一次函数不一定是线性函数

在线性代数中，线性函数（Linear Function）特指满足严格线性性质的映射，其定义和性质与初等数学中的“一次函数”有显著区别。以下是线性代数视角下线性函数的核心性质：

一、线性函数的定义

设 $V$ 和 $W$ 是同一数域 $\mathbb{F}$ 上的向量空间，函数 $f:V\to W$ 称为线性函数（或线性变换），当且仅当对任意 $\mathbf{u},\mathbf{v}\in V$ 和 $k\in \mathbb{F}$，满足：

1. 叠加性：$f(\mathbf{u}+\mathbf{v})=f(\mathbf{u})+f(\mathbf{v})$
2. 齐次性：$f(k\mathbf{u})=kf(\mathbf{u})$

关键特征：

• 必须满足 $f(0)=0$（原点保持）。
• 形如 $f(\mathbf{x})=A\mathbf{x}$（矩阵乘法），其中 $A$ 是 $m\times n$ 矩阵（当 $V={\mathbb{F}}^n$, $W={\mathbb{F}}^m$ 时）。

二、核心性质

1. 保持线性组合

对任意向量 ${\mathbf{u}}_1,{\mathbf{u}}_2,\dots ,{\mathbf{u}}_k\in V$ 和标量 $c_1,c_2,\dots ,c_k\in \mathbb{F}$，有：
$$f\left(\sum _{i=1}^k{c}_i{\mathbf{u}}_i\right)=\sum _{i=1}^k{c}_{i}f({\mathbf{u}}_i).$$
意义：线性函数将输入的线性组合映射为输出的线性组合，这是线性代数的基石。

2. 矩阵表示

• 在有限维空间中，线性函数 $f:{\mathbb{F}}^n\to {\mathbb{F}}^m$ 唯一对应一个 $m\times n$ 矩阵 $A$，使得 $f(\mathbf{x})=A\mathbf{x}$。
• 不同基底下的矩阵通过相似变换关联，但其秩、行列式等性质保持不变。

3. 核与像

• 核（Kernel）： ker ⁡ ( f ) = { x ∈ V ∣ f ( x ) = 0 } \ker(f) = \{ \mathbf{x} \in V \mid f(\mathbf{x}) = \mathbf{0} \} ker(f)={x∈V∣f(x)=0}，是 $V$ 的子空间。
• 像（Image）： Im ( f ) = { f ( x ) ∣ x ∈ V } \text{Im}(f) = \{ f(\mathbf{x}) \mid \mathbf{x} \in V \} Im(f)={f(x)∣x∈V}，是 $W$ 的子空间。
• 秩-零度定理：$\dim (\ker (f))+\dim (\text{Im}(f))=\dim (V)$。

4. 可逆性

• 若 $f$ 是双射（单射且满射），则存在逆变换 $f^{-1}:W\to V$，且 $f^{-1}$ 也是线性函数。
• 可逆的充要条件是 ker ⁡ ( f ) = { 0 } \ker(f) = \{ \mathbf{0} \} ker(f)={0} 且 $\text{Im}(f)=W$。

5. 运算性质

• 加法：若 $f,g:V\to W$ 是线性函数，则 $(f+g)(\mathbf{x})=f(\mathbf{x})+g(\mathbf{x})$ 也是线性函数。
• 数乘：若 $c\in \mathbb{F}$，则 $(cf)(\mathbf{x})=cf(\mathbf{x})$ 是线性函数。
• 复合：若 $f:V\to W$ 和 $g:W\to U$ 是线性函数，则 $g\circ f:V\to U$ 也是线性函数，对应矩阵乘积 $BA$。

三、与仿射函数的对比

在初等数学中，“线性函数”通常指一次函数 $f(x)=kx+b$，但在线性代数中：

• 线性函数：必须满足 $f(0)=0$，即 $b=0$（如 $f(x)=kx$）。
• 仿射函数：形如 $f(\mathbf{x})=A\mathbf{x}+\mathbf{b}$（$\mathbf{b}\ne 0$），不满足齐次性，因此不是线性变换。

四、应用场景

1. 几何变换：旋转、缩放、投影等操作均可通过线性变换实现。
2. 解线性方程组：将方程组 $A\mathbf{x}=\mathbf{b}$ 视为线性变换 $f(\mathbf{x})=A\mathbf{x}$ 的像问题。
3. 特征值分解：分析线性变换在特定方向上的伸缩行为（如主成分分析 PCA）。
4. 量子力学：量子态的演化由线性算符描述。

五、典型例子

1. 投影变换：$f(\mathbf{x})=P\mathbf{x}$，其中 $P$ 是投影矩阵。
2. 旋转矩阵：二维旋转 $f(\mathbf{x})=\left(\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right)\mathbf{x}$。
3. 导数算子：在多项式空间中，$f(p(x))=p^{\prime }(x)$ 是线性变换。

六、总结

线性代数中的线性函数是保持向量空间结构的映射，其核心在于保持线性组合和矩阵表示。与初等数学中的“线性函数”不同，这里严格排除了常数项，专注于线性变换的代数性质和几何意义。这一概念是线性代数的核心工具，广泛应用于工程、物理、计算机科学等领域。