的先变换后也保持并行并且间距不变。(网格线保持平行且等距分布)
在原始空间等距的点，在转换空间仍然等距

矩阵-几何意义线性变换

记录两个基向量i和j变换后的位置，就可以计算出任意向量经过变换后的位置
重要性质：线性变换保持组合系数不变

因为向量之间的关系没变(标量不变)，变的只是基向量

矩阵只是一个记号，描述了一个线性变换的信息，或者说记录变换后的基向量

案例
假设存在v=[-1,2]，v=-1i+2j，线性变换保持组合系数不变，所以转换后的v = -1转换后的i + 2转换后的j

方阵的几何意义:如果知道一对基如何变换等于知道整个坐标系怎么变换了

方阵的行(如果基向量是列向量则是方阵的列)可以理解为坐标空间变换之后的基向量
将向量从原始空间变化到新坐标空间的方法是：向量 * 矩阵，矩阵向量乘法就是计算线性变化作用于特定向量的一种途径。
可通过可视化变化后坐标空间的基矢量来可视化矩阵。

另一个角度理解矩阵乘法的定义
在这里插入图片描述

矩阵乘法与线性变换复合

AB：先执行A变换然后执行B变换
如果采用列向量表示向量，则先执行B变换再执行A变换。

渲染案例
世界上任何位置和方向都有一个对象，假设希望给定的任意位置和方向上的相机渲染此对象。
前提：取得该对象的顶点(很多顶点)
步骤
1.模型变换，将对象的顶点从对象空间变换到世界空间中
2.视图变换，将世界空间顶点变换到相机空间

Pwld = Pobj Mobj->wld
Pcam = PwldMwld->cam
=> Pcam = Pobj(Mobj->wldMwld->cam)
=> Pcam = Pobj(Mobj->cam)

AB 不一定等于 BA ：可以将这种变换想象成函数f(g(x))，由于f(g(x)) 不一定等于g(f(x))，所以AB 不一定等于 BA。
(AB)C = A(BC)：可以将括号理解为将两次变化步骤一次性合并了，但变换的顺序还是一致的。

行列式 - 线性变换改变面积/体积的比例

行列式的几何意义
该变换的行列式 = 线性变换改变面积的比例 (二维)
该变换的行列式 = 线性变换改变体积的比例 (三维)

如果一个二维线性变换的行列式为0，说明将平面压缩到一条线上。所以只需要验证该变换行列式是否为0，就可以知道该变换是否将空间压缩到更小的维度上。

案例
线性变换对坐标空间有多少拉伸或挤压？ => 测量一个给定区域面积增大或减小的比例 => 其他任意区域的面积变化比例
在这里插入图片描述

行列式的负数
行列式的值为负数：改变了空间的定向(空间翻了一面，想象A4从正面翻背面)
这里的-只是代表空间的定向发生了改变，但是面积的变化还是由数值决定。

在三维中空间定向的改变是从右手系变成了左手系

逆矩阵 |A|≠0

线性方程组：矩阵A表示一种线性变换，求解线性方程组的含义相当于去寻找一个向量x经矩阵A的线性变换后转换为向量v
在这里插入图片描述

线性方程组有一个线性变换与之联系（方程数目与未知数目相等），当逆变换存在时，就可以用逆变换求解方程组。

方程的解依赖于矩阵A所代表的变换

A将空间压缩到到一个更低维度上 |A|=0，不存在逆变换，解仍然可能存在(无解或无穷解)
没有函数使一条线再回到一个面(二维中) ,因为函数只能将一个输入变换为一个输出，一条线上的向量回到原始空间会映射为多个向量。
A变换后的空间保持像初始状态意义的完整二维空间 |A|≠0 方程只有唯一解，并且如果该撤销该变换(执行A的逆)v还可以回到x

矩阵的逆的描述
逆向进行变换时，其实对应了另一个线性变换。该线性变换称为原始线性变换的逆。 |A|≠0 一定可以进行逆向操作，矩阵A有逆(空间经过逆操作还可以回去)。

矩阵的逆的核心性质
先应用A代表的变换，再应用A逆代表的变换，会回到原始状态。(空间可以回去)

在这里插入图片描述

秩：变换后空间的维数、列空间(向量空间)、零空间

矩阵的秩:变换后的空间维数，比如对于2*2矩阵A，秩最大为2 => |A|≠0 => 满秩的矩阵才有逆矩阵
满秩：矩阵的秩等于矩阵的列数相等
对于满秩变换来说，零向量本身是唯一能在变换后落在原点的。
矩阵的列空间：所有可能的输出向量Av构成的集合被称为矩阵的列空间
矩阵的列可以知道基向量(列向量)变换后的位置，变换后的基向量张成的空间就是所有可能的变换结构 => 列空间就是列所张成的空间。
如果变换后的向量不在列空间，那么说明该方程组无解。
零向量一定在列空间，因为线性变换必须保持原点位置不变。
矩阵的零空间(核)：变换后落在原点的向量集合