清华大学公开课线性代数2——第5讲：线性变换2

此博客停止更新迁移至SnailDove’s Blog，查看本文点击此处

清华大学公开课：线性代数2——第五讲：线性变换2

目录
前言
恒等变换与基变换
基变换的应用
- 一张256x256的灰度图像
- 图像的其中3种基底
- jpeg
线性变换在不同基下的矩阵
同一个线性变换在不同基下的不变性
矩阵分解与基变换
- 对角化矩阵视为线性变换
- 奇异值分解视为线性变换
线性变换的核与像
- 定义
- 线性变换的零度与秩
  - 线性变换秩的证明
  - 线性变换的维度公式
  - 单射满射可逆
不变子空间
- 定义
- 不变子空间的意义

前言

对于给定的线性变换选取适当的基底使得其矩阵表示尽可能简单，我们引入了线性变换的矩阵表示
对于从nn维的向量空间VV到mm维的向量空间WW的线性变换σ\sigma，我们取定VV的一组基v1v_1到vnv_n取定W的一组基w1w_1到wmw_m，那线性变换σσ作用在v1v_1到vnv_n上可以被w1,…,wmw_1,…,w_m线性表示，表示的系数我们被一个m×nm×n的矩阵AA去描述，那么这样线性变换σσ就跟这个m×nm×n的矩阵AA一一对应。线性变换的矩阵表示要依赖于我们基底的选取，一般说来如果基做了改变，同一个线性变换它会有不同的矩阵表示，那我们希望找出线性变换与基底选取无关的性质，这样当我们借助矩阵来研究线性变换的这些性质的时候就可以利用好基底下面尽可能简单的矩阵表示。

恒等变换与基变换

恒等变换就是不变，那么不变的线性变换对应单位矩阵。

the 9th property of determinant: the determinant of ABAB is det AA times det BB: |AB|=|A||B||AB| = |A||B|

因此：由于(\sigma_1\,....\,\sigma_n)(\sigma_1\,....\,\sigma_n) 和 (\beta_1\,...\,\beta_n)(\beta_1\,...\,\beta_n) 都是基向量，因此都是列满秩，又是 nn 维，所以可逆，再推出PP可逆。否则 |\alpha_1\,...\,\alpha_n|\ne|\beta_1\,...\,\beta_n||P||\alpha_1\,...\,\alpha_n|\ne|\beta_1\,...\,\beta_n||P|

基变换的应用

一张256x256的灰度图像

注意：C^NC^N是nn维元素可为复数的基

图像的其中3种基底

小波基好求它的逆，傅里叶基也好求它的逆。如果是4\times44\times4纯色图像直接用小波基或者傅里叶基的第一个分量w_1w_1和\xi_1\xi_1做基底，表示成c_1w_1=W\begin{pmatrix}c_1\\0\\0\\0\end{pmatrix}c_1w_1=W\begin{pmatrix}c_1\\0\\0\\0\end{pmatrix}和c_1\xi_1=\xi\begin{pmatrix}c_1\\0\\0\\0\end{pmatrix}c_1\xi_1=\xi\begin{pmatrix}c_1\\0\\0\\0\end{pmatrix}。而像素之间变换比较剧烈的图像可用小波基中的 c(w_3+w_4)c(w_3+w_4) 和傅里叶基中的 c\xi_3c\xi_3 。

jpeg

图像本身是用系数矩阵cc表示，那么所谓的压缩和传输图像也是压缩和传输这个矩阵cc。压缩做的就是用尽可能少的信息（数据）去代表原有的信息（数据），这个过程会丢失一些不重要的信息（数据），对应到矩阵上就是cc的非0项元素比较少（这个要求用更少数量的基底向量就能接近描述出原来的矩阵，越少越好）。由于 c=W^{-1}xc=W^{-1}x 因此能不能快速计算基底的逆也很重要，而小波基和傅里叶基正符合此特点。

线性变换在不同基下的矩阵

定理：nn向量空间VV上的线性变换\sigma\sigma在VV的不同基下的矩阵是相似矩阵。

由上图可得：
I_1I_1 和 I_2I_2 是恒等变换
(\beta_1\,...\,\beta_n)=I_1(\beta_1\,...\,\beta_n)=(\alpha_1\,...\,\alpha_n)P(\beta_1\,...\,\beta_n)=I_1(\beta_1\,...\,\beta_n)=(\alpha_1\,...\,\alpha_n)P
(\alpha_1\,...\,\alpha_n)=I_2(\alpha_1\,...\,\alpha_n)=(\beta_1\,...\,\beta_n)P^{-1}(\alpha_1\,...\,\alpha_n)=I_2(\alpha_1\,...\,\alpha_n)=(\beta_1\,...\,\beta_n)P^{-1}
线性变换复合角度：\sigma=I_2\,\sigma\,I_1\,\rightarrow\,B=P^{-1}AP\sigma=I_2\,\sigma\,I_1\,\rightarrow\,B=P^{-1}AP

同一个线性变换在不同基下的不变性

当我们借助于矩阵来研究线性变换的时候，我们希望研究线性变换与基底选取无关的性质。由以上的讨论我们知道这个向量空间VV到自身的线性变换在不同基下的矩阵表示是互为相似矩阵的。因此，所谓与基底选取无关的性质也就是相似变换下不变的性质，那么这样自然地研究相似不变量是线性代数中很重要的内容。我们知道对于一个矩阵而言特征多项式、特征值、迹、行列式、矩阵的秩等等都是矩阵的相似不变量，这样我们就称一个n维向量空间VV上线性变换在VV的一组基下的矩阵AA，把矩阵表示AA的特征多项式、特征值、迹行列式等等就叫做这个线性变换的特征多项式、特征值、迹、行列式。

矩阵分解与基变换

给定一个R^nR^n到R^mR^m的线性变换σσ，它在R^nR^n中的标准基e_1e_1到e_ne_n和R^mR^m的标准基ẽ_1,…,ẽ_mẽ_1,…,ẽ_m下的矩阵是 AA ，
σσ作用在e_1 … e_ne_1 … e_n上面就等于\tilde{e}_1,…, \tilde{e}_m\tilde{e}_1,…, \tilde{e}_m去乘以矩阵AA，也就是说σσ作用在e_je_j上，就等于AA的第j列，也就是AA去乘以e_je_j，因此这个线性变换就可以表示成对任何的nn维向量vv，那么σσ作用在vv上就是矩阵AA去乘以VV ：
\sigma(e_1\,...\,e_n)=(\tilde{e}_1 \,...\,\tilde{e}_m)A\rightarrow\sigma(e_j)=Ae_j\sigma(e_1\,...\,e_n)=(\tilde{e}_1 \,...\,\tilde{e}_m)A\rightarrow\sigma(e_j)=Ae_j

接下来做基变换，第一个改变输入基，第二个改变输出基，第三个输入输出基都改。

对角化矩阵视为线性变换

由上可得 \sigma(x_1\,...\,x_n)=(x_1\,...\,x_n)\Lambda=S\Lambda\sigma(x_1\,...\,x_n)=(x_1\,...\,x_n)\Lambda=S\Lambda ，xx 为特征向量基，另外基变换 {id}_1(S)=S=\{e\}S{id}_1(S)=S=\{e\}S
σ<script type="math/tex">σ</script>这个线性变换在A的特征向量作为的新基下面，它的矩阵表示是 \Lambda\Lambda 这个对角阵。而σσ从 R^nR^n 到 R^nR^n在标准基下的矩阵是AA，σσ在特征向量基下的矩阵表示是对角阵 \Lambda\Lambda。那么输入xx这组基，输出ee这组基，这个恒同变换，它的矩阵表示是 SS 。如果输入ee这组基，输出xx这组基这个恒同变换，它的矩阵表示是S^{-1}S^{-1}。

奇异值分解视为线性变换

线性变换的核与像

定义

线性变换的零度与秩

线性变换秩的证明

注：L(\sigma(v_1),\,...\,,\sigma(v_n))L(\sigma(v_1),\,...\,,\sigma(v_n)) 符号含义：由 \sigma(v_1),\,...\,,\sigma(v_n)\sigma(v_1),\,...\,,\sigma(v_n) 线性张成。

线性变换的维度公式

单射满射可逆

中学学过的单射双射满射

线性变换下的单射（injective），满射（surjective）与逆（inverse）

第一个等价符号证明（反证法）：如果单射无法推出核只有\{0\}\{0\}，那么假设\exists\,\alpha(\ne0)\in{ker\,\sigma}\exists\,\alpha(\ne0)\in{ker\,\sigma} 那么\sigma(\alpha)=0\sigma(\alpha)=0，又因为\sigma(0)=0\sigma(0)=0, 即\sigma(\alpha\,or\,0)=0\sigma(\alpha\,or\,0)=0与单射矛盾。反之，如果\sigma(v_1)=0, \sigma(v_2)=0\sigma(v_1)=0, \sigma(v_2)=0，根据线性变换的定义或者性质得：\sigma(v_1-v_2)=0\rightarrow v_1-v_2\in ker\,\sigma=\{0\}\rightarrow v_1=v_2\rightarrow \sigma\sigma(v_1-v_2)=0\rightarrow v_1-v_2\in ker\,\sigma=\{0\}\rightarrow v_1=v_2\rightarrow \sigma 是单射。因此：\sigma\sigma是单射\Leftarrow\Rightarrow ker\,\sigma=\{0\}\Leftarrow\Rightarrow ker\,\sigma=\{0\}

例子：

不变子空间

定义

不变子空间的意义

那从这里头我们看到，我们希望把大空间分解成不变子空间的直和，从而能够取出合适的基底，从而使得线性变换
在这组基底下的矩阵表示能够成为对角块的形状，那么对于线性变换的研究就转化成它限制在不变子空间上的研究
以此为基础，看一下幂零变换的结构。

清华大学公开课线性代数2——第5讲：线性变换2相关推荐

清华大学公开课线性代数2——第8讲：图和网络
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处目录目录简介欧姆定律Ohms law的向量形式图与矩阵关联矩阵incidence matrix 邻接矩阵adjacen ...
清华大学公开课线性代数2——第7讲：工程中的矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第7讲:工程中的矩阵提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片 ...
清华大学公开课线性代数2——第9讲：马尔科夫矩阵和正矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第9讲:马尔科夫矩阵和正矩阵提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口 ...
清华大学公开课线性代数2——第6讲：伪逆
此博客停止更新,迁移至SnailDove's blog,查看本文请点击此处,清华大学线性代数2笔记汇总:线性代数总结笔记源自:清华大学公开课:线性代数2--第6讲:伪逆 **提示:**如果文中图片看 ...
清华大学公开课线性代数2——第1讲：正定矩阵
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处清华大学线性代数2笔记汇总:线性代数总结笔记源自:清华大学公开课:线性代数2--第1讲:正定矩阵,涉及:正定矩阵.二次型.合 ...
清华大学公开课线性代数2——第10讲：傅里叶级数
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第10讲:傅里叶级数 **提示:**如果文中图片看不清文字,请右键单击鼠标,选择在新窗口 ...
清华大学公开课线性代数2——第3讲：奇异值分解
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第3讲:奇异值分解提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片, ...
清华大学公开课线性代数2——第4讲：线性变换1
此博客停止更新迁移至SnailDove's Blog,查看本文点击此处笔记源自:清华大学公开课:线性代数2--第4讲:线性变换1 目录目录前言线性变换的定义性质运算向量空间的定义线性变换的 ...
清华大学公开课《线性代数2》总结
本文是本人学习线性代数的笔记汇总,个人学习顺序是网易MIT线性代数公开课结合其教材,然后是用清华大学线性代数公开课做复习,清华的课证明更多深度更深一些(逻辑更严密一些)而mit公开课是用及其3阶矩阵讲 ...

清华大学公开课线性代数2——第5讲：线性变换2

目录

前言

恒等变换与基变换

基变换的应用

一张256x256的灰度图像

图像的其中3种基底

jpeg

线性变换在不同基下的矩阵

同一个线性变换在不同基下的不变性

矩阵分解与基变换

对角化矩阵视为线性变换

奇异值分解视为线性变换

线性变换的核与像

定义

线性变换的零度与秩

线性变换秩的证明

线性变换的维度公式

单射满射可逆

不变子空间

定义

不变子空间的意义

清华大学公开课线性代数2——第5讲：线性变换2相关推荐

最新文章

热门文章