MIT_线性代数笔记：第 30 讲 线性变换及对应矩阵

线性变换 Linear transformations

本讲介绍线性变换。在传统的线代课程中，线性变换会出现在的比矩阵还要早的位置，实际上可以在脱离坐标和具体数值的情况下讨论线性变换。但是面对科学计算的课题，还是要回到坐标上来。每个线性变换都对应于一个矩阵，矩阵概念的背后就是线性变换的概念。

举例

例：投影 Projection

抛开矩阵，从线性变换的概念来讨论“投影”。通过线性变换使得平面内的一个向量变为平面内的另一个向量，这种变换关系通常称之为“映射”（mapping）。
$$T:R^2\to R^2$$

T(v)就像一个函数，给一个输入，进行线性变换后得到一个输出。比如将二维平面的向量投影到一条直线上。
线性代数只讨论线性变换，而线性变换符合如下规则：对于任意向量 v，w 和标量 c，T(v+w)=T(v)+T(w)；T(cv)=cT(v)
将两者结合就得到：T(cv+dw)=cT(v)+dT(w)。

反例：平面平移 Shift whole plane

沿着某方向 v0平移一个平面。这就不是一个线性变换。两条法则都违反。更简单的验证方法是线性运算规则的特例 T(0)=0，“平移”不符合这个规则特例。

反例：求长度 $T(v)=\Vert \begin{array}{c}V\end{array}\Vert$

这个线性变换，输入一个三维向量，得到一个数值，或者说一维向量 $T：R^3\to R^1$。这个变换可以满足 T(0)=0，但是数乘负数就不符合规则。

例：旋转 45 度 $Rotationby45^o$

例：矩阵

T(v)=Av，矩阵乘法是一个线性变换。A(v+w)=A(v)+A(w)；A(cv)=cA(v)。整个平面可以通过矩阵的乘法完成变换。
例如，对上图的房子图像施加矩阵 $A=\left[\begin{array}{cc}1& 0\\ 0& -1\end{array}\right]$ ，则输出的是上下颠倒的房子。
理解线性变换的本质就是确定它背后的矩阵。
例： 对某一线性变换 $T：R^3\to R^2$，输入一个三维向量而输出是一个二维向量。变成矩阵的形式 T(v)=Av，则矩阵 A 是一个 2 X 3 矩阵。

描述线性变换 Describing T(v)

在平面内，如果我们已经了解两个线性无关的向量 v1 和 v2 经过线性变换的结果 T(v1)和 T(v2)，我们实际上可以通过其线性组合，了解平面内所有的向量线性变换的结果。因此如果我们想了解线性变换对整个输入空间的影响，只需要确定它的一组基 v1，v2……vn线性变换的结果。
$$\begin{gathered} v=c_1{v}_1+c_2{v}_2+\dots \dots +c_n{v}_n \\ T(v)=c_{} \end{gathered}$$