Professional Documents
Culture Documents
写⽂章
学渣的笔记流—MIT各种数学
Transformationmatrix:12]
变换矩阵
àlandson1
,43⼆21
»
3 4
†landson2
;落在2上
线性代数的本质06 逆矩阵、列空间、秩与零空间
三少爷的键
已关注
⼯科顶级学渣
27 ⼈赞同了该⽂章
06 逆矩阵、列空间、秩与零空间
https://www.bilibili.com/video/av6240005?
from=search&seid=12805872892382467495
www.bilibili.com/video/av6240005?from=search&seid=12
805872892382467495
本讲通过线性变换来了解逆矩阵、列空间、秩和零空间的概念。
之前的讨论表明,线性代数的操作对于控制空间有很⼤的作⽤,这对计算机图形学和机器⼈学很
有⽤。⽽线性代数的作⽤还体现在,它可以帮助我们求解特定的⽅程组⸺线性⽅程组。
线性⽅程组可以写成矩阵的形式
程可写做Ax=v。矩阵A是⼀种线性代换,求解x的过程,就是寻找⼀个向量x,使它在变换之后能
够与向量v相重合。
例:⼆阶线性⽅程组 。
⼆阶矩阵A⾏列式的值为0与否,决定了这个线性操作是否把空间压缩成⼀条直线。若⾏列式不为
0,空间未被挤压为零⾯积区域。这种情况下,有且仅有⼀个向量在经过线性变换后,与常数向
量重合,可以通过逆向变换来找到这个向量。逆向变换实际上它对应着另⼀个线性变换,称之为
变换 。
矩阵A的变换,和它的逆变换相继发挥作⽤就会回到原始状态。从矩阵乘法的⻆度记为
。它们的作⽤结果就是“什么都不做”,称为恒等变换I= 。
在⽅程两侧同时乘上A的逆矩阵,就可以求解向量⽅程 。在⼏何上就代
表对v做⼀个逆向变换,追踪v就可以得到解向量。
⾼维空间中,同样只要⾏列式不等于0,线性变换就没有把空间压缩到⼀个更低维度的状态,总
能找到⼀个原空间的向量,再经过矩阵A的变换之后,与常数项向量重合。解⽅程的过程只需要
⽤A的逆矩阵与向量v相乘。
当⾏列式为零的时候,该变换将空间压缩到了更低的维度上。这时不存在逆变换,⽆法把⼀个直
线“解压缩”成⼀个平⾯空间。此时如果向量v恰好在这条直线上,那么⽅程有解。
在三维空间中,⾏列式为零也有不同的情况,⼀个变换将空间压缩成⼀个直线,⽐之压缩成⼀个
平⾯,解向量的存在难度更⾼。
线性变换的结果是⼀条直线时,维度为1,我们称该变换的“秩”为1。如果变换的结果是⼀个平
⾯,称这个变换的秩为2。所以秩代表着线性变换之后的空间维数。对于⼀个2×2矩阵,它的秩
的最⼤值为2。
在三维空间中,矩阵的秩为2意味着将三维空间压缩到了⼀个平⾯,但是与秩为1的情况相⽐,压
缩不是那么严重。如果线性变化后仍可以充满三维空间,则矩阵的秩为3。
不管是⼀条直线,⼀个平⾯还是三维空间。所有可能的线性变换结果的集合,称为矩阵的列空
间。它是矩阵的列向量张成的空间,⽽秩就是列空间的维数。当秩达到最⼤时的时候,就与列数
相等,称之为“满秩”。注意,零向量必须得包含在列空间中,因为线性变换保持零点不变。在满
秩变换中,只有零向量在变换之后在零点。对于⾮满秩的矩阵⽽⾔,它将空间压缩到⼀个更低的
维度上,有⼀系列的向量在变换之后能够成为0向量。例如三维空间被线性变换压缩成⼀个平
⾯,则会有⼀整条线的变量在变换后落在原点。
这些经过线性变换后落在原点上的向量的集合,称为矩阵的“零空间”,或者“核”。对⽅程Ax=v
⽽⾔,v恰好等于零向量时,零空间就是⽅程所有的解。
06补充 ⾮⽅阵
【熟⾁】线性代数的本质 - 06补充说明 -
⾮⽅阵_哔哩哔哩 (゜-゜)つロ ⼲杯~-…
bilibili
www.bilibili.com/video/av6241342/?spm_id_
from=333.788.videocard.1
之前我们介绍了2x2矩阵表示⼆维向量到⼆维向量的线性变换,3x3矩阵对应三维空量到三维向
量的线性变换,这⼀讲讨论⾮⽅阵。
实际上不同维度向量之间的变换是存在的,例如⼀个⼆维向量到三维向量的变换:
同样的,如果能够满⾜⽹格线保持平⾏且等距分布,原点映射为⾃身,就称它是线性变换。
寻找变换所对应矩阵的⽅法与之前相同,追踪基向量在变换之后的坐标,将它作为矩阵的列向
量,例如 。注意到这个变换的矩阵是三⾏两列的,即3x2矩阵,矩阵的列空间是三
维空间中,⼀个过原点的⼆维平⾯。因为列空间的维数与输⼊空间的维数相等,这个矩阵仍旧是
“满秩”的(列满秩)。
⽽⼀个2x3矩阵则表示,原空间是三维的,⽽线性变换之后落在⼆维空间中。同样的也可以将⼆
维空间经过线性变换,压缩到⼀维空间即数轴上,其变换矩阵为1x2矩阵。
这是⼀类⾮常有意义的变换,它与“点积”紧密相关。
「真诚赞赏,⼿留余⾹」
赞赏
还没有⼈赞赏,快来当第⼀个赞赏的⼈吧!
矩阵 线性代数 空间
发布⼀条带图评论吧
8 条评论 默认 最新
LLLLxT
题主,第三⾏,有点⼩失误------图⽚的数字上错了
2020-03-04 回复 2
雷诺德
惊喜发现原来博主还有更新的~~ 不过我觉得3B1B的东⻄⾜够通俗,伸⼿党更想看到博主后
续更新MIT的概率论哈哈哈
2020-03-04 回复 1
三少爷的键 作者
港真,我也不知道你能等到的概率有多⼤
2020-03-04 回复 2
深海⻥
⾮常厉害哦
2020-05-19 回复 喜欢
inspire
为什么由⾯压缩到了线,没有逆变换呢?我想不通这个。
2020-05-08 回复 喜欢
慕容⽟涵
经过某⼀条线的平⾯有⽆数个,你不清楚是哪⼀个线性变换--矩阵A导致了这种特定空
间的压缩,即从⼀个特定平⾯到了这⼀条直线。也就是说你要从直线出发时,你并不
清楚该向哪⾥去变。⽽同维空间的线性变换是有迹可循的,⼀⼀对应的(类⽐于函数
的映射)。
2022-10-05 回复 2
求知者 慕容⽟涵
谢谢解惑。
2022-11-18 回复 喜欢
Haishuo
感谢 要是国内⽼师都能这样上课就好了
2020-04-02 回复 喜欢
⽂章被以下专栏收录
学渣的笔记流—MIT各种数学
MIT 数学类公开课笔记
推荐阅读
赞同 27 8 条评论 分享 喜欢 收藏 申请转载