【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
目录
- 前言
- 往期文章
- 3.2 线性变换的矩阵表示
- 定义3.7
- 命题
- 定理3.2.1
- 结语
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
往期文章
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(2):线性空间定义及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(3):线性空间的基与坐标
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(4):基变换与坐标变换
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(5):线性子空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(7):欧氏空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(9):正交补与投影定理
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(10):线性变换定义
3.2 线性变换的矩阵表示
定义3.7
设ε1,...,εn\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}ε1,...,εn是线性空间VVV的一个基,VVV上的线性变换A\mathscr{A}A在这个基下的像Aε1,...,Aεn\mathscr{A}\boldsymbol{\varepsilon_1},...,\mathscr{A}\boldsymbol{\varepsilon_n}Aε1,...,Aεn,有
Aε1=a11ε1+a21ε2+...+an1εnAε2=a12ε1+a22ε2+...+an2εn...................................................Aεn=a1nε1+a2nε2+...+annεn\mathscr{A}\boldsymbol{\varepsilon_1}=a_{11}\boldsymbol\varepsilon_1+a_{21}\boldsymbol\varepsilon_2+...+a_{n1}\boldsymbol\varepsilon_n\\ \quad\\ \mathscr{A}\boldsymbol{\varepsilon_2}=a_{12}\boldsymbol\varepsilon_1+a_{22}\boldsymbol\varepsilon_2+...+a_{n2}\boldsymbol\varepsilon_n\\ \quad\\ ...................................................\\ \quad \\ \mathscr{A}\boldsymbol{\varepsilon_n}=a_{1n}\boldsymbol\varepsilon_1+a_{2n}\boldsymbol\varepsilon_2+...+a_{nn}\boldsymbol\varepsilon_nAε1=a11ε1+a21ε2+...+an1εnAε2=a12ε1+a22ε2+...+an2εn...................................................Aεn=a1nε1+a2nε2+...+annεn
利用矩阵形式表示
(Aε1,...,Aεn)=(ε1,ε2,...,εn)[a11a12...a1na21a22...a2n......an1an2...ann](\mathscr{A}\boldsymbol{\varepsilon_1},...,\mathscr{A}\boldsymbol{\varepsilon_n})=(\boldsymbol\varepsilon_1,\boldsymbol\varepsilon_2,...,\boldsymbol\varepsilon_n)\begin{bmatrix} a_{11} & a_{12} &... & a_{1n}\\ a_{21} & a_{22} & ... &a_{2n}\\ . & . & & . \\ . & . & & . \\ a_{n1} & a_{n2} &... & a_{nn}\\ \end{bmatrix} (Aε1,...,Aεn)=(ε1,ε2,...,εn)⎣⎢⎢⎢⎢⎡a11a21..an1a12a22..an2.........a1na2n..ann⎦⎥⎥⎥⎥⎤
令
A=[a11a12...a1na21a22...a2n......an1an2...ann]A=\begin{bmatrix} a_{11} & a_{12} &... & a_{1n}\\ a_{21} & a_{22} & ... &a_{2n}\\ . & . & & . \\ . & . & & . \\ a_{n1} & a_{n2} &... & a_{nn}\\ \end{bmatrix} A=⎣⎢⎢⎢⎢⎡a11a21..an1a12a22..an2.........a1na2n..ann⎦⎥⎥⎥⎥⎤
其中矩阵AAA的第iii列是Aεi\mathscr{A}\boldsymbol{\varepsilon_i}Aεi在基ε1,...,εn\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}ε1,...,εn之下的坐标
称矩阵AAA为线性变换A\mathscr{A}A在基ε1,...,εn\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}ε1,...,εn之下的矩阵表示
Notes
- 线性空间VVV上的一个线性变换A\mathscr{A}A在给定的基下可以惟一确定一个矩阵AAA
- 任意给定一个矩阵AAA,可以惟一确定一个线性变换A\mathscr{A}A
- 给定一个线性变换A\mathscr{A}A,在不同的基下矩阵的表示一般是不相同的
命题
设A\mathscr{A}A是数域KKK上nnn维线性空间VVV上的一个线性变换,ε1,...,εn\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}ε1,...,εn是VVV的一个基底,且
(Aε1,...,Aεn)=(ε1,ε2,...,εn)A(\mathscr{A}\boldsymbol{\varepsilon_1},...,\mathscr{A}\boldsymbol{\varepsilon_n})=(\boldsymbol\varepsilon_1,\boldsymbol\varepsilon_2,...,\boldsymbol\varepsilon_n)A(Aε1,...,Aεn)=(ε1,ε2,...,εn)A
则
- R(A)=L(Aε1,...,Aεn)R(\mathscr{A})=L(\mathscr{A}\boldsymbol{\varepsilon_1},...,\mathscr{A}\boldsymbol{\varepsilon_n})R(A)=L(Aε1,...,Aεn)
- A的秩=A的秩\mathscr{A}的秩=A的秩A的秩=A的秩
- N(A)={α=k1ε1+...+knεn|A[k1...kn]=0}N(\mathscr{A})=\{\alpha=k_1\boldsymbol{\varepsilon_1}+...+k_n\boldsymbol{\varepsilon_n} |A\begin{bmatrix} k_1\\ .\\ . \\ .\\ k_n\\ \end{bmatrix}=0\}N(A)={α=k1ε1+...+knεn|A⎣⎢⎢⎢⎢⎡k1...kn⎦⎥⎥⎥⎥⎤=0}
定理3.2.1
设ε1,...,εn\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}ε1,...,εn是数域KKK上nnn维线性空间VVV的一个基
线性变换A、B\mathscr{A}、\mathscr{B}A、B在该基下依次用矩阵表示A、BA、BA、B,则有
(1)(A+B)(ε1,...,εn)=(ε1,...,εn)(A+B)(\mathscr{A}+\mathscr{B})(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})=(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})(A+B)(A+B)(ε1,...,εn)=(ε1,...,εn)(A+B)
(2)(kA)(ε1,...,εn)=(ε1,...,εn)(kA)(k\mathscr{A})(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})=(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})(kA)(kA)(ε1,...,εn)=(ε1,...,εn)(kA)
(3)(AB)(ε1,...,εn)=(ε1,...,εn)(AB)(\mathscr{A}\mathscr{B})(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})=(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})(AB)(AB)(ε1,...,εn)=(ε1,...,εn)(AB)
(4)若A\mathscr{A}A可逆,则A−1(ε1,...,εn)=(ε1,...,εn)A−1\mathscr{A}^{-1}(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n})=(\boldsymbol{\varepsilon_1},...,\boldsymbol{\varepsilon_n}){A^{-1}}A−1(ε1,...,εn)=(ε1,...,εn)A−1
结语
说明:
- 参考于 课本《矩阵理论》
- 配合书中概念讲解 结合了自己的一些理解及思考
文章仅作为学习笔记,记录从0到1的一个过程
希望对您有一点点帮助,如有错误欢迎小伙伴指正
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
目录 前言 往期文章 4.1 向量范数及其性质 4.1.1 向量范数的概念及P-范数 定义4.1 例1 向量的几种范数 4.1.2 n n n维线性空间 V V V上的向量范数等价性 定理4.1.1 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
目录 前言 往期文章 幂级数 一.函数项级数的概念 定义:(函数项)无穷级数 幂级数及其收敛性 幂级数 定理1(阿贝尔定理) 推论 定理2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
目录 前言 往期文章 5.2 函数矩阵的微分和积分 5.2.1 函数矩阵对自变量的微分和积分 定义5.3:函数矩阵 定义5.4:函数矩阵的微分 单元函数矩阵的一些性质 例1 定义5.5 函数矩阵的积分 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
目录 前言 往期文章 2.2 标准正交基与Gram-Schmidt过程 2.2.1 标准正交基 定义2.4 定理2.2.1 定义2.5 2.2.2 求标准正交基的Schmide方法 定理2.2.2 举 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)
目录 前言 往期文章 常数项级数的概念和性质 一.常数项级数的概念 常数项无穷级数 定义:收敛与发散 例题 二.收敛级数的基本性质 性质1 性质2 性质3 性质4 性质5(级数收敛的必要条件) 三.柯 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
目录 前言 往期文章 3.4 Hamliton-Cayley定理.最小多项式 定义3.19 Hamliton-Cayley定理 定义3.20 定理3.4.1 定理3.4.2 定理3.4.3 定理3.4 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
目录 前言 往期文章 1.6 子空间的交与和 1.6.1 子空间的交 定理1.6.1 1.6.2 子空间的和 定义1.8 定理1.6 .2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(24):常数项级数的审敛法(补充知识)
目录 前言 往期文章 常数项级数的审敛法 一.正项级数及其审敛法 定义:正项级数 定理1 定理2(比较审敛法) 推论 定理3 (比较审敛法的极限形式) 定理4(比值审敛法,达朗贝尔判别法) 定理5(比 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
目录 前言 1.1 集合与映射 平凡子集合 和集 映射 满射 单射 一一映射 举例 例 - 1 例 - 2 例 - 3 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方 ...
最新文章
- PDO防注入原理分析以及使用PDO的注意事项 (转)
- Retrofit 2.0:有史以来最大的改进
- 【控制】《自动控制原理》胡寿松老师-第1章-自动控制的一般概念
- 验证视图状态MAC失败的解决办法
- 【CSS3 DEMO】扑克正反面翻牌效果
- ssl提高组国庆模拟赛【2018.10.5】
- 数据结构6——回文树
- LeetCode 105. 从前序与中序遍历序列构造二叉树(递归)
- 百度——LBS.云 v2.0——云存储的POI创建和删除--Android 源码
- 英文站变现赚美金的7种方式
- Java国际手机号正则校验
- Photoshop CS2 9.0注册机和注册方法
- canvas径向渐变详解
- macOS中快速打开终端
- 科技爱好者周刊:第 90 期
- picker多选 vant_vant框架picker选择器形式列表,以及封装
- Javaweb_文件上传
- Python 教你自动发微博,每日实现一句心灵鸡汤
- 前端面试之ES5与ES6的区别
- SuperMap、Cesium叠加ArcGIS,高德,谷歌二维,卫星地图实现二三维地图切换