矩阵分析——线性空间与线性映射（五）

最新推荐文章于 2024-02-03 21:47:38 发布

-重启-

最新推荐文章于 2024-02-03 21:47:38 发布

阅读量1.6k

点赞数

分类专栏：矩阵分析文章标签：机器学习人工智能算法图像处理深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_39805077/article/details/112676540

版权

本文探讨了矩阵分析中的线性空间与线性映射概念，解释了如何从矩阵构造线性映射以及如何通过线性映射构建矩阵。讨论了线性映射的矩阵表示的不唯一性，并举例说明了微分算子的矩阵表示。同时，介绍了旋转变换和镜面反射的矩阵表示，强调了建立坐标系的重要性。

摘要由CSDN通过智能技术生成

矩阵分析——线性空间与线性映射（五）

哈工大严老师矩阵分析笔记

矩阵与标准线性空间之间的线性映射，两事物的等同性(矩阵这个具体的事物和映射这个抽象的事物，通过以下例子验证它是等同的从矩阵出发造一个映射)

给定矩阵 $A\in F^{m\times n}$ ，通过右乘到向量可决定线性映射

A: $F^{n}\rightarrow F^{m}$

$x \mapsto y= Ax$

问题：反之？给到A造一个映射，给到映射能不能造一个A呢？

记 $F^{n}$ 的标准基： $\varepsilon _{1},\varepsilon _{2}....\varepsilon _{n}$ 造矩阵。 $F^{n}\rightarrow F^{m}$ 的映射

$x\in F^{n}$ 沿着标准基展开 x=[ $\varepsilon _{1},\varepsilon _{2}....\varepsilon _{n}$ ]x $= \varepsilon _{1}x_{1}+\varepsilon _{2}x_{2}+....\varepsilon _{n}x_{n}$ (这个加是Fn域中的加)

定义：线性映射的矩阵表示

给定线性映射： A: $V\rightarrow W$

V是n维的 W是m维的

选取V的基 $\varepsilon _{1},\varepsilon _{2}....\varepsilon _{n}$ （入口基） W的基

最低0.47元/天解锁文章

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。