概要
思考任何问题,从定义出发,无论还要不要从其他角度,第一角度永远是定义。
第二、三角度:空间几何角度(旋转、平移...)、方程组(解)的角度
本文为经过网上资料学习和个人思考得出的结论,如有不对,欢迎指正!
1 特征值和特征向量的意义
(1)首先,相关公式是:Ax=λx,λ是常数,x和A是矩阵,x称为矩阵A关于特征值λ的特征向量。
(2)其次,从几何角度看,矩阵A和常数λ在与x矩阵相乘的时候所起到的作用是一致的,即改变x的大小,有可能使x反向,但x操作前后始终在一条直线上,也就是x仅仅被拉伸或收缩了。特征向量的意义可以结合计算机图形学中所学,如果旋转一个物体,那么旋转轴刚好可以用特征向量来表征。
(3)最后,特征值和特征向量之间的关系:特征值:特征向量=1:n(1对多)。
因为当特征向量x固定后,λ可通过Ax=λx求出唯一解,当λ固定后,x仍然无法被唯一确定。
2 线性相关与线性无关
(1)首先,基础定义是:存在非零向量c,使得矩阵b有bc=0,那么b是线性相关的,否则b是线性无关的。
(2)其次,从线性方程组角度观察,若有这样方程:Ax=0,且A是由线性无关的列向量构成,则x只有唯一零解。
(3)还可以从行列式角度来观察,有这样规律:线性无关矢量组成的矩阵的行列式不为零;线性相关矢量组成的矩阵的行列式必为零。
3 行列式意义
对于二维来说,行列式代表的就是面积变化,三维来说,行列式表征的就是体积变化了,推之高维空间亦然。总地来说,行列式体现了向量所围成的密闭空间的容量变化。
4 逆矩阵意义
可逆->逆矩阵->逆变化(依据逆矩阵)。如果一个n阶矩阵的行列式为零(秩<n),代表使用这个矩阵对目标矩阵进行变换将对目标进行降维(降秩)(比如从平面变成点)。然后我们可以想象,一个物体维度一旦下降(比如从平面变成点),这个过程将不能逆转(从点重新恢复成平面)。即若存在n阶矩阵P使得R(PA)<R(A),且不可能存在矩阵Q,使得R(QPA)=R(A),也即QP!=E。这就是为什么有些矩阵变换不能求逆矩阵!
5 这门课讲了什么,你学到了什么?
线性代数和高等数学一样,是一门工具,线性代数这门课介绍了向量、矩阵的线性变换、以及一些特征与性质。体现在公式中,可以将复杂的方程组转化为简洁的形式。体现在空间几何中,线性代数其实就是高维图形的几何变换,比如平移、拉伸等等。