04、矩阵乘法与线性变换复合
本节还是讨论上一节矩阵变换和矩阵乘法的关系。假设第一次进行旋转变换,第二次进行剪切变换,实际就是下面的矩阵乘法:
(首先变换的一定在右,矩阵是左乘的!)
,就像函数式的写法一样。因为变换顺序不一样,结果是不同的,所以顺序不能变。
所以,矩阵乘法的公式是这样的:
所以,矩阵乘法的结合律,是非常清楚地,因为是从右往左,所以括号并没有改变顺序
但是,实际还有问题没有搞得很清楚。重新回顾一下全部内容:
1、标准坐标轴都是正交坐标轴,也即是基向量是 [ 1 0 0 1 ] \left[ \begin{matrix}1&0 \\0&1\end{matrix} \right] [1001],所有变换都是为了在这个坐标上表示向量。
2、所有与基向量线性相关的向量,都可以看作是由基向量缩放而来, [ x 0 ] = x ∗ i : [ 1 0 ] \left[ \begin{matrix}x \\ 0 \end{matrix} \right]=x*i:\left[ \begin{matrix}1 \\ 0 \end{matrix} \right] [x0]=x∗i:[10]
3、那么向量就是,他对当前基向量的倍数的记录,例如 [ x y ] \left[ \begin{matrix}x \\ y \end{matrix} \right] [xy],x就是对i的记录,y就是对j的记录: x [ 1 0 ] + y [ 0 1 ] x\left[ \begin{matrix}1 \\ 0\end{matrix} \right]+y\left[\begin{matrix}0 \\ 1 \end{matrix} \right] x[10]+y[01]。
4、在变换后的坐标轴 [ a b c d ] \left[ \begin{matrix}a&b \\c&d \end{matrix} \right] [acbd]中的向量 [ x y ] \left[ \begin{matrix}x \\ y \end{matrix} \right] [xy],在 [ 1 0 0 1 ] \left[ \begin{matrix}1&0 \\0&1\end{matrix} \right] [1001]坐标轴的表示就是 [ a x b y c x d y ] \left[ \begin{matrix}ax&by \\cx&dy \end{matrix} \right] [axcxbydy]。就是 [ x y ] \left[ \begin{matrix}x \\ y \end{matrix} \right] [xy]进行 [ a b c d ] \left[ \begin{matrix}a&b \\c&d \end{matrix} \right] [acbd]变换。
5、那么连续变换,其实也是基向量连续变换而已。
05、 行列式
行列式就是变换后矩阵的基向量组成的面积。几何证明如下:
但是行列式是有正负之分的,负值表示,基向量的被反转了,原来i在j右边,如果改变了,就是负值,三维同理。
三维矩阵的行列式是其六面体的体积:
最后的小问题,如下:
因为矩阵面积都是对于1的(i,j的面积为1)放大或缩小,所以,两次变换后的面积,跟两次的面积乘积当然一样了。
06、逆矩阵、列空间与零空间
本节只是直观的介绍概念
逆矩阵
就是矩阵变换的逆操作。就是把矩阵变回
[
1
0
0
1
]
\left[ \begin{matrix}1&0 \\0&1\end{matrix} \right]
[1001](条件是矩阵行列式不为0,0不能逆操作)
他的一个用处是解线性方程,下图左侧是线性方程,右侧是写成矩阵形式,两边都乘以逆矩阵就得到解。
当行列式为0,依然存在解,三维的情况,要求更高。
秩
,变换后空间的维数,例如三维矩阵最大可以是三维空间,这时候就是满秩
。
列空间
,矩阵每一列就是一个向量,是对基向量的变换,列空间就是这些基向量张成的空间。那么秩就是列空间的维数。
零向量
[
0
0
]
\left[ \begin{matrix}0 \\0\end{matrix} \right]
[00]一定会在列空间,因为变换要求零点不变。而且满秩变换只有零向量落在原点,但是不满秩的话,就会有很多其他
向量压缩到零向量。
零空间/核
,矩阵在变换后落在原点的向量的集合。对线性方程组,当向量V为零,零空间就是他的可能解。