[矩阵分析] 一、线性空间与线性变换

晨晨丶

已于 2024-03-23 10:39:34 修改

阅读量2.7k

点赞数 70

分类专栏：矩阵分析文章标签：矩阵线性代数高数矩阵分析线性变换

于 2024-03-23 09:52:35 首次发布

本文链接：https://blog.csdn.net/qq_43700729/article/details/136958006

版权

矩阵分析专栏收录该内容

2 篇文章 0 订阅

订阅专栏

线性空间及其性质

线性空间（linear space）或称为向量空间（vector space）是数学中的一个核心概念，它提供了一种方式来处理向量的加法和标量乘法操作。线性空间的概念不仅限于欧几里得空间中的几何向量，还广泛应用于函数、多项式、矩阵等对象。

定义

设 V 是一个非空集合，F 是一个数域。若 V 上定义两种运算（向量加法和标量乘法）并满足一定条件，那么 V 可以被称为数域 F 上的线性空间（或向量空间）。这里，F 通常是实数域 $\mathbb{R}$ 或复数域 $\mathbb{C}$ ，也可以是其他类型的数域。

为了使 V 成为数域 F 上的线性空间，V 中的元素（我们称之为向量）与 F 中的元素（称为标量）之间的运算必须满足一系列特定的性质或公理，这些性质保证了向量加法和标量乘法的合理性和一致性。具体来说，这些条件包括：

关键性质

1. 封闭性

加法封闭性：线性空间中任意两个向量的和仍然在该空间内。
标量乘法封闭性：任何向量与任何标量的乘积也在该空间内。

2. 加法运算的性质

加法交换律：对于所有 u,v∈V，有 u+v = v+u。
加法结合律：对于所有 u,v,w∈V，有 u + (v+w)=(u+v) + w。
加法单位元素的存在：存在一个元素 0（零向量），对于任何 v∈V，都有 v+0 = v。
加法逆元素的存在：对于每个 v∈V，存在一个元素 −v，使得 v + (−v) = 0。

3. 标量乘法的性质

兼容性：标量乘法对于字段中的加法和乘法是兼容的。
分配律：标量乘法满足左分配律 α (u+v) = αu + αv 和右分配律 (α+β)v = αv + βv，其中 u,v∈V，α, β 是标量。
单位元素：对于任何 v∈V，1v = v，其中 1 是数域的乘法单位元。

4. 线性组合、跨度和线性独立性

线性组合：线性空间中任意向量的线性组合还是该空间的向量。

如果有一组向量 {v1,v2,…,vn} 和一组标量 {α1,α2,…,αn}，则向量 α1v1+α2v2+⋯+αnvn 称为这些向量的一个线性组合。

跨度：一组向量的所有线性组合形成的集合，称为这组向量的跨度。

给定一个向量空间 V 和 V 中的一组向量 {v1,v2,…,vn}，这些向量的跨度是所有可能的线性组合α1v1 + α2v2 +⋯+ αnvn 形成的集合，其中 α1,α2,…,αn 是数域（比如实数或复数）中的标量。

线性独立（线性无关/相关）：如果一组向量的线性组合等于零向量仅当所有系数都为零时，这组向量被称为线性独立的；否则，它们是线性相关的。

一组向量 {v1,v2,…,vn} 被称为线性独立的，如果没有一组非全零标量 {α1,α2,…,αn} 使得 α1v1 + α2v2 +⋯+ αnvn = 0（可以理解为一组向量中的，没有任何一个向量可以表示为其它向量的线性组合，即构成的矩阵满秩时，则称这组向量线性无关）。如果一组向量不是线性独立的，则称这组向量是线性依赖的。（如果一组向量中至少有一个向量可以表示为其它向量的线性组合）

5. 子空间、基和维数

子空间：如果 V 的一个非空子集 W 自身满足线性空间的所有性质，则 W 是 V 的一个子空间。
基和维数：线性空间的一组基是其最小的生成集，即最小的能表示整个空间的线性独立向量集。基的向量数定义了线性空间的维数。

6. 核和像

对于线性变换 T: V→W，其核（Kernel）是映射到零向量的所有向量的集合，其像（Image）是所有可能输出的集合。

核（Kernel）

核，也称为零空间，是定义在线性映射 T: V→W 中的一个概念，其中 V 和 W 是向量空间，且它们可以是同一个空间或不同的空间。核是来自源空间 V 的所有向量的集合，这些向量通过映射 T 被送到目标空间 W 的零向量。形式上，核定义为：

其中 0W 表示 W 空间中的零向量。

像（Image）

像，也称为值域或范围，是线性映射 T: V→W 的另一个关键概念。它是所有可能的输出构成的集合，也就是通过映射 T 从源空间 V 到目标空间 W 的所有向量的集合。形式上，像定义为：

核与像的关系

核和像之间存在一个重要的关系，它是线性代数中的一个基本定理，称为秩-零化度定理（Rank-Nullity Theorem）：

这个定理说明了线性映射 T 从源空间 V 到目标空间 W 的作用方式，将 V 的维数分解为核的维数（零化度）和像的维数（秩）的和。

应用

在解线性方程组时，核给出了齐次方程组的解的结构。
在研究线性变换时，像提供了变换能够到达目标空间中哪些点的信息。

一些重要的性质

核和像是线性变换的基本性质，它们的维度加起来等于原始向量空间的维度。
核的维数（称为映射的零度或核的维数）提供了线性依赖性的信息：如果核仅包含零向量，则 T 是单射（Injective）。
像的维数（称为映射的秩或像的维数）提供了线性映射的 “覆盖” 能力的信息：如果像等于整个目标空间 W，则 T 是满射（Surjective）。
核和像是互补的，也就是说，它们的交集是零向量空间。这意味着，在给定的向量空间中，只要知道了一个线性变换的核和像，我们就可以完全描述它。
核和像也与线性变换的可逆性有关。一个线性变换是可逆的，当且仅当它的核是零向量空间，它的像是整个目标向量空间。

通俗理解

矩阵映射是将一个向量空间中的向量映射到另一个向量空间中的向量。在这种情况下，矩阵表示了这个映射，我们称之为线性变换。考虑一个线性变换 T，它将向量 x 映射到向量 y，用矩阵表示为 A，我们可以写成 y=Tx 或 y=Ax。

核是一个线性变换的一种特殊子集，它包括所有被映射到零向量的向量。具体来说，对于一个线性变换 T，它的核是一个向量空间，包括所有满足 T(x)=0 的 x。在矩阵表示中，核是由矩阵 A 的零空间所定义的，即 Ax=0 的所有 x 的集合。（即通过这个线性映射，将 x 映射为 0 的集合称为核）

像是一个线性变换的另一个特殊子集，它包括所有映射到的向量。具体来说，对于一个线性变换 T，它的像是一个向量空间，包括所有满足 y=T(x) 的 y。在矩阵表示中，像是由矩阵 A 的列空间所定义的，即所有可以表示为线性组合 Ax 的向量 y 的集合。

线性空间的维数、基与坐标

线性空间（向量空间）的维数、基与坐标是理解和应用线性代数中最核心的概念之一。它们为研究和描述向量空间提供了重要的工具。

维数 (Dimension)

维数是用来描述一个线性空间的“大小”或复杂度的。具体来说，一个线性空间的维数定义为其任一基中向量的数量。这意味着：

如果一个线性空间仅由一个零向量构成，则其维数为 0（零维空间）。
如果存在一组 n 个线性独立的向量，且这组向量的跨度等于整个空间，则该空间的维数为 n。
有限维空间的维数是一个固定的自然数。无限维空间的维数不是有限的自然数，它的维数可以是可数无穷或不可数无穷（有限维与无限维）。

基 (Basis)

基是线性空间中的一组向量，满足两个条件：线性独立和跨度等于整个空间。这意味着：

线性独立：基中的任何向量都不能表示为其他向量的线性组合。
跨度等于整个空间：空间中的任何向量都可以表示为基向量的线性组合（生成整个空间）。

基的概念是极其重要的，因为它为线性空间中的向量提供了一种“坐标表示”。一个向量空间可以有多个不同的基，但所有基都有相同数量的向量，即该空间的维数。

坐标 (Coordinates)

一旦选定了一个线性空间的基，空间中的每个向量都可以唯一地表示为基向量的线性组合。这组线性组合的系数称为该向量相对于所选基的坐标。坐标提供了一种量化向量的方法，将抽象的向量概念转化为具体的数值列表。

坐标变换：当改变基时，可以通过线性变换将向量在旧基下的坐标转换为在新基下的坐标。

举例

假设我们有一个二维向量空间 $\mathbb{R}^{2}$ ，一个可能的基是标准基 { (1,0), (0,1) }。这意味着任何 $\mathbb{R}^{2}$ 中的向量 (a,b) 都可以表示为 a(1,0)+b(0,1)。在这种情况下，a 和 b 就是向量 (a,b) 相对于标准基的坐标。

关键性质

唯一性：线性空间中的每个向量在给定的基下都有唯一的坐标表示。
维数定理：所有的基包含相同数量的向量，这个数量等于线性空间的维数。
坐标变换公式：存在明确的数学公式，用于在两组基之间转换向量坐标。
线性映射和坐标表示：线性映射（线性变换）在适当选取的基下可以用矩阵表示。该矩阵的列向量是原空间的基向量经过映射后在目标空间的基下的坐标。
维数公式：对于任何线性映射 T:V→W，如果 V 是有限维的，则有 dim( ker(T) )+dim( Im(T) ) = dim(V)，其中 dim( ker(T) ) 是核的维数，dim( Im(T) ) 是像的维数。

小结

维数告诉我们一个线性空间有多 “大” 或者说有多少个 “方向”。
基提供了一种方法来描述空间中的向量，使得每个向量都可以通过一组固定的向量（基向量）来表示。
坐标则是这种表示的具体表现，它把抽象的向量具体化为一组数值。

线性变换和线性映射

线性变换（或线性映射）是线性代数中的一个核心概念，描述了如何通过两个向量空间之间的一种特殊函数关系来转换向量。这种映射尊重向量空间中向量加法和标量乘法的结构。

定义

给定两个向量空间 V 和 W，它们都是在同一个数域 F 上，一个线性变换 T 是一个函数，T: V→W，满足以下两个条件对于所有 u,v∈V 和所有标量 c∈F：

加法保持：T(u+v)=T(u)+T(v)
标量乘法保持：T(cu)=cT(u)

如果一个函数满足上述两个条件，我们称它为线性的。

关键性质

线性映射的性质深刻影响了它们的行为和应用：

核（Kernel）：线性映射 T 的核是定义为所有被映射到目标空间零向量的向量集合，即 Ker(T) = {v∈V∣T(v)=0W}。核是原向量空间 V 的一个子空间。
像（Image）：线性映射 T 的像（或值域）是通过映射 T 可以达到的 W 中的所有点的集合，即 Im(T)={w∈W∣∃v∈V,T(v)=w}。像是目标向量空间 W 的一个子空间。
秩-零化度定理（Rank-Nullity Theorem）：对于线性映射 T:V→W，源空间 V 的维数等于核的维数加上像的维数，即 dim(V) = dim(Ker(T))+dim(Im(T))。
线性变换的矩阵表示：在选择了一组基之后，任何线性映射都可以通过一个矩阵表示。这个矩阵的列向量是源空间基向量在目标空间基下通过映射 T 的坐标。