【3D数学】03 - 线性变换

1. 线性变换

线性变换不等同于矩阵，矩阵只是某种线性变换的一种显示的数学表达方式，而且某种确定的线性变换在不同的坐标系中，描述该线性变换的矩阵也不相同。

实际上，如果不在 源空间（source） 和 目标空间（target） 中选取一组基的话，一个抽象的线性变换理论上是没有矩阵的。

当然，平时常常会默认以 单位空间 $\mathbf{I}$ 作为基来进行表示。

2. 对向量的线性变换

设图中绿色向量为基向量 $\hat{i}=\left[\begin{array}{c}1\\ 0\end{array}\right]$ ，红色向量为基向量 $\hat{j}=\left[\begin{array}{c}0\\ 1\end{array}\right]$ ；

在经过某种线性变换 $\mathbf{T}$ 之后，跟踪 $\hat{i}$ 和 $\hat{j}$ 的变化，可以发现变化为了 $\widehat{i^{\prime }}=\left[\begin{array}{c}3\\ 1\end{array}\right]$ 和 $\widehat{j^{\prime }}=\left[\begin{array}{c}1\\ 2\end{array}\right]$ ；

而原空间中向量 $\vec{r}=\left[\begin{array}{c}-1\\ 2\end{array}\right]$ 跟着空间发生的线性变化一同发生了变化，其中的分量没有发生改变，在新坐标系 $\left[\begin{array}{c}\begin{array}{cc}3& 1\\ 1& 2\end{array}\end{array}\right]$ 中依然为 $\overrightarrow{r_1}=\left[\begin{array}{c}-1\\ 2\end{array}\right]$ ；

然而该向量实际上已经变化为 $\overrightarrow{r^{\prime }}=\left[\begin{array}{c}-1\\ 3\end{array}\right]$ .

即发生了如下的线性变换：

$$\vec{r}\stackrel{\mathbf{T}}{\mapsto }\overrightarrow{r^{\prime }}$$

计算式如下：

$$\overrightarrow{r^{\prime }}=\left[\begin{array}{c}\begin{array}{cc}3& 1\\ 1& 2\end{array}\end{array}\right]\left[\begin{array}{c}-1\\ 2\end{array}\right]=\left[\begin{array}{c}-1\\ 3\end{array}\right]$$

3. 对向量空间的线性变换

就像在张量中的示例一样，我们可以通过一组基向量来观察该空间发生了怎样的线性变换，同时可以获得一个 变换矩阵 ；

但是，正如前面提到的，矩阵不等价于线性变换，矩阵只是某种线性变换的一种显示的数学表达方式，他是基于某个坐标系的，就像描述小方格的变化的前提是需要有一个小方格，脱离了这个观察基准就没法构建。

$$\left[\begin{array}{c}\begin{array}{cc}1& 0\\ 0& 1\end{array}\end{array}\right]\stackrel{\mathbf{T}}{\mapsto }\left[\begin{array}{c}\begin{array}{cc}3& 1\\ 1& 2\end{array}\end{array}\right]$$

显然，其中：

$$\mathbf{T}=\left[\begin{array}{c}\begin{array}{cc}3& 1\\ 1& 2\end{array}\end{array}\right]$$

3.1 线性变换矩阵的快速构建

巧妙利用以下性质：

首先，不妨将 源空间 设置为 单位空间

$$\mathbf{I}=\left[\begin{array}{c}\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\end{array}\right]$$

经过期望的变换后，其生成的 目的空间矩阵 在数学上跟 变换矩阵 是同一个矩阵：
$${\mathbf{M}}_1\mathbf{I}=\mathbf{F}$$
显然，其中：
$${\mathbf{M}}_1=\mathbf{F}$$

那么可以使用以下方法，去根据某个期望的变换，快速构建出对应的变换矩阵：

• 不妨跟踪 单位空间 $\mathbf{I}$ 的三个标准基向量，计算其在经过某个 期望的变换 后所得的新的三个基向量；
• 这三个新的基向量组成的向量空间即为 目的空间矩阵 $\mathbf{F}$ ；
• 此时， 由于 目的空间矩阵 $\mathbf{F}$ 即是 变换矩阵 ${\mathbf{M}}_1$ ，那么其中的每一列，都能解释为 单位空间 $\mathbf{I}$ 的三个标准基向量在变换后对应的基向量；
• 由于 源空间 设置的是 单位空间 $\mathbf{I}$ ，这一过程是非常简单的；
• 用变换后的三个基向量组成一个 目的空间矩阵 $\mathbf{F}$ ，那么即可获得对应的 变换矩阵 ${\mathbf{M}}_1$ 。

NOTE:

• 要严格同时注意基向量的长度和方向 不可随意变化，其中方向包含了类旋转变换的相关信息，长度包含了类缩放变换的相关信息，（该处提到的旋转和缩放不是严格意义上的旋转和缩放）。
  换言之，不可随意对目的空间的基向量进行标准化，因为这样虽然方向没有变化，但是长度发生了改变。
   
• 虽然该处是在用向量表示坐标轴，而坐标轴本身的长度信息又是无意义的，理论上确实可以对描述坐标轴的向量进行单位化（即长度可以随意变化，同时不会影响其对向量空间的表示），但是该处构建线性变换矩阵时，实际上不是对坐标轴变换，而是对三条 基向量 进行变换，是需要保存其中的长度信息的。

3.2 线性变换的逆变换

// TODO

3.3 物体变换与坐标系变换

• 物体变换：坐标系不变，对物体本身进行变换；即对组成物体的各个元素（点，线）使用矩阵进行变换
  $$\overrightarrow{r^{\prime }}=\mathbf{M}\vec{r}$$
• 坐标系变换：物体不变，对坐标系进行变换；此时物体虽然没有进行变换，但是由于对其进行线性表示的坐标系变换了，所以其分量也会跟着发生变化，这时可以求出某向量
  $$\overrightarrow{r_1}={\mathbf{F}}_1^{\mathbf{T}}\vec{r}$$

3.4 逆变换与坐标轴变换的区别

// TODO

4. 特征

4.1 基变换和相似

已知对于某个确定的线性变换 $\mathbf{T}$ ，某个线性变换矩阵，是依赖于其所在的坐标系，坐标系变化时，对应的变换矩阵也会跟着变化，换句话说，前后两种变换矩阵，仅仅只是坐标系不同。

• 在基向量组 ${\mathbf{M}}_{\mathbf{a}}=\left(\begin{array}{ccc}\overrightarrow{v_1}& \overrightarrow{v_2}& \overrightarrow{v_3}\end{array}\right)$ ，对应的变换矩阵为 $\mathbf{A}$
• 在基向量组 ${\mathbf{M}}_{\mathbf{b}}=\left(\begin{array}{ccc}\overrightarrow{w_1}& \overrightarrow{w_2}& \overrightarrow{w_3}\end{array}\right)$ ，对应的变换矩阵为 $\mathbf{B}$

那么我们可以说，$\mathbf{A}$ 和 $\mathbf{B}$ 这两个变换矩阵是相似的，即 $\mathbf{A}\sim \mathbf{B}$ ，教材中经常会给出形如这样的一个等式：

$$\mathbf{B}={\mathbf{M}}^{-1}\mathbf{A}\mathbf{M}$$

其中的 $\mathbf{M}$ 就是 基变换矩阵

甚至，我们可以基于线性变换矩阵 $\mathbf{T}$ 写出这样的等式：

$$\begin{array}{rl}& \mathbf{A}={\mathbf{M}}_{\mathbf{a}}^{-1}\mathbf{T}{\mathbf{M}}_{\mathbf{a}}\\ & \mathbf{B}={\mathbf{M}}_{\mathbf{b}}^{-1}\mathbf{T}{\mathbf{M}}_{\mathbf{b}}\end{array}$$

当然，这其中是存在传递性的，$\mathbf{A}$ 和 $\mathbf{B}$ 依然相似：
$$\mathbf{B}=({\mathbf{M}}_{\mathbf{b}}^{-1}{\mathbf{M}}_{\mathbf{a}})\mathbf{A}({\mathbf{M}}_{\mathbf{a}}^{-1}{\mathbf{M}}_{\mathbf{b}})$$

几何意义：

• 以 $\mathbf{A}={\mathbf{M}}_{\mathbf{a}}^{-1}\mathbf{T}{\mathbf{M}}_{\mathbf{a}}$ 为例，将变换 $\mathbf{A}$ 作用于某个向量 $\overrightarrow{r_a}$；
• 其中向量 $\overrightarrow{r_a}$ 是向量 $\vec{r}$ 在向量空间 ${\mathbf{M}}_{\mathbf{a}}$ 中的线性表示：
• 那么下面对等式 $\overrightarrow{r_a^{\prime }}={\mathbf{M}}_{\mathbf{a}}^{-1}\mathbf{T}{\mathbf{M}}_{\mathbf{a}}\overrightarrow{r_a}$ 进行分析：

$$\overrightarrow{r_a}\stackrel{{\mathbf{M}}_{\mathbf{a}}}{\mapsto }\vec{r}\stackrel{\mathbf{T}}{\mapsto }\overrightarrow{r^{\prime }}\stackrel{{\mathbf{M}}_{\mathbf{a}}^{-1}}{\mapsto }\overrightarrow{r_a^{\prime }}$$

当然，这一过程等价于：
$$\overrightarrow{r_a}\stackrel{\mathbf{A}}{\mapsto }\overrightarrow{r_a^{\prime }}$$

4.2 特征向量和特征值

对于某个线性变换 $\mathbf{A}$ 来说，会存在若干个向量，当向量空间在进行 $\mathbf{A}$ 变换时，会沿着这些向量的方向进行缩放的操作，那么，这些向量就称为变换矩阵 $\mathbf{A}$ 的 特征向量 $\overrightarrow{v_i}$ ，其缩放的数值即为 特征值 ${\lambda }_i$ ，显然，也就有以下等式：
$$\mathbf{A}\overrightarrow{v_i}={\lambda }_i\overrightarrow{v_i}$$

同时也有以下说法

• 向量 $\overrightarrow{v_i}$ 通过 $\mathbf{A}$ 的变换，幅值变化了 ${\lambda }_i$ 倍，方向未发生变化；
• 存在向量 $\overrightarrow{v_i}$ ，其在坐标系 $\mathbf{A}$ 中的投影，方向和 $\overrightarrow{v_i}$ 相同，幅值变化了 ${\lambda }_i$ 倍。

几何意义：
姑且设以下条件：

• 线性变换 $\mathbf{A}$ 的特征向量为 $\overrightarrow{v_1}$ ， $\overrightarrow{v_2}$ ， $\overrightarrow{v_3}$ ；
• 将这组特征向量构成一个矩阵 $\mathbf{Q}=\left(\begin{array}{ccc}\overrightarrow{v_1}& \overrightarrow{v_2}& \overrightarrow{v_3}\end{array}\right)$ ；
• 将这组特征值构成一个对角矩阵：
  $$\mathbf{\Lambda }=\left[\begin{array}{ccc}{\lambda }_1& 0& 0\\ 0& {\lambda }_2& 0\\ 0& 0& {\lambda }_3\end{array}\right]$$
• 设某个向量 $\vec{r}$ 在向量空间 $\mathbf{Q}$ 构成的坐标系中的线性表示为 $\overrightarrow{r_q}$

下面是对于等式 $\mathbf{A}\vec{r}=\mathbf{Q}\mathbf{\Lambda }{\mathbf{Q}}^{-1}\vec{r}$ 的分析：
$$\vec{r}\stackrel{{\mathbf{Q}}^{-1}}{\mapsto }\overrightarrow{r_q}\stackrel{\mathbf{\Lambda }}{\mapsto }\overrightarrow{r_q^{\prime }}\stackrel{\mathbf{Q}}{\mapsto }\overrightarrow{r^{\prime }}$$

同时，我们知道线性变换 $\mathbf{A}$ 的行列式即是向量空间在经过该变换后“体积”缩放的数值，同时，特征值不同的特征向量之间是 线性无关 的，那么很容易得到这个“体积”缩放的数值即为空间沿着各个特征向量方向缩放数值的总乘积，即特征值的总乘积：

$$\det (\mathbf{A})={\lambda }_1{\lambda }_2{\lambda }_3$$

5. 使用复数表示线性变换

5.1 乘法群中的线性变换

可知，正如可以用某个实数 $a$ 表示一个轴，复数 $w=a+bi$ 可以表示一个二维平面。

设图中的变换为 $\mathbf{T}$ ，可知发生了如下映射：

$$(z=1+0i)\stackrel{\mathbf{T}}{\mapsto }(z^{\prime }=2+3i)$$

正如在矩阵变换中，我们倾向于将矩阵乘法单位元，即 单位矩阵 $\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$ 作为变换的 源矩阵 ，来对变换进行描述，这样 目的矩阵 即为 变换矩阵 ，非常方便。

这里我们也不妨将复数运算的乘法单位元，即复数 $z=1+0i$ 作为 源复数 来对变换进行描述，显然，经过变换后，映射出的 目的复数 为 $z^{\prime }=2+3i$ ，那么该变换用复数描述的话即为 $(2+3i)$ .

$$(z=1+0i)\stackrel{\mathbf{T}=(2+3i)}{\mapsto }(z^{\prime }=2+3i)$$

用算术表示：

$$z^{\prime }=T\cdot z=(2+3i)(1+0i)=2+3i$$

那么对于处在该空间的任意的某个复数，这里取 $w=1-1i$ ，经变换后为 $w^{\prime }=5+1i$ ，即：

$$(w=1-1i)\stackrel{\mathbf{T}=(2+3i)}{\mapsto }(w^{\prime }=5+1i)$$

用算术表示：

$$w^{\prime }=T\cdot w=(2+3i)(1-1i)=5+1i$$

NOTE ：复数运算满足乘法的分配律，其中 $i^2=-1$

5.2 复数的几何意义

一个复数变换 $t=a+bi$ ，可以看做是 缩放变换 和 旋转变换 的一种复合变换。
 

• 缩放变换 ：缩放变换中进行缩放的系数为 $\sqrt{a^2+b^2}$
   
• 旋转变换 ：旋转变换中进行旋转的角度为 $\arctan \frac{b}{a}$

---

参考资料

• 网易公开课_线性代数
  http://open.163.com/newview/movie/free?pid=M6V0BQC4M&mid=M6V2BA04Q

• 【官方双语】欧拉公式与初等群论
  https://www.bilibili.com/video/av11339177?spm_id_from=333.788.b_765f64657363.1