w wyl123ly 的博客
MD

8-1-线性变换的思想

111 KB 2026.10.11 原文件

8-1-线性变换的思想

一句话概括

到目前为止,我们一直把矩阵 当作"一堆数排成的表"来使用。这一节要换一个视角:矩阵是一个动作——它把每个向量 "搬动"到另一个向量 。这个动作叫做线性变换(linear transformation)。

本篇覆盖:变换的直观( 是函数)、线性性的两条要求与合并形式、 这个"非线性快速判别器"、五大几何变换(投影 / 旋转 / 反射 / 伸缩 / 剪切)及其矩阵、三个经典非线性反例(平移 / 取长度 / 取平方)、"线性变换由基向量的像完全决定"这条核心定理的完整证明、 与 矩阵的一一对应、复合与矩阵乘法(顺序不能颠倒)、图像与图形的顶点变换,以及 numpy 验证代码。

一句话记住本篇的地位:它是下一节 8-2-线性变换的矩阵表示 的地基。下一节要解决的问题是"如果不用标准基, 的矩阵长什么样"。

一、定义

1.1 变换:一个"搬动向量"的函数

定义 8.1.1(变换,transformation) 设 是正整数。一个从 到 的变换 是一个规则,它对每个输入向量 指定唯一一个输出向量 。记作

这里的 叫做定义域(domain), 叫做陪域(codomain)。全体输出构成的集合

叫做 的像(image),也叫值域(range)。在下一节我们会看到, 就是"矩阵的列空间"的变换语言版本。

变换与函数没有本质区别

线性代数里的"变换"(transformation)与微积分里的"函数"(function)是同一个概念,数学家对"输入是向量"的那一类函数习惯叫变换或映射(map)。所以你可以放心地把 读作" 作用在 上得到的值"。

定义 8.1.2(线性变换,linear transformation) 变换 称为线性的,如果它对一切 与一切标量 满足以下两条:

(L1) 可加性(additivity)

(L2) 齐次性(homogeneity,也叫数乘性)

满足这两条的 就叫做线性变换(linear transformation),当 时也叫做 上的线性算子(linear operator)。

一句话说透这两条的含义

- (L1) 说:和的像是像的和——先把两个向量加起来再变换,与分别变换再相加,结果一样。

- (L2) 说:缩放的像是像的缩放——先缩放再变换,与先变换再缩放,结果一样。

去掉数学符号的说法:线性变换不会把直线掰弯,也不会让原点跑掉。它只会做"拉压、旋转、翻转、投影"这类保持"网格仍是等距平行网格"的动作。

1.2 等价的合并形式

两条要求可以合并成一条,用起来更省事。

命题 8.1.1 是线性变换,当且仅当对一切 与一切标量 成立

}">

证明

(必要性)设 满足 (L1)(L2)。由 (L1) 得 ;再对两项分别用 (L2) 得 、。合并即得 。

(充分性)设 成立。取 即得 (L1);取 得

即得 (L2)。所以 与 (L1)(L2) 完全等价。

把 推广到任意多个向量,就得到线性变换最常用的操作法则:线性变换可以与线性组合交换次序。若 ,则

这条式子看起来平淡,但它就是本篇第三节"线性变换由基向量的作用完全决定"的全部技术内容。

为什么只检查两条就够

若把 想成"逐分量处理"的规则,则 (L1)(L2) 自动成立。反之如果 里出现了乘积(如 )、平方(如 )、绝对值、常数项、三角函数、开方等任何"非线性零件",这两条中至少有一条会崩掉。所以判别线性性时只需要盯住这些可疑零件。


二、几何直观

2.1 把变换看成一整套"箭头搬家"

想象 平面上画满了箭头:每个点都是一个向量的终点。一个变换 就是一张"搬家指令":原来在 的箭头,搬到 去。

  • 非线性变换的搬家是"乱"的:原本平行的箭头可能不再平行,原本等距的箭头可能疏密不均,原本的直线可能被掰成曲线。
  • 线性变换的搬家是"整饬"的:在这种变换下,原点不动(),直线仍变成直线(或缩成一点),平行线仍平行且保持相同的比例,等距分布的点仍等距分布。

因此有一个非常好用的图像:在平面上铺一张正方形网格(比如整数格点),施加线性变换 后,这张网格会变成一个由两组平行等距直线组成的斜网格——要么整个平面被压扁(网格退化成一条线甚至一个点),要么整个平面被均匀拉伸旋转。绝不会出现"弯的网格"。

Strang 的课堂提示

Strang 教授的讲法是:"线性变换就是把整个空间(不只是某一个向量)一起看:它规定了每个向量去哪。"所以判断线性性时,不要只看一个向量,要看"整套搬家的方式"是否保持网格结构。

2.2 五大基本几何变换

下面五个变换是 中所有线性变换的"积木"。请同时记住几何效果与矩阵两栏。

2.2.1 投影(projection)

几何效果:把每个向量垂直投影到 轴上, 被送到 。平面上所有向量被"拍扁"到一条直线上,垂直于 轴的分量被彻底抹掉。投影之后再做一次投影不会改变结果(这就是 的几何含义)。

矩阵:作用效果是"保留第一分量、丢弃第二分量",写成矩阵即

注意 ,所以 不可逆——信息被丢掉了,无法还原。更一般的"投影到任意直线"见 4-2-投影与投影矩阵。

2.2.2 旋转(rotation)

几何效果:把每个向量绕原点逆时针转过角度 。长度的确不变,任意两向量的夹角也不变(旋转是"刚性"的)。

矩阵:标准基向量 转过 后成为 , 先转过 再转 ,即成为 。这两个像就是矩阵的两列:

特例: 时 、,得

2.2.3 反射(reflection)

几何效果:跨过 轴作镜像,。 轴上的点不动, 轴外的点翻到另一侧。反射保持长度,但改变了手性(左右手互换),所以 。

矩阵:

反射做两次就回到原处:。跨过任意直线、跨过原点的反射矩阵的一般公式同样见 4-2-投影与投影矩阵。

2.2.4 伸缩(scaling / dilation)

几何效果:沿 方向放大 倍,沿 方向放大 倍。若 叫做均匀伸缩(把整个平面按比例放大),若 叫做非均匀伸缩(把圆变成轴对齐的椭圆)。

矩阵:

,即"面积的放大倍数"。对角矩阵是最简单的线性变换——它在 方向与 方向上各自独立地伸缩,互不干扰。这正是下一节"找好的基"要追求的理想状态。

2.2.5 剪切(shear)

几何效果:沿 方向推,推力与高度 成正比。底层()不动,越高推得越多,于是正方形被推成平行四边形。面积不变(,这是"错切"的重要特征),但形状被扭曲。

矩阵:

若把 放在左下角 ,就是"沿 方向推"。

2.3 五个变换的汇总表

变换几何效果矩阵行列式可逆?
投影到 轴压扁到一条线否
逆时针旋转 刚性转动是
反射(跨 轴)镜像翻转是
伸缩轴向拉伸当且仅当
剪切斜推成平行四边形是

记住这张表的方式

行列式的几何意义是面积伸缩率:投影把面积压成 ,所以 ;旋转不改变面积,;反射不改变面积大小但翻转方向,;剪切不改变面积,。这张表与 5-3-克莱姆法则与体积 完全一致。


三、性质与定理

3.1 线性性的第一个后果:

定理 8.1.1(零向量不动) 设 是线性变换,则

证明 在 (L2) 中取 :

(这里 是 中任意一个向量,例如 本身也可。)

另一条证明(只用 (L1)):,两边作用 得 ,两边同时减去 即得 。

这条是"快速判别非线性"的利器

逆否命题:若 ,则 一定不是线性变换。

一句" 是否为 "就能秒杀大量候选者。例如平移 ()立刻出局,因为 。

但请注意方向: 是必要不充分条件。下面命题给出反例。

命题 8.1.2( 不保证线性) 变换 , 满足 ,但不是线性的。

证明 取 、:,而 。二者不等,违反 (L1),故 非线性。

所以判别流程应是两步:

  1. 先看 是否为 ——不是则直接判否(最快);
  2. 是则再用 (L1)(L2) 或 检验——找到一个反例就能判否,要证实则需要一般性论证。

3.2 线性性的其他后果

定理 8.1.2(线性变换保持线性组合) 设 线性,, 为标量。则

证明思路(对 归纳) 即 (L2)。设对 成立,记 ,则

再用归纳假设展开 即得。

定理 8.1.3(线性变换把子空间映成子空间) 设 线性, 是子空间,则 是 的子空间。

证明 需验证子空间的三条(对照 3-1-向量空间):

  1. 含零元:,故 。
  2. 对加法封闭:设 ,则存在 使 。因 是子空间,,于是 。
  3. 对数乘封闭:设 、 为标量。因 ,故 。

三条齐备, 是子空间。

适用条件

定理 8.1.3 必须要求 线性。非线性变换可以把子空间映成曲线:例如 把 轴(子空间)映成抛物线(不是子空间)。

定理 8.1.4(线性变换把直线映成直线或一点) 设 线性。 中任一直线可写成 (,)。若 (过原点的直线),则

像集是过原点、方向为 的直线(当 )或退化为原点(当 )。

证明 直接由 (L2) 得 ,像集为 ,这正是由 张成的子空间,维数只能是 ()或 ()。

不要误读成"任意直线都映成直线"

若直线不过原点(), 一般会把它映成不过原点的直线(除非 与 落在同一个低维像里而退化)。真正严格的说法见下一节: 的像是子空间,因此"过原点的直线"才必然映为"过原点的直线或原点"。

3.3 核心定理:线性变换由基向量的像完全决定

这条定理是本节最重要的一条,也是下一节的唯一出发点。

定理 8.1.5(由基上的取值唯一确定) 设 是 的一组基(basis)。设 与 都是线性变换,且

则 ,即对一切 有 。

证明

第一步:把任意向量唯一地写成基的线性组合。 因 是基,它张成 且线性无关(见 3-4-线性无关基与维数)。张成性给出:对任意 ,存在标量 使

线性无关性保证这组系数唯一(若另有一组 也表示 ,则 迫使所有 )。这一步的"唯一"不是为了证明 必需,但它是"坐标"这个概念能成立的前提(下一节会用到)。

第二步:用线性性把 化成基向量像的组合。 由定理 8.1.2,

第三步:把 换成 。 由假设 ,代入第二步:

由于 任意,。

定理 8.1.6(存在性:任意指定基上的像都能拼出一个线性变换) 设 是 的基, 是 中任意 个向量(它们不必线性无关,不必张成 )。则存在唯一的线性变换 使 ()。

证明思路

  • 存在性:对 (系数唯一)定义 。这个定义是良定义的(因为系数唯一,不会一个 得到两个值)。再验证线性性:若 、,则 ,于是

同理 。线性性得证。

  • 唯一性:即定理 8.1.5。

两条定理合起来的完整图景

对固定的基 ,映射

是" 的线性变换"与" 中 个有序向量"之间的双射。

也就是说:线性变换没有"多余的自由度"。一旦它在基上的 个像定了,整个变换就锁死了。这个"自由度恰好是 "的直觉,是下一节能写出 矩阵的直接原因——矩阵不过就是把这 个像记下来而已。

3.4 的线性变换就是 矩阵

取基为标准基 、。设 线性,记

对任意 ,由线性性:

这正是一个矩阵乘向量的展开:

结论:若把 作为两列拼成 ,则对一切 都有 。写成两列的形式最便于记忆:

这条就是"矩阵从哪来"的答案

矩阵从来不是凭空定义的一堆数,而是线性变换在标准基下的记录。数学家发明矩阵,正是为了把线性变换的计算变成机械的乘法。一般情形(任意基)见 8-2-线性变换的矩阵表示。


四、计算方法与步骤

4.1 判断一个变换是否线性(四步法)

步骤 1:先看原点去哪。 算 。

  • 若 ,立即判定非线性,结束。
  • 若 ,进入步骤 2(还不能下结论)。

步骤 2:扫一遍有没有"非线性零件"。 逐项检查表达式中是否有:常数项、自变量之间的乘积、自变量的平方或更高次、绝对值、取长度、三角函数、指数、开方。有则高度可疑,进入步骤 3 用具体数字打反例。

步骤 3:试具体数字。 优先尝试

  • 加法:取 、,比较 与 ;
  • 数乘:取 或 ,比较 与 。

负数标量特别灵——凡带绝对值的候选者都会在 处露馅。

步骤 4:若要通过。 用字母做一般性计算:设 、、 任意,把 与 各自展开,逐分量比较,或直接用 的 形式一次验完。

4.2 求一个线性变换的矩阵(标准基版)

步骤 1:确认 线性、确认输入输出维数(,则 是 )。

步骤 2:对每个标准基向量 (第 个分量为 、其余为 ),计算 。

步骤 3:把 作为 的第 列填入。

步骤 4(检验):随便取一个向量 ,比较 与按定义算出的 。不相等就说明第 2 步或第 3 步出错。

4.3 判断"由像反推变换"是否唯一

步骤 1:看给定的输入向量组是否构成基(个数是否等于 、是否线性无关)。

  • 是基:由定理 8.1.5 与 8.1.6,线性变换存在且唯一。
  • 不是基:可能不存在(若给定像之间"违反了线性关系",例如 却要求 ,则无解);即使存在也不唯一。

步骤 2:若要用一组给定的输入-输出对反推矩阵 (设 为 ,已知 、),把输入向量与输出向量分别按列拼成矩阵 与 ,则矩阵方程 的解为 (只需求一次 的逆)。也可以按 4.2 的模式逐列确定:把每个 写成标准基的组合,用线性性算出 ,再拼成列。


五、例题

例题 8.1.1(判断线性性)

判断下列变换 是否线性。若线性,写出矩阵。

(1)

(2)

(3)

(4)

解

(1) 先看原点:,通过第一关。

再做一般性验证。设 、、 为任意标量。

先验证 (L1):

两者相等,(L1) 成立。再验证 (L2):

(L2) 成立。故 线性。

求矩阵:两个分量都是 的一次齐次式,直接读出系数:

所以 。校验:(第一列),(第二列),与矩阵一致。

(2) 先看原点:

由定理 8.1.1 的逆否命题, 非线性。也可以直接验证 (L1):,而 ,不等。

几何解释:这是把整个平面向右平移一个单位。平移是"等距"的、看起来很"规矩"的变换,但它不是线性的——因为它把原点搬走了,网格的原点位置变了。

(3) 先看原点:,通过第一关。但这不代表线性!

打反例。取 、:

,(L1) 不成立,故 非线性。

提醒:这个例子说明只查 是不够的。 是"两个变量相乘",典型的非线性零件。

(4) 先看原点:,通过第一关。

用负数标量打反例。取 、:

,(L2) 不成立,故 非线性。

教训: 要求对所有实数 成立,包括负数。(L2) 的"齐次性"这个名字里的"齐次"正是"一次齐次、能提出常数因子",而绝对值 在 时提出的是 。

例题 8.1.2(求矩阵并验证复合不可交换)

设 中的两个线性变换:

  • :逆时针旋转 ;
  • :沿 方向的剪切,矩阵为 。

(1) 分别写出 、 的矩阵。

(2) 求复合变换 (先转动、再剪切)与 (先剪切、再转动)的矩阵。

(3) 用具体向量验证两者不同。

解

(1) 旋转 时 、,代入旋转矩阵公式:

的矩阵直接给定为

(2) 先确定复合的方向约定。 定义为"先对 施加 ,再对结果施加 ":

所以 的矩阵是 。注意 在右边——这是"复合顺序对应矩阵乘法顺序不能颠倒"的第一层含义(近的先作用,写在右边)。

计算

再看另一个顺序:

两者不等:。所以 ——变换的复合不可交换。

(3) 取 。

先转动再剪切:

先剪切再转动:

,确实不同。

几何解释:先转 后剪切, 被转到 位置,剪切把它推成 ;先剪切后转动, 在剪切下不动仍是 ,转动后成为 。两次操作顺序颠倒,最终落点不同。

例题 8.1.3(由基上的像反推变换)

设 是线性变换,已知

求 的矩阵,并求 。

解

第一步:确认给定输入构成基。 输入向量是 、。它们是两个向量、在 中,检测线性无关:若 ,即

由第二分量得 ,代入第一分量得 。故线性无关, 是 的基。由定理 8.1.5, 被唯一确定。

第二步:把标准基向量写成 的组合。

第三步:用线性性求 与 。

第四步:拼出矩阵。

第五步:求 。 有两种算法,结果必须一致。

算法一(直接用矩阵):

算法二(用已知的基像):先分解 ,即 、,解得 、。于是

两法一致,。

例题 8.1.3 的价值

它演示了一条通用技巧:只要知道线性变换在任意一组基上的像,就能算出它在标准基上的像,从而得到矩阵。下一节 8-2-线性变换的矩阵表示 把这条技巧系统化,直接给出"在基 下的矩阵"的构造公式。


六、应用

6.1 计算机图形学:顶点矩阵左乘变换矩阵

屏幕上的多边形由一组顶点坐标描述。把 个顶点的 、 坐标分别写成两行,得到顶点矩阵

对整幅图形施加线性变换(矩阵 )只需一次乘法:

因为矩阵乘法"右乘 = 逐列作用", 的每一列正是对应顶点变换后的坐标——一次矩阵乘法搬动整幅图形。这就是 GPU 能在每帧渲染上百万个顶点的原因:线性变换与矩阵乘法是同一件事,而矩阵乘法可以被硬件高度并行化。

旋转一个三角形的具体计算:设三角形顶点为 、、,绕原点逆时针转 ,:

读回顶点:、、——正是原三角形转过 的位置。

关于平移:平移 不是线性变换(例题 8.1.1(2)),但图形学里又非用不可。解决办法是齐次坐标(homogeneous coordinates):把二维点 写成三维 ,于是平移变成

在三维空间里它是一个线性变换。详见 10-5-图形学与密码学。

6.2 图像压缩:换一组基去描述同一张图

一幅灰度图是一个矩阵。若把它按行拉直成向量 ,那么"换基"就是选择用另一组向量 来表达它:

如果选得好的基让大多数系数 都很小,就可以只保留少数几个大系数,把其余置零,从而压缩数据。这正是 JPEG 用 DCT(离散余弦变换)、7-2-图像压缩与低秩逼近 用 SVD 的原因。本节要记住的是:"换一组基"这件事本身就是一次坐标变换,而坐标变换是线性变换——这是第 8.3 节的主题。

6.3 神经网络中的线性层

一个全连接层做的事是 。其中的线性部分是 ,偏置 使整体不是线性变换()。这从线性代数的角度解释了为什么必须有激活函数:若没有非线性激活,多层线性层复合起来仍然只是一个线性变换 ,深度毫无意义。这条结论就是例题 8.1.2"复合仍是矩阵乘法"的直接推论。

6.4 用 numpy 验证本节的结论

只依赖 numpy,无需额外安装。

import numpy as np

# 1) 五个基本变换的矩阵
P = np.array([[1.0, 0.0], [0.0, 0.0]])        # 投影到 x 轴
th = np.pi / 2
R = np.array([[np.cos(th), -np.sin(th)],
              [np.sin(th),  np.cos(th)]])      # 逆时针转 90 度
F = np.array([[1.0, 0.0], [0.0, -1.0]])        # 跨 x 轴反射
D = np.array([[2.0, 0.0], [0.0, 0.5]])         # 非均匀伸缩
S = np.array([[1.0, 1.0], [0.0, 1.0]])         # 剪切

x = np.array([3.0, 4.0])
print("投影  Px =", P @ x)          # [3. 0.],y 分量被抹掉
print("旋转  Rx =", R @ x)          # [-4.  3.]
print("反射  Fx =", F @ x)          # [ 3. -4.]
print("伸缩  Dx =", D @ x)          # [6. 2.]
print("剪切  Sx =", S @ x)          # [7. 4.]

# 2) 行列式的几何意义:面积的伸缩率
for name, M in [("P", P), ("R", R), ("F", F), ("D", D), ("S", S)]:
    print(name, "det =", round(np.linalg.det(M), 6))
# P 0.0 / R 1.0 / F -1.0 / D 1.0 / S 1.0

# 3) 线性性检验:T(v+w) 与 T(v)+T(w) 是否相等
v = np.array([1.0, 2.0])
w = np.array([-3.0, 5.0])
print(np.allclose(R @ (v + w), R @ v + R @ w))      # True
print(np.allclose(R @ (2.5 * v), 2.5 * (R @ v)))    # True

# 4) 复合不可交换:SR != RS
print("SR =\n", S @ R)
print("RS =\n", R @ S)
print("SR == RS ?", np.allclose(S @ R, R @ S))      # False

# 5) 顶点矩阵一次性变换(三角形绕原点转 90 度)
V = np.array([[0.0, 1.0, 0.0],
              [0.0, 0.0, 1.0]])   # 每列是一个顶点
print("V' =\n", R @ V)            # [[0,0,-1],[0,1,0]]

# 6) T(0)=0 的数值验证 + 非线性的反例
T0 = lambda z: np.array([z[0] + 2 * z[1], 3 * z[1]])   # 线性
print("T(0) =", T0(np.zeros(2)))                        # [0. 0.]
bad = lambda z: np.array([z[0] + 1.0, z[1]])            # 仿射,非线性
print("bad(0) =", bad(np.zeros(2)))                     # [1. 0.] 非零,立刻判否
sq = lambda z: z ** 2
print("平方:(v+w)^2 ?= v^2+w^2 ->", np.allclose(sq(v + w), sq(v) + sq(w)))  # False

运行要点:

  • np.allclose 用容差比较浮点数,比 == 安全(浮点误差参见 11-1-数值稳定性与LU)。
  • np.linalg.det 返回浮点数, 可能打印成 -1.0000000000000002 之类的值,用 round 或 allclose 处理。
  • 想验证"矩阵的像可由基的像线性组合出来",把任意 写成标准基的组合即可—— 正是 本身,所以 (其中 表示 的第 列)。这正是 1-1-向量与线性组合 中" 是 的列的线性组合"那句主线的又一次现身。

七、易错点

易错点清单

1. 把"看起来规矩"当成"线性"。平移 保持距离、保持形状,但它不是线性的,因为它移动了原点。

2. 只验证 就宣布线性。这是必要不充分条件,、 都是反例。

3. 只在 上验证 (L2)。带绝对值、符号函数、取长度的候选者必须在负标量上验;只在正数上验会漏判。

4. 忘记 (L1)、(L2) 里 是"任意"的。验证线性性必须用字母做一般性论证;找反例才用具体数字。用"我试了几个数都对"来证明线性是无效的。

5. 复合顺序搞反。 中 先作用,对应矩阵写法是 ——先作用的矩阵写在右边。把 写成 是本节最高频的错误。

6. 用"矩阵是 "记错维数。 对应的矩阵是 ( 行 列),因为矩阵有 列(每个输入基向量一列),每列是 中的向量。

7. 以为"线性变换一定把平面映成整个平面"。投影 把整个平面映成一条线,它的像只有 1 维。像的维数 矩阵的秩,可以小于 。

8. 把"线性变换"与"线性函数"混为一谈。 在中学被叫做"一次函数",但当 时它作为变换是仿射(affine)而非线性。只有在 时才是线性变换。


八、练习题

练习 8.1.1(基础) 判断下列 是否线性;若是,写出矩阵。

(a)

(b)

(c)

(d)

练习 8.1.2(基础) 已知 线性,且

求 ,并写出 的矩阵。

练习 8.1.3(进阶) 设 是逆时针旋转 的矩阵, 是沿 方向的剪切矩阵。

(a) 计算 与 ,验证它们不相等。

(b) 对向量 分别计算 与 ,并用"先做什么、后做什么"解释差异的来源。

(c) 计算 、,并解释几何意义。

练习 8.1.4(进阶) 设 定义为"把 投影到 平面上",即 。

(a) 证明 线性。

(b) 写出 关于标准基的矩阵 。

(c) 验证 ,并用几何语言解释为什么"投影两次等于投影一次"。

(d) 计算 与 ,说明 是否可逆。

练习 8.1.5(思考) 设 是 的一组基, 是线性变换,且

(a) 若 ,求 (用 表示)。

(b) 若还知道 、,求 关于标准基的矩阵。

(c) 如果把 改成别的向量, 是否总是存在?为什么?


九、常见问题 FAQ

Q1:线性变换和矩阵到底谁先谁后?是先有变换还是先有矩阵?

从数学史看,变换在前,矩阵在后。线性变换(保持加法与数乘的映射)是一个几何/分析概念,而矩阵是"把线性变换在给定基下写成一张数表"的记账工具。所以更准确的说法是:

  • 抽象的层次:线性变换 是本质,矩阵 是它在某组基下的表示(representation)。
  • 计算的层次:一旦固定基,两者完全等价,可以互相替换着用。

本库的顺序安排(第 1–7 章先讲矩阵,第 8 章回来看变换)正是为了让你先用矩阵把计算练熟,再回头理解这些计算背后的几何对象。换基后矩阵怎么变是 8-3-相似矩阵与基变换 的主题。

Q2:为什么 (L1)(L2) 两条要一起写?只保留一条不行吗?

因为它们是两条独立的要求,各自抓的是变换的一个侧面:

  • (L1) 管"和",(L2) 管"缩放"。凡是涉及"拆成两部分"的操作(例如投影、取某个分量、差分)靠 (L1) 检验最直接;凡是涉及"整体放大缩小"的操作(例如带绝对值、取长度、符号函数)靠 (L2) 检验最快。
  • 只验一条会漏判。比如 满足 ,在整数倍数上甚至常常能碰巧对上,但 (L1) 一验就崩( 的例子,见例题 8.1.1(3))。
  • 反过来, 在非负标量上满足 (L2),只有负标量才暴露问题。

所以标准做法是一次验合并形式 :对任意 与任意 验证 ,两条同时覆盖,写起来也最省。

一个容易踩的坑

用有限个数字验证永远不能证明线性性——它只能用来推翻。证明必须用字母做一般性推理。这就是为什么"我试了 都对"不是证明。

Q3:为什么"线性变换由基上的像决定"这么重要?

因为它把"无穷多的数据"压缩成了"有限个数据"。

一个线性变换 要为每一个 指定像——这是不可数的无穷多。但定理 8.1.5 说:只要指定 个基向量的像 (每组是 中的一个向量,共 个数),整个变换就完全确定了。

这就是矩阵能存在的全部理由:矩阵的 个元素,就是这 个像的坐标。也是下一节"换一组基,矩阵换一个样子,但变换还是同一个"能成立的理由——因为不同基下的矩阵描述的是同一个 。

Q4:非线性变换就不重要吗?为什么教材一上来只讲线性的?

非线性变换当然重要(微积分整门课都在研究非线性函数),线性变换之所以被单独拎出来,有三个原因:

  1. 局部近似:光滑的非线性变换在一点附近可以用它的导数(Jacobi 矩阵)线性近似:。所以线性代数是理解非线性的第一步工具。
  2. 可完全解决:线性问题有完整的理论(秩—零化度定理、可解性判据、四大子空间),而非线性问题一般没有闭式解。能用线性解决的,就一定用线性解决。
  3. 计算可行:矩阵乘法有稳定的算法与硬件支持, 个未知数也能算;非线性的迭代法既慢又难保证收敛。

一句话:线性是唯一一类我们真的"完全懂"的变换,因此在工程上遇到任何问题时,第一反应总是"能不能线性化"。


十、深入:线性空间、同构与线性变换的运算(国内教材补充)

这一节在补什么

Strang 的体系直接从 出发讲线性变换——因为在 里一切都看得见、算得出。

但国内教材(同济版、陈维新《线性代数》第二版第 4 章)走的是另一条路:先把"向量空间"抽象成数域 上的线性空间(元素可以是矩阵、多项式、连续函数),再定义线性变换,然后用同构把这套抽象理论"翻译"回 。

两条路殊途同归,但各有收获:

- Strang 的路先给直觉(几何、列空间、投影),再补抽象;

- 国内的路先给公理(八条、同构、核与像),再落到计算。

这一节把国内那条路补上。学完之后你会发现:本篇前面所有关于 的结论,对多项式空间、矩阵空间、连续函数空间全都照样成立。

10.1 数域:先约定"标量从哪里来"

定义 8.1.7(数域,number field) 设 是复数集 的一个子集,且 中含有非零的数。若 对加法、减法、乘法、除法(除数不为零)都封闭,即对任意 有

则称 是一个数域。

三个最常见的数域:

数域记号说明
有理数域最小,"分母是整数"
实数域本库默认用这个
复数域最大,第 9 章的主角

为什么必须先约定数域

因为"数乘"里的那个"数"必须来自某个封闭的集合,否则运算会跑出讨论范围。

- 若取 ,"数乘"只能用有理数, 就不合法;

- 若取 ,则 合法,但 仍不合法;

- 若取 ,则一切都合法。

同一个集合配不同的数域,是不同的线性空间。 例如 作为 上的线性空间是 维的(基 ),而作为 上的线性空间是 维的(基 )。这件事在第 9 章讨论复向量空间时会反复出现(见 9-1-复数与复向量)。

一个"看起来像数域"却不是的例子:(整数集)——它对除法不封闭(),所以不是数域。这也是为什么"整数上的线性代数"(比如模运算下的方程组)要另起炉灶。

10.2 线性空间的定义:八条公理

国内教材把"向量空间"叫线性空间(linear space),两者是同义词。

定义 8.1.8(线性空间,linear space) 设 是一个数域, 是一个非空集合。在 上定义两种运算:

  • 加法:对任意 ,唯一确定 ;
  • 数乘:对任意 与 ,唯一确定 。

若这两种运算满足以下八条公理,则称 是数域 上的线性空间, 中的元素称为向量。

编号名称内容
(1)加法交换律
(2)加法结合律
(3)加法零元存在 ,使 对一切 成立
(4)加法负元对每个 ,存在 使
(5)数乘结合律
(6)数乘单位元( 是 中的乘法单位元)
(7)第一分配律
(8)第二分配律

其中 任意, 任意。

为什么要这样定义

因为数学家发现:几乎所有"能相加、能按比例放缩"的对象,都遵守同样这八条规则。一旦把规则抽象出来,关于"向量"的定理就可以一次性对所有这些对象生效:

- 可以谈"线性组合""线性相关""基""维数""线性变换";

- 可以谈"核""像""矩阵表示";

- 可以证明" 维空间同构于 "——于是一切具体例子都可以化归为数组的计算。

这就是公理化定义的威力:用八条规则换来了"一套理论通吃所有例子"。

反过来,如果不做公理化而只针对 讲,那么每换一个对象(多项式、矩阵、函数)就要重讲一遍理论。数学史上正是因为发现了"统一性",才促成了线性代数的诞生(详见本篇 FAQ 的 Q4 与 3-1-向量空间)。

八条公理的三个"分组",便于记忆

- (1)(2) 管加法本身:加法要像一个"可交换的群";

- (3)(4) 管加减法的"完整性":必须有零元和负元,否则不能移项、不能相减;

- (5)–(8) 管加法与数乘的"配合":数乘要"结合"((5)),要"承认 "((6)),要对两种加法都"分配"((7)(8))。

记忆抓手:前四条只谈加法,后四条只谈"数乘与加法的相处方式"。

由公理立即推出的三条常用结论(每一条都只在 里"看起来显然",但在抽象空间里需要证明):

(a) 零向量唯一。 若 、 都是零元,则 。

(b) 负向量唯一。 若 、 都是 的负元,则

(c) 与 。 前半:由 (8) 取 得 ,两边加 即得 。后半:由 (6)(8) 得

故 是 的负元,由 (b) 的唯一性得 。

别把""直接读成" 或 "

这条结论是对的,但需要证明(用 (6) 与 (5) 反证),并不是公理直接给的。抽象空间里"看起来显然"的每一条,都要从八条公理推出来——这正是国内教材大量证明题的来源。完整证明见 3-1-向量空间。

10.3 四个必背的线性空间例子

10.3.1 与

,加法与数乘按分量定义。这是最基本的例子,也是本库前 7 章一直在用的对象。

10.3.2 矩阵空间

是全体 矩阵,加法是矩阵加法、数乘是数与矩阵相乘。零元是零矩阵 ,负元是 。 八条公理逐条照抄矩阵运算的性质即得。

特别地,(2 行 3 列矩阵的全体)是一个 6 维线性空间,它的一组基是

其中 表示"只有第 行第 列是 、其余都是 "的矩阵。一般地

(与 1-3-矩阵入门 的"矩阵就是 个数"完全一致——把矩阵按位置拉直,就是 维向量。这条观察在 7-1-SVD的构造与几何意义 里会以"矩阵也是向量"的形式再次出现。)

10.3.3 多项式空间

是次数不超过 的全体多项式(系数取自 ):

加法是多项式加法、数乘是数乘多项式。零元是零多项式。一组自然的基是

为什么次数"不超过 "而不是"恰好 次"

因为"恰好 次"的多项式集合对加法不封闭: 与 都是 次,但它们的和是 ( 次),跑出了集合。封闭性是成为线性空间的第一道门槛。

这也是本篇例题 8.2.2(微分算子作用在 上)能成立的前提: 对求导封闭,而"恰好 2 次多项式"不封闭。

10.3.4 连续函数空间

是闭区间 上全体连续实函数,加法是函数加法、数乘是数乘函数:

零元是恒为零的函数。 是无限维的——没有任何有限个函数能张成它。

无限维空间带来了什么

前面所有关于"基"的定理(比如" 个向量构成基 线性无关且张成")都要求有限维。 里最接近"基"的概念是正交函数系(傅里叶级数的 ),但它是无限集,且"张成"要在收敛的意义下理解。

这正是 10-4-傅里叶级数与函数空间 的主题:把 的内积、正交、投影整套工具搬到函数空间。傅里叶级数就是"函数在无限维空间里的坐标展开"。

也正因为无限维会带来收敛性等麻烦,本篇下面所有关于维数的定理都默认有限维(对照定理 8.2.4 的"适用条件")。

10.3.5 四个例子一览
线性空间元素是什么维数一组基
数组
矩阵
次数 的多项式
连续函数无限不存在有限基

这张表的用法

遇到任何一道"某某集合是不是线性空间"的题目,先查封闭性(加法、数乘是否跑出去),再核对八条公理。上面四个例子的共同点是:加法与数乘都是"逐元素"定义的,所以八条公理自动成立。

10.4 自学导向:去掉某条公理会怎样

公理系统的每一条都不是摆设。下面用三个具体的怪例说明:去掉一条,整个理论会立刻崩坏。

怪例一:去掉公理 (6) "数乘单位元" —— 复数的"共轭数乘"

取 (全体复数)、,加法用普通复数加法,但把数乘重新定义为

逐条检查八条公理:

- (1)(2) 成立:加法完全没改,仍是复数的交换、结合加法;

- (3)(4) 成立:零元还是 (),负元还是 ;

- (5) 数乘结合律成立:对任意 、,

两者相等(用了 );

- (7)(8) 两条分配律成立:因为 、,复数的共轭保持加法与乘法;

- (6) 单位元律崩塌:取 ( 中的乘法单位元)、,则

这一条竟然成立。再取 、:

但 (6) 只要求 (单位元是 ,不是 ),所以不能用 来否证 (6)。

结论:这个例子其实仍然满足八条公理——它确实是一个合法的线性空间(结构上称为" 作为自身的共轭线性空间",并且它与通常的 之间存在一个反线性的同构,例如 保持加法与"共轭数乘")。

它的价值:提醒你"看起来怪"不等于"违反公理"。判断一个结构是不是线性空间,唯一的办法是拿八条公理逐条对照,不能凭"这不像我认识的向量"就下结论。真正违反 (6) 的干净例子见下一个怪例。

怪例二:去掉公理 (6) 的真反例 —— 取"最大者"当数乘

取 (或者 ,下面用 说明),,加法用普通加法,把数乘重新定义为

检查公理 (7):,而 。

取 、:左边 ,右边 。

取 、、:左边 ,右边 。

取 、、:左边 ,右边 。不等!(7) 崩塌。

同时 (6) 也崩塌:,当 时得 。

教训:公理 (7)"数乘对向量加法分配"绝不是自动成立的。凡是数乘里出现了 、、取整、取符号这类"非线性"操作,都要逐条验公理,而 (6)(7) 是最容易崩的两条。

怪例三:正实数集配上"对数数乘" —— 一个"长得不像 "的真线性空间

取 (全体正实数),。把"加法"定义为普通乘法、把"数乘"定义为乘方:

逐条验:

- (1)(2) 成立(实数乘法交换、结合);

- (3) 成立:零元是 (因为 );

- (4) 成立: 的负元是 (因为 );

- (5) 成立:;

- (6) 成立:;

- (7) 成立:;

- (8) 成立:。

八条全过,它是一个货真价实的线性空间! 而且它就是 维的(任何 都可以写成 ,即 ,所以 是一组基)。

这个例子的价值:它告诉我们"向量"这个词不承诺几何形象。 里的"向量"是正实数,"加法"是乘法,"数乘"是乘方——它和第 1 章画的箭头毫无关系,却完全服从同一套定理。

它的技术价值在于揭示了一条通用的"线性化"手法:凡是对数能把乘法变成加法的场合,一切关于"加法型线性空间"的定理都可以搬过去用。 这正是工程上处理增长率、复利、指数衰减类问题时的标准技巧("取对数变成线性问题"),也是 10-2-Markov矩阵与稳态 里讨论增长率时的常用手段。

反之,如果把数乘定义成 却把加法定义成普通加法(),公理 (7) 立刻崩:。"加法"与"数乘"必须互相匹配,这是公理 (7)(8) 在把关。

10.5 同构:为什么"维数相同"就够用了

有了抽象空间,立刻产生一个自然的问题:两个不同的线性空间,什么时候"本质上是同一个"?

定义 8.1.9(同构映射,isomorphism) 设 与 都是数域 上的线性空间。映射 称为同构映射,若:

  1. 是双射(一一对应);
  2. 保持加法:;
  3. 保持数乘:。

若存在这样的 ,则称 与 同构(isomorphic),记作 。

一句话说透

同构 = "改名字的一一对应",它把线性结构原封不动地搬过去。

第 2、3 条合起来就是: 是线性的。所以更简洁的说法是:

(对照本篇定义 8.1.2 与下面 10.6 节的"逆变换"。)

定理 8.1.7(同构的必要条件:维数相同) 若 且 有限维,则 也有限维,且

证明 取 为同构映射。

第一步:把 的基搬过去。 设 是 的一组基()。记 。

第二步:证明 线性无关。 设 。由 保持加法与数乘(连用 次),左边等于

最后一步用了"同构映射把零元映到零元"(因为 线性,定理 8.1.1 的抽象版本)。由 单射,得 ;再由 线性无关得 。故无关。

第三步:证明它们张成 。 取任意 。由 满射,存在 使 。把 用基展开:。于是

故 张成 。

第四步:结论。 由第二、三步, 是 的一组基,所以 有限维且 。

定理 8.1.8(同构的充分条件:任意 维空间都同构于 ) 设 是数域 上的 维线性空间(),则

证明 证明是构造性的——我们直接写出那个同构映射。

第一步:取一组基。 设 是 的一组基(存在性由维数定义保证)。

第二步:定义"取坐标"映射。 对每个 ,由基表示定理(3-4-线性无关基与维数)它唯一地写成

定义

良定义:由于"基下表示唯一",每个 只对应一个坐标列,所以 确实是映射(不会一个输入两个输出)。这里再一次用到"表示唯一",可见它是整套坐标理论的基石。

第三步: 是线性的。 设 、,。则

(关键是:线性组合的系数直接相加、直接乘 ,这正是"坐标"之所以好用的原因。)

第四步: 是双射。

  • 单射:若 ,则 对一切 ,于是 。
  • 满射:任取 ,令 ,则 。

结论: 是同构映射,故 。

把两条定理合起来:同构的充要条件****

设 都是数域 上的有限维线性空间,则

- 必要性:定理 8.1.7。

- 充分性:若 ,由定理 8.1.8 得 且 ;再由"同构是等价关系"(见下)得 。

一句话:有限维线性空间的"身份"完全由"数域 维数"决定。 只要能同构,它们就是"同一个空间的两种叫法"。

命题 8.1.2(同构是等价关系) 同构满足自反性、对称性、传递性。

证明

  • 自反:恒等映射 是双射且线性,故 。
  • 对称:若 是同构,则 也是双射;且由本篇 10.6 节的结论(逆变换线性), 线性,故 。
  • 传递:若 、 都是同构,则 是双射(双射的复合仍是双射)且线性(线性映射的复合仍是线性映射,见本篇 10.6 节与例题 8.1.2),故 。

命题 8.1.3(同构保持一切线性结构) 设 是同构,则

  1. ;
  2. 把线性无关组映成线性无关组,把基映成基;
  3. 把子空间映成子空间,且维数不变;
  4. 中向量组 线性相关 线性相关。

证明思路 每一条都是"把线性组合整体搬过去"。以 2 为例:若 ,则 ,由单射得 ,再由原组无关得全部 。3、4 同理(4 的""方向用 反向搬)。

这三条命题的实用价值:"把抽象问题搬到 里算"****

它们告诉你:在 里成立的每一条结论,都可以通过同构翻译回任意 维线性空间。 具体操作步骤是:

1. 在抽象空间 里取一组基 ;

2. 用 把问题搬成 里的数组问题;

3. 在 里用第 1–7 章的全部技术(消元、秩、零空间)算;

4. 用 (即 )把答案翻译回去。

这正是本篇例题 8.2.2(微分算子作用在多项式空间上)的全部方法论:先取基 把 搬成 ,算完再翻译回多项式。下一节 8-2-线性变换的矩阵表示 把这一步彻底系统化。

10.6 线性变换的定义与运算

现在把"线性变换"从 推广到任意线性空间。

定义 8.1.10(线性变换,general 版本) 设 是数域 上的线性空间。映射 称为线性变换,若对任意 与任意 :

当 时,称 是 上的线性变换(国内教材也常说"线性变换"或"线性算子")。

例(三个非 的线性变换)

  • 微分算子 ,;
  • 积分算子 ,;
  • 转置算子 ,;
  • 迹算子 ,。

每一个的线性性都直接来自微积分或矩阵运算的基本性质("导数可以逐项拆开""转置对加法分配"等)。

下面四种运算是国内教材的重点考查内容。

定义 8.1.11(线性变换的四种运算) 设 都是 上的线性变换( 为数域 上的线性空间),。

(1) 加法:。

(2) 数乘:。

(3) 复合(乘法):(先做 ,再做 )。

(4) 逆变换:若 是双射,则存在 使 ( 是恒等变换)。

定理 8.1.9(四种运算的封闭性) 上述四种运算的结果仍然是线性变换((4) 中 也是线性的)。

证明 逐条验证。

(1) 加法:对任意 与 ,

两式只差求和次序,由加法交换律与结合律(公理 (1)(2))相等,故可加性成立。数乘同理。

(3) 复合:

中间一步用了两次" 线性"与一次" 线性"。数乘同理。

(4) 逆变换:设 双射,故 存在(作为集合间的逆映射)。取 ,记 ,则 ,且

两边作用 :

数乘同理:,两边作用 得 。故 线性。

一条极漂亮的结论:线性变换自己构成一个线性空间****

记 为 上全体线性变换的集合。上面的 (1)(2) 给出了加法与数乘,可以验证 满足八条公理(零元是"把一切都映到 "的零变换,负元是 ,等等)。

更妙的是: 的维数是 ()——因为一旦取定 的一组基, 就与 同构(同构映射就是"取矩阵")。

这就是下一节的核心:"线性变换"与"矩阵"不仅是"对应",而是"同构"——所以关于矩阵的一切结论都能翻译成关于变换的结论,反之亦然。对应字典见 8-2-线性变换的矩阵表示 的 3.2 节。

命题 8.1.4(运算律速查) 设 ,。

运算律成立?说明
成立逐点用向量加法交换律
成立复合的结合律(与矩阵乘法结合律对应)
成立左分配律
成立右分配律
成立数乘与复合相容(注意 不参与复合,所以能随便挪)
一般不成立见例题 8.1.2:先转再剪 先剪再转
或 不成立投影 满足 ,但两者都不是零变换
一般不成立因为 ;正确写法是

最后两行是高频错误

把数域上的乘法公式直接搬到线性变换(或矩阵)上,是初学者最常犯的错误之一。

判断原则:凡是展开式中出现了"两个不同因子相乘"的项,就必须保留两个不同的次序。 数可以交换,矩阵与变换不可以。

例:,只有当 时才能合并成 。

10.7 线性变换的核与值域(国内叫"核"与"值域")

术语对照

国内教材说核()与值域( 或 );Strang 说 kernel 与 image,并把 image 也叫 range。它们指的是同一对集合。

本库统一使用"核"与"像/值域",并在需要时注明两套记法。

定义 8.1.12(核与值域) 设 是线性变换。

叫做 的核(国内记法,也写作 ), 叫做 的值域(也写作 ,Strang 叫"像")。

定理 8.1.10(核与值域都是子空间) 是 的子空间, 是 的子空间。

证明 与定理 8.2.2 的证明逐字相同(只需把 换成 、把"子空间三条"换成"对八条公理的封闭性")。这里不重复,请对照 8-2-线性变换的矩阵表示 的定理 8.2.2。

为什么"核"这个名字很贴切

"核"(kernel)在数学里普遍表示"被映射压成零的那部分"。线性变换的核越大,丢失的信息越多:

- 单射(可逆);

- 维数越大,被"压扁"的方向越多。

矩阵语言对应"零空间 "、变换语言对应"核"、几何语言对应"被投影/压缩掉的方向"——三种说法一件事,完整图景见 3-5-四大子空间的维数。

定理 8.1.11(维数公式 / 国内叫"核与值域的维数关系") 设 是有限维线性空间, 是线性变换,则

证明(构造性证明,与定理 8.2.4 同一思路,这里用国内教材的语言重写一遍,以便对照)

第一步:取核的一组基。 设 ,取 的一组基

(若 则核为 ,下面所有含 的式子直接略去即可。)

第二步:扩充成整个 的基。 由基扩充定理(3-4-线性无关基与维数),可再添 个向量使

成为 的一组基,其中 。

第三步:证明 张成 。 任取 ,则 对某个 。把 用上面那组基展开:

两边作用 ,并用线性性逐项拆开:

(前 项为零,因为 。)故 张成 。

第四步:证明它们线性无关。 设

由线性性,左边 ,所以 。于是 可以写成核的基的线性组合:。两式相减:

由于 是 的基(线性无关),所有系数必须为零,特别地 。故线性无关。

第五步:数个数。 由第三步与第四步, 是 的一组基,含 个向量,所以

移项即得 。

三条使用说明

1. 右边永远是定义域的维数。 不要写成 。反例:零变换 从 到 ,此时 、,和为 。

2. 要求有限维。 对无限维空间(如 上的求导)公式可能失效:(常数函数),但 ,"和 "这句话本身就没有意义。

3. 矩阵版本完全相同。 取定基后,、,公式变成 ,就是秩—零化度定理。见 3-4-线性无关基与维数。

10.8 补充例题(完整解答,不跳步)

补充例题 8.1.A(手算数字题:由特征向量造矩阵、求 、验证核与值域)

设线性变换 在标准基下的矩阵为

已知 、 满足

(1) 验证 是 的基;

(2) 求 在基 下的矩阵 ;

(3) 求 (用 (2) 的对角化结果);

(4) 求 与 ,并验证维数公式。

解

第 1 步(验证是基):算行列式。 把两个向量按列排成矩阵

计算行列式:

行列式非零 两列线性无关 是 的基(3-4-线性无关基与维数)。

第 2 步(求 下的矩阵):按定义逐列算。

的第 列应当是 在 下的坐标。题目直接给了 、,所以坐标一眼读出:

拼成矩阵:

第 3 步(用定义复核第 2 步)。 由 (定理 8.2.7),其中 (旧基是标准基):

先求 。用公式 :

先算 :

另一方面

两者相等,即 ,故 ,与第 2 步一致。

第 4 步(求 ):先求 的幂的公式。

由 ,两边取 次幂(注意中间的 会全部消掉):

对角矩阵的幂是逐元素取幂:

(,——偶数次幂让负号消失,这是本题最容易算错的地方。)

于是

先算前两个因子:

再右乘 的分子:

逐元素算:

  • 位置:
  • 位置:
  • 位置:
  • 位置:

所以

(每个元素都能被 整除:,等等。整除性本身就是一道自检——如果除不尽,说明前面某步算错了。)

第 5 步(求核与值域)。 先算 :

故 可逆,于是

又 ,故

验证维数公式:

补充例题 8.1.A 的三条经验

1. 给了特征向量就等于给了"好基"。 一旦选 ,矩阵立刻变成对角矩阵, 从"十次矩阵乘法"变成"两次取幂"。

2. 。 奇偶次幂的符号问题在矩阵幂的题目里扣分最多。

3. 整除性自检。 用 算出的分数结果,分母一定能约掉——除不尽就是算错了。

补充例题 8.1.B(手算数字题:一般线性空间的线性变换、核与值域)

设 定义为

(1) 写出 在标准基下的矩阵 ;

(2) 用线性性验证 ,其中 、;

(3) 求 与 的基,并验证维数公式;

(4) 判断 是否单射、是否满射。

解

第 1 步(写矩阵):照抄系数。

的三个分量都是 的一次齐次式,系数直接读出:

第 2 步(用线性性算 )。

先分别算 与 :

由线性性(定理 8.1.2):

直接验证:,于是

第 3 步(求 ):对 做行化简找主元列。

主元在第 1、2 列,故 ,且第 1、2 列是列空间的基:

关键提醒:取的是主元列对应的 的原始列(不是行化简后的列)——因为行化简改变列空间。这一点在 8-2-线性变换的矩阵表示 的 4.3 节有专门说明。

第 4 步(求 ):解 。

由第 3 步的阶梯形,去掉全零行,方程组等价于

是自由未知量。由第二式 ,代入第一式:

取 : 。

取 : 。

所以

验证:直接代入 检验第一个向量,

第 5 步(验证维数公式)。

第 6 步(单射与满射)。

  • 单射? 不。(定理 8.2.5)。直观地说,输入维数 输出维数 ,必有信息损失(推论 8.2.1)。
  • 满射? 不。,像只是 中过原点的一个平面。

注意"秩 2 的巧合"

本题的 与 不相等,所以不满射;而" 维映到 维"让人以为"差一维",实际差了两维(核是 维)。"维数差"只是必要条件,真正的答案要靠算秩。

补充例题 8.1.C(证明题:保持一切线性组合的映射必是线性变换)

设 是映射。已知对任意有限个向量 与任意标量 都成立

}">

证明: 是线性变换。

证明

第 1 步(想清楚该证什么)。 要证 线性,只需证 (L1)(L2) 两条(定义 8.1.2)。已知的是更强的条件 ——它对任意多个向量的任意线性组合成立,而 (L1)(L2) 分别只涉及"两个向量相加"与"一个向量数乘"。所以策略是:取特殊情形。

第 2 步(证 (L1))。 在 中取

则 ,而右边 。于是

(L1) 成立。

第 3 步(证 (L2))。 在 中取

则左边 ,右边 ,于是

(L2) 成立。

第 4 步(结论)。 (L1)(L2) 都成立,由定义 8.1.2, 是线性变换。

这道题的"反向"也成立,且是免费的

由定理 8.1.2,线性变换必然满足 。所以本题的结论可以升级成:

为什么这条等价关系重要:它说明"线性"这个条件可以被"无限次使用"——一旦 线性,你可以在一个式子里同时做加法、数乘、任意多项, 都能逐个"穿透"过去。这正是本篇所有推导(尤其是定理 8.1.5 与下一节的矩阵表示定理)能写得这么简洁的原因。

常见错误:只验证 (L1)(L2) 中的一条

本题的证明两条都验了,缺一不可。(L1) 只保证"和的像是像的和",(L2) 只保证"缩放的像是像的缩放"。

一个满足 (L1) 但不满足 (L2) 的例子:, 不满足 (L1)(取 :)。反过来,满足 (L1)(L2) 中"只在非负标量上成立"的例子: 在 时满足 ,但 时崩。见本篇例题 8.1.1(4)。

补充例题 8.1.D(手算数字题:一般线性空间上的线性变换与核)

设 是次数不超过 的实系数多项式构成的线性空间,定义 :

(1) 证明 都是线性变换;

(2) 求 在基 下的矩阵;

(3) 验证 ,并用它求 ;

(4) 验证两个维数公式。

解

第 1 步(证明线性性)。 对任意 与任意实数 :

(中间一步用了"",即数乘的定义,以及数可以提出来的实数运算律。)故 线性。 完全同理(把加号换成减号)。

同时验证封闭性: 仍是次数不超过 的多项式(因为 与 次数相同),所以 确实把 映入自身,是 上的变换。

第 2 步(求矩阵):逐个算基向量的像。

对 :

  • 基向量 :。写成基的组合:,坐标 。
  • 基向量 :。坐标 。
  • 基向量 :。坐标 。

对 :

  • ,坐标 ;
  • ,坐标 ;
  • ,坐标 。

第 3 步(验证 )。

用矩阵验证(复合对应矩阵乘法,见定理 8.2.1 与 3.2 节的对应字典):

因为第一个矩阵的非零列是第 1、3 列,而第二个矩阵的非零行是第 2 行,两者"错开",没有交叉项。同理

所以 。

几何/代数含义: 抽出偶次部分( 与 ), 抽出奇次部分()。两件事互不干扰,而且做完一件再做另一件什么也得不到(因为没有"双重奇偶"的部分)——这就是乘积为零变换的含义。

第 4 步(求核与值域)。

对 (矩阵 ,对角元中的 在第二位):

在坐标下就是解 :、( 自由)、。故 、 任意,核的坐标是 ,翻译回多项式:

直接验证: 时 。

值域由主元列(第 1、3 列)对应的 与 张成:

对 (矩阵 ,只有第二位的 ):

(因为 而 自由),而

第 5 步(验证维数公式)。 ,于是

这道题最有价值的地方:"核与值域互补"的直观****

把偶函数部分( 与 )全部压成零,只留下奇函数部分(); 恰好相反。两者合起来拼成整个 :

这就是"偶 奇分解"。任何函数都能唯一写成"偶部分 奇部分"——微积分里那个熟悉的分解,本质上是线性代数的一条维数定理。这个"直和分解"思想在第 3 章(3-5-四大子空间的维数)与第 4 章的正交分解(4-1-四大子空间的正交性)里会反复出现。

补充例题 8.1.E(numpy 数值验证题:线性性的两项检验与复合不可交换)

本示例只需要 numpy:

```bash

pip install numpy

```

```python

import numpy as np

# ---------- (1) 线性性的两项数值检验 ----------

# T(x1,x2,x3) = (x1 + 2x2, 3x2, x1 - x2)

def T(z):

return np.array([z[0] + 2 z[1], 3 z[1], z[0] - z[1]])

v = np.array([1.0, 2.0, 3.0])

w = np.array([-1.0, 4.0, 0.5])

# 可加性 T(v+w) = T(v) + T(w)

print("可加性成立 ?", np.allclose(T(v + w), T(v) + T(w))) # True

# 齐次性 T(c v) = c T(v),c 取负数

for c in [2.0, -1.0, 0.0, 3.5]:

print(f"齐次性 c={c:5.1f} ?", np.allclose(T(c v), c T(v))) # 全部 True

# ---------- (2) 由基的像拼出矩阵 ----------

e = np.eye(3)

A = np.column_stack([T(e[j]) for j in range(3)])

print("A = 列 = T(e_j) :\n", A)

print("A @ v == T(v) ?", np.allclose(A @ v, T(v))) # True

print("rank A =", np.linalg.matrix_rank(A)) # 2

print("dim ker T =", 3 - np.linalg.matrix_rank(A)) # 1

print("A @ (0,0,1) =", A @ np.array([0.0, 0.0, 1.0])) # [0. 0. 0.] -> 核含 (0,0,1)

# ---------- (3) 复合不可交换:反射 R 与剪切 S ----------

R = np.array([[0.0, -1.0], [-1.0, 0.0]]) # 跨直线 y = -x 的反射

S = np.array([[1.0, -2.0], [0.0, 1.0]]) # 沿 x 方向的剪切 k = -2

print("RS (先剪切后反射) =\n", R @ S) # [[ 0. -1.] [-1. 2.]]

print("SR (先反射后剪切) =\n", S @ R) # [[ 2. -1.] [-1. 0.]]

print("SR == RS ?", np.allclose(R @ S, S @ R)) # False

x = np.array([1.0, 0.0])

print("RS @ e1 =", (R @ S) @ x) # [ 0. -1.]

print("SR @ e1 =", (S @ R) @ x) # [ 2. -1.]

# 迹相同(都等于 2),说明"迹相同"不足以判断两个变换相同

print("tr(RS), tr(SR) =", np.trace(R @ S), np.trace(S @ R)) # 2.0 2.0

# 行列式也相同(都是 -1)

print("det(RS), det(SR) =", np.linalg.det(R @ S), np.linalg.det(S @ R)) # -1.0 -1.0

# 反射做两次回到原处,剪切是"错切"(面积不变)

print("R @ R =\n", R @ R) # [[1. 0.] [0. 1.]]

print("S^-1 =\n", np.linalg.inv(S)) # [[1. 2.] [0. 1.]]

# ---------- (4) 非线性变换的两种常见病 ----------

bad = lambda z: np.array([z[0] + 1.0, z[1]]) # 平移:T(0) != 0

print("bad(0) =", bad(np.zeros(2))) # [1. 0.]

absT = lambda z: np.abs(z) # 绝对值:负标量处崩

print("absT(-1 v) == -1 absT(v) ?",

np.allclose(absT(-1.0 v), -1.0 absT(v))) # False

```

运行输出(本机实际运行结果):

```text

可加性成立 ? True

齐次性 c= 2.0 ? True

齐次性 c= -1.0 ? True

齐次性 c= 0.0 ? True

齐次性 c= 3.5 ? True

A = 列 = T(e_j) :

[[ 1. 2. 0.]

[ 0. 3. 0.]

[ 1. -1. 0.]]

A @ v == T(v) ? True

rank A = 2

dim ker T = 1

A @ (0,0,1) = [0. 0. 0.]

RS (先剪切后反射) =

[[ 0. -1.]

[-1. 2.]]

SR (先反射后剪切) =

[[ 2. -1.]

[-1. 0.]]

SR == RS ? False

RS @ e1 = [ 0. -1.]

SR @ e1 = [ 2. -1.]

tr(RS), tr(SR) = 2.0 2.0

det(RS), det(SR) = -1.0 -1.0

R @ R =

[[1. 0.]

[0. 1.]]

S^-1 =

[[ 1. 2.]

[ 0. 1.]]

bad(0) = [1. 0.]

absT(-1 v) == -1 absT(v) ? False

```

怎么读这段输出:

- 第 (1) 段验证了 (L1)(L2)。注意齐次性在 与 处也成立——这两个值最容易暴露"绝对值""取长度"这类非线性零件。

- 第 (2) 段是"矩阵从哪来"的数值版:把 作用在标准基上,把结果按列拼起来,就得到矩阵。rank A = 2、dim ker T = 1 也顺带验证了维数公式 。

- 第 (3) 段是本篇的重点数值实验:,而且从 的落点能肉眼看出差别( 对 )。注意 tr 与 det 竟然相同——这说明"某些不变量相同"绝不意味着两个矩阵相等或两个变换相同,这个教训在第 8.3 节判别相似时会成为主线(见 8-3-相似矩阵与基变换)。

- 第 (4) 段给出两种真反例:平移死在 ,绝对值死在负标量。


本篇小结

十句核心结论

1. 线性变换的定义:满足 (L1) 可加性与 (L2) 齐次性,等价于一条合并形式 。

2. 快速判别器: 是必要不充分条件。用它秒杀平移,但不能用它证明线性。

3. 几何图像:线性变换把"等距平行网格"映成"等距平行网格",不会把直线掰弯,也不会移动原点。

4. 五大积木:投影()、旋转()、反射()、伸缩()、剪切()。

5. 核心定理:线性变换由它在任意一组基上的像完全决定(定理 8.1.5 与 8.1.6 合起来是一个双射)。

6. 矩阵的来源:把 按列排起来就得到 ;矩阵不是凭空定义的表,而是线性变换在标准基下的记录。

7. 复合 交换: 的矩阵是 ,先作用的写在右边。

8. 线性空间:数域 上满足八条公理的非空集合。、矩阵空间 ( 维)、多项式空间 ( 维)、连续函数空间 (无限维)都是线性空间。

9. 同构:可逆的线性变换。有限维时 ;任意 维空间都同构于 ,所以"抽象问题可以搬到 算"。

10. 维数公式:。右边永远是定义域的维数。

易混概念对照表(本篇)

| 容易混淆的一对 | 区别在哪 | 一句话记住 |

|---|---|---|

| 线性变换 vs 仿射变换 | 是否有常数项 | , 时才是线性 |

| vs 线性 | 前者是必要条件 | 见 |

| 像(image)vs 陪域(codomain) | 像 陪域,可能真包含 | 投影的像是直线,陪域是整个平面 |

| 核(kernel)vs 零空间 | 前者是几何对象,后者是坐标列 | 标准基下两者写法相同 |

| vs | 右边是定义域维数 | 记成 是最常见错误 |

| 单射 vs 满射 | 核是否为零 vs 像是否占满陪域 | 必不单射, 必不满射 |

| vs | 做事的先后次序 | 先做的写在右边 |

| 线性空间 vs 数域 | 前者是向量集合,后者是标量集合 | 在 上 2 维,在 上 1 维 |

| 同构 vs 相等 | 同构是"改名字"的双射 | ,但两者元素不同 |

| 同构 vs 线性变换 | 同构是可逆的线性变换 | 线性但不满秩的变换不是同构 |

| 零变换 vs 零矩阵 | 同一件事的两种语言 | 不要求 有一个是 |

| 无限维 vs 有限维 | 有没有有限基 | 基扩充定理、维数公式都要求有限维 |


相关笔记

  • 8-2-线性变换的矩阵表示:下一节。任意基下 的矩阵怎么写、为什么 的第 列就是 的坐标、核与像、相似矩阵的引出。

本篇的用法:本篇 10.5 节的坐标映射 正是下一节"矩阵表示"的出发点——先有坐标,才有矩阵。本篇 10.7 节的维数公式在下一节会被完整重证一遍(定理 8.2.4)。

  • 8-3-相似矩阵与基变换:同一个变换在不同基下的矩阵差一个 ,以及为什么"找好的基"能把问题变简单。
  • 1-3-矩阵入门:矩阵乘法的四种理解。本节反复用到"右乘 = 逐列作用",那是矩阵乘法视角的复习。
  • 3-4-线性无关基与维数:基的定义与唯一表示定理。定理 8.1.5 的证明完全依赖它。
  • 4-2-投影与投影矩阵:投影是最典型的"不可逆线性变换", 有清晰的几何解释。
  • 5-3-克莱姆法则与体积:行列式的几何意义是体积伸缩率,是理解本节"五大变换表"的关键。
  • 10-5-图形学与密码学:顶点矩阵左乘变换矩阵、齐次坐标、RSA 中的线性代数。
  • 00-索引:全库导航。

参考来源

  • Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016:第 8 章「Linear Transformations」(线性变换的定义、五大几何变换、复合与矩阵乘法)。
  • MIT OpenCourseWare 18.06 Linear Algebra, Spring 2010,Lecture 30: Linear transformations and their matrices:Strang 关于"线性变换由基上的作用决定"的课堂讲解与几何图示。
  • MIT OpenCourseWare 18.06 课程主页:<https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • Gilbert Strang, Introduction to Linear Algebra 官方配套站点:<https://math.mit.edu/~gs/linearalgebra/>
  • Weisstein, Eric W. "Linear Transformation." MathWorld:<https://mathworld.wolfram.com/LinearTransformation.html>(线性变换的两条公理、、矩阵乘法作为主要例子)。
  • NumPy 官方文档 numpy.linalg.matrix_rank:<https://numpy.org/doc/stable/reference/generated/numpy.linalg.matrix_rank.html>("像的维数 = 秩"这一结论的数值工具)。
  • 同济大学数学系《线性代数》(第七版),高等教育出版社:第 6 章第 3 节「线性变换」、第 4 章「向量组的线性相关性」(国内教材的对应位置)。