我猜你不懂矩阵分析？？？机器人控制、SLAM先导知识 ——（1.2）线性映射

---

1.2、线性映射

1.2.1 线性映射与线性变换

设$V_1，V_2$是$\mathbb{F}$上的线性空间，$\sigma :V_1\to V_2$是映射。

• （保加性）$\sigma (e_1+e_2)=\sigma (e_1)+\sigma (e_2)$
• （保数乘性）$\sigma (e\cdot k)=\sigma (e)\cdot k$

则成$\sigma$是$V_1$到$V_2$的 线性映射。

若$V_1=V_2=V$，则称为$V$上的 线性变换。

若线性映射$\sigma :V_1\to V_2$是可逆映射（一一映射），则称作 线性同构。

---

①线性和非线性映射的例子

非线性映射例：
$$\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]\mapsto \left[\begin{array}{c}{x}_1+x_2\\ x_1{x}_2\end{array}\right]$$
原因：（线性映射是在一个空间内做加法或数乘，当映射到另一个空间时能够保持这两种性质仍成立）
$$\left[\begin{array}{c}1\\ 1\end{array}\right]+\left[\begin{array}{c}1\\ 1\end{array}\right]=\left[\begin{array}{c}2\\ 2\end{array}\right]$$

$$\left[\begin{array}{c}2\\ 1\end{array}\right]+\left[\begin{array}{c}2\\ 1\end{array}\right]\ne \left[\begin{array}{c}4\\ 4\end{array}\right]$$
故不是线性的。

---

②矩阵与标准线性空间之间的线性映射两事物的等同性

给定$A\in {\mathbb{F}}^{m\times n}$，通过右乘列向量，可决定线性映射
$${\mathbb{F}}^n\to {\mathbb{F}}^m$$$$x\mapsto y=Ax$$

如何通过映射造出满足该映射的矩阵呢？

就是上例中，如何用 $x\mapsto y$ 求出矩阵$A$呢？
$$\mathcal{A}(x)=\mathcal{A}({ϵ}_1{x}_1)+\mathcal{A}({ϵ}_2{x}_2)+\cdots +\mathcal{A}({ϵ}_n{x}_n)$$这是${\mathbb{F}}^n$的映射KaTeX parse error: Undefined control sequence: \mathcjuzhenbiaosal at position 2: =\̲m̲a̲t̲h̲c̲j̲u̲z̲h̲e̲n̲b̲i̲a̲o̲s̲a̲l̲ ̲A(\epsilon_1)·x…$$=\left[\begin{array}{cccc}\mathcal{A}({ϵ}_1)& \mathcal{A}({ϵ}_2)& \dots & \mathcal{A}({ϵ}_n)\end{array}\right]x$$$$=Ax$$

---

1.2.2 线性映射的矩阵表示

给定线性映射$\mathcal{A}:V\to W$，$dim(V)=n$，$dim(W)=m$。
选取$V$的基，${ϵ}_1,{ϵ}_2,\dots ,{ϵ}_n$，称作入口基；$W$的基，$y_1,y_2,\dots ,y_m$，那就是出口基。

记第$j$个入口基向量${ϵ}_j$的像$A({ϵ}_j)$在出口基下的坐标为$\left[\begin{array}{c}{a}_{1j}\\ a_{2j}\\ ⋮\\ a_{mj}\end{array}\right]$

即$$\mathcal{A}({ϵ}_j)=\left[\begin{array}{cccc}{y}_1& y_2& \dots & y_m\end{array}\right]\left[\begin{array}{c}{a}_{1j}\\ a_{2j}\\ ⋮\\ a_{mj}\end{array}\right]$$

从这里可以看出$ϵ$的第$j$项的矩阵表示就是，整个$V\to W$矩阵表示的第$j$列。

那么将$j$从$0\to n$时就会拼成一个矩阵，这就是矩阵表示。入口基向量的项就跑到出口基空间里面去了。该矩阵的第$j$列是第