文章目录
1.2、线性映射
1.2.1 线性映射与线性变换
设 V 1 , V 2 V_1,V_2 V1,V2是 F \Bbb F F上的线性空间, σ : V 1 → V 2 \sigma:V_1\to V_2 σ:V1→V2是映射。
- (保加性) σ ( e 1 + e 2 ) = σ ( e 1 ) + σ ( e 2 ) \sigma(e_1+e_2)=\sigma(e_1)+\sigma(e_2) σ(e1+e2)=σ(e1)+σ(e2)
- (保数乘性) σ ( e ⋅ k ) = σ ( e ) ⋅ k \sigma(e·k)=\sigma(e)·k σ(e⋅k)=σ(e)⋅k
则成 σ \sigma σ是 V 1 V_1 V1到 V 2 V_2 V2的 线性映射。
若 V 1 = V 2 = V V_1=V_2=V V1=V2=V,则称为 V V V上的 线性变换。
若线性映射 σ : V 1 → V 2 \sigma:V_1 \to V_2 σ:V1→V2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:
[ x 1 x 2 ] ↦ [ x 1 + x 2 x 1 x 2 ] \begin{bmatrix}x_1\\x_2\end{bmatrix}\mapsto\begin{bmatrix}x_1+x_2\\x_1x_2\end{bmatrix} [x1x2]↦[x1+x2x1x2]
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)
[ 1 1 ] + [ 1 1 ] = [ 2 2 ] \begin{bmatrix}1\\1\end{bmatrix}+\begin{bmatrix}1\\1\end{bmatrix}=\begin{bmatrix}2\\2\end{bmatrix} [11]+[11]=[22]
[ 2 1 ] + [ 2 1 ] ≠ [ 4 4 ] \begin{bmatrix}2\\1\end{bmatrix}+\begin{bmatrix}2\\1\end{bmatrix}≠\begin{bmatrix}4\\4\end{bmatrix} [21]+[21]=[44]
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 ∈ F m × n A \in \Bbb F^{m×n} A∈Fm×n,通过右乘列向量,可决定线性映射
F n → F m \Bbb F^n \to \Bbb F^m Fn→Fm x ↦ y = A x x\mapsto y=Ax x↦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 ↦ y x \mapsto y x↦y 求出矩阵 A A A呢?
A ( x ) = A ( ϵ 1 x 1 ) + A ( ϵ 2 x 2 ) + ⋯ + A ( ϵ n x n ) \mathcal A(x)=\mathcal A(\epsilon_1x_1)+\mathcal A(\epsilon_2x_2)+\dots+\mathcal A(\epsilon_nx_n) A(x)=A(ϵ1x1)+A(ϵ2x2)+⋯+A(ϵnxn)这是 F n \Bbb F^n Fn的映射KaTeX parse error: Undefined control sequence: \mathcjuzhenbiaosal at position 2: =\̲m̲a̲t̲h̲c̲j̲u̲z̲h̲e̲n̲b̲i̲a̲o̲s̲a̲l̲ ̲A(\epsilon_1)·x… = [ A ( ϵ 1 ) A ( ϵ 2 ) … A ( ϵ n ) ] x =\begin{bmatrix}\mathcal A(\epsilon_1)&\mathcal A(\epsilon_2)&\dots&\mathcal A(\epsilon_n)\end{bmatrix}x =[A(ϵ1)A(ϵ2)…A(ϵn)]x = A x =Ax =Ax
1.2.2 线性映射的矩阵表示
给定线性映射 A : V → W \mathcal A:V\to W A:V→W, d i m ( V ) = n dim(V)=n dim(V)=n, d i m ( W ) = m dim(W)=m dim(W)=m。
选取 V V V的基, ϵ 1 , ϵ 2 , … , ϵ n \epsilon_1,\epsilon_2,\dots,\epsilon_n ϵ1,ϵ2,…,ϵn,称作入口基; W W W的基, y 1 , y 2 , … , y m y_1,y_2,\dots,y_m y1,y2,…,ym,那就是出口基。
记第 j j j个入口基向量 ϵ j \epsilon_j ϵj的像 A ( ϵ j ) A(\epsilon_j) A(ϵj)在出口基下的坐标为 [ a 1 j a 2 j ⋮ a m j ] \begin{bmatrix}a_{1j}\\a_{2j}\\\vdots\\a_{mj}\end{bmatrix} ⎣⎢⎢⎢⎡a1ja2j⋮amj⎦⎥⎥⎥⎤
即 A ( ϵ j ) = [ y 1 y 2 … y m ] [ a 1 j a 2 j ⋮ a m j ] \mathcal A(\epsilon_j)=\begin{bmatrix}y_1&y_2&\dots&y_m\end{bmatrix}\begin{bmatrix}a_{1j}\\a_{2j}\\\vdots\\a_{mj}\end{bmatrix} A(ϵj)=[y1y2…ym]⎣⎢⎢⎢⎡a1ja2j⋮amj⎦⎥⎥⎥⎤
从这里可以看出 ϵ \epsilon ϵ的第 j j j项的矩阵表示就是,整个 V → W V\to W V→W矩阵表示的第 j j j列。
那么将 j j j从 0 → n 0\to n 0→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 j j列是第