基变换与线性变换梳理

关于线性代数当中的基变换和线性变换这一块，个人觉得特别繁杂，看起来简单，但是推导起来有点混乱，于是写下这篇博客记录一下初次学习的笔记和一些理解。本文参考麻省理工Gilbert Strang的线性代数公开课和戴华老师的《矩阵论》所写，理解有误的地方请大家指出。

学习线性代数可以从很多个地方入手，比如说同济版的《线性代数》从行列式入手（个人觉得很难接受）；Mit公开课上的以矩阵的4个子空间入手；据说从线性变换入手也是可以的，所以博主想写的就是一个从线性变换入手的一个思路，在开始之前，大家可以先想象一副完全空白的画面，完全空白。

这个完全空白的画面是一个空间 V，首先往里面放入一个线性变换 T，所谓的线性变换，实际上是一条规则，所以现在我们的空间中仍然是一片空白。这个规则说，有一些变换比较特别（也可以理解成某个函数），它满足：

这是一条最基本的规则，非常的重要。下面我们继续来完善这个规则，首先是输入和输出，我们并没有限定输入和输出的维数是什么，所以输入和输出的维数不必相等（千万不要以为线性变换对应的矩阵一定是方阵），比方说 T ：R³ -> R² ，那么在我们的空间 V 中的任意一个3维vector都可以通过 T 变换成一个唯一的2维vector，而且 T 满足上面的规则。注意，现在所说的vector只是一个箭头，它并没有坐标，例如下面的 T（A）= B：

那你可能会问，何来3维和2维的区别呢？这和它没有坐标是一个道理，因为我们还没有指定基。3维说明它有3个线性无关的基向量，2维说明它有2个线性无关的基向量，当我指定了基以后，3维的vector就可以表达成 <a1, a2, a3> ，而2维的vector可以表达成 <b1, b2>了，现在我来指定3维空间的基是 (v1, v2, v3)，2维空间的基是 (w1, w2)，然后当然的在空间 V 中划分出3维空间和2维空间来：

然后你又会问，那坐标得怎么算呢？这里可以这么理解，提供基的目的是提供一个基准，我们得同时给定一个方向和一个单位长度，这好比我指定了地图上的东和北是右和上两个方向，指定111千米是1度，这才可以用 <a, b> ，也就是经纬度来定位地球上的每一个点。OK，那我们就这么来办，我指定各个维度的方向就是各个基向量的方向，各个维度的单位长度就是各个基向量的长度，所以，比方说 v1 我就可以用 <1,0,0> 来表示，因为 v1 = 1·v1 + 0·v2 + 0·v3 嘛，这样一来空间中的每个vector都可以用坐标来表示了。当然了，要是你用1/2的长度作为单位长度，那 v1 就变成 <2,0,0>了，接下来的讨论，如果给出基，那默认以基向量的方向为维度的方向，以基向量的长度为单位长度。

搞清楚怎么算坐标之后，我们继续来描绘这个 T 变换，现在的情况是，你定义了一个 T 变换，你自己知道 A 会变成 B，或许你还知道 C 会变成 D，还有很多很多，但是你要怎么说清楚它呢？你总不能见到一个人，就把你的所有ABCD都拿出来，然后告诉它这就是我的 T 变换了吧，那要是我来给你一个 E，可能连你自己都不知道输出是什么呢！所以我们要找到一种用语言来描绘的方法，把这件事情给说定了。（下面是堆公式的时间了！）

首先我拿出一对输入基（v1，v2，v3 ... vn）和输出基（w1, w2, w3 ... wm）,（这个 vn 和 wm 习惯就好！），首先，你自己定义的 T 变换，这个变换对输入基的结果你得知道吧，比方说，你得知道经过 T 变换后的 v1 是（w1，... wm）的怎样的线性组合，再换句话说，原本在（v1, ... vn）下坐标为 <1,0 ... 0> 的 v1，经过 T 变换后在（w1，... wm）下的坐标是什么。有些绕，但是要记住这个 T 是你自己定义的，所以变换后的结果就是你说了算的，所以不要问我为什么 T（A）= B 哦！

为了不至于混乱，这里给出两条公式做个对比，用基的线性组合来表示，则不必想到基（的基）是什么，就如上图一样，而用到了坐标，就一定要考虑到基是什么，因为是先有了基才有了坐标：

OK，上公式，假设输入基是（v1，v2，... vn），输出基是（w1，w2，... wm），所以你一定得知道：

不知道b的下标要怎么摆的话看下图，我们要改写成如下矩阵的形式，也就是每一列是一组线性组合，所以B矩阵的每一列就是 vi 经过变换后在新基的坐标了，等会我们要用到：

准备工作这就做好了，下面我们来真正的描述变换 T，在输入基的空间下，所有的vector都是基向量的线性组合，即：

对vector x 进行 T 变换，我们用到了 T 的基本规则：

注意了，上面的式子用了基表示法，我们可以把它转换成坐标表示法（将右边部分看成是W的线性组合，Ba是坐标），这样就可以得到我们的一般形式：

大功告成，如果这次你给我一个E，那我就可以告诉你输出了，就是BE嘛，所以说我们的变换 T 就给真正的定义下来，我们可以留意到，每一个变换 T 在给定的一组输入基和输出基下都有一个对应的矩阵B，B怎么来的呢，这是通过我们事先给定的通过两组基推算出来的，所以，变换 T，输入输出基，矩阵B是三位一体的，确定两个就可以推出另外一个了。

现在我们来审视一下我们的变换 T 能用来干什么。我们的 T 可以处理的问题是，从一个输入基（v1，v2，... vn）到一个输出基（w1，w2, ... wm）的转换，一般来说这个转换是等价的，举个例子，我们处理一些物理问题的时候，我们可以先从原来的xy坐标系转换成以另外一些更加便于计算的坐标系，例如速度方向作为一个维度，垂直速度的方向作为另一个维度，这个过程一般是等价的，做这种变换的目的是方便我们计算，是一种坐标系的变换，当然你也可以认为这种变换用来做降维或者升维。但是更多的情况是，我们要处理另外一种问题，例如求一个vector旋转90度后的结果，或者说求一个vector到另一个vector的投影，这时候再要进行坐标系的变换就不合适了。其实我们早就习惯这种变换了，这是一种映射，一条函数，变换前后坐标系当然不变，就像求 f（x）= x * x，你会考虑变换坐标系来增加你的计算量吗，不会，所以，更加一般的情况是输入基和输出基一致的情况，也就是（v1，v2，... vn）= （w1，w2, ... wm）的情况，当然，这种变换也有对应的矩阵B，计算方法也是一样的。

以下的讨论暂时不考虑基变换，当出现基的时候，意思是输入基和输出基都是这个基。现在的情况是，我们的变换 T 可能是旋转变换，可能是投影变换等等，对应一个矩阵B，我们想知道一个vector在这个变换下的结果，我们就要计算一次T（x）= B·x，那我们当然希望这个B尽可能简单，例如是对角阵，内积计算起来速度就非常快。而这个B又是根据 T 和基计算出来的，所以，现在我们要确定一个基，让这个B最简单。

同一个变换 T 在不同基下的矩阵是不同的，但既然是同一个变换，那总得有点联系吧。首先假设有两组基（v1...，vn）和（w1...，wm），满足下面的关系，C 叫过渡矩阵：

我们从两组基的角度计算结果，注意坐标表示法和基表示法的转换：

所以我们得到矩阵A和B的关系，我们把这种关系定义成两个矩阵相似，很显然这是一种把矩阵进行划分的方法，也就是说给一个 T 变换，那么我们选不同基对应的矩阵都是一类，不同 T 变换而来的矩阵又是一类。

我们现在已经掌握了方法了，剩下就是计算的问题了。假设现在我们有 T ，基是（n1..., nn），对应的矩阵是A，只不过这个A的计算比较麻烦，我们需要找到一组新的基（x1...，xm），使得对应的基是一个对角阵，记为 Λ：

用矩阵展开，左右只取结果的某一列，就可以得到：

看到这里应该就知道了 λ 就是特征值了，cj 就是对应的特征向量，所以为什么说在写 λ 的时候一定要注意对着特征向量写，因为对错了就错了。如果你细心的话，你也可以知道 cj 其实是xj在原基（n1，... nn）下的坐标：

如果我们再研究一下 λ，把 A 看成是某个基下的矩阵的话，λ的意义就在于，对于变换 T 是伸缩变换，缩放的倍数是λ，或者说，对于某些矩阵，一个vector和它进行内积之后方向不发生改变：

这里有一个非常容易搞混的地方，你这样子前后的基不也是改变了吗，这也是基变换吧？注意了，基变换的意思是有一个变换，连接两个空间，输入在一个空间，输出在另一个空间；而这里是基选择的问题，同一个线性变换，输入空间和输出空间相同，但是我可以选择一组基，让我的计算更加简单，千万不要搞错了。

这种选择到现在来说非常好，只是有一个问题，这样的方法成功的前提是 CΛ = AC，如果 A 不满秩，说明解出来的 λ 不够用，也就是说 A 不可对角化，那就不成立了，这个时候，就要化成 Jordan 型了。关于Jordan的推导有点长就不写了，但是思想是一样的，就是让 T 的矩阵尽可能简单，既然不可对角化，就退而求其次罢了。

整个推导就差不多结束了，然后说说个人的一些想法。其实我们学习的时候，直觉上是和从上面推导的过程相反的，因为基变换对我们来说是透明的，我们不需要去考虑到它，在使用的时候往往是先有一个矩阵A，然后我直接计算 Ax 就好了，我根本不用去思考这是一种怎样的变换，基是什么，也没有什么不妥，我们当然不需要在意从a，到Xa，再到YXa经历了怎么样的变换，经过了3个怎么样的基，如果你强行觉得要思考的话，你可以认为我们一直以直角坐标系作为坐标系，输入空间和输出空间一样，然后反过来再推导出变换 T 到底是什么。还有最后的最后，上面的整个推导博主都回避了一个问题，那就是为什么Ax=A·x，其实整个构建都在于定义了点乘上，如果我说Ax = A+[x,x,...,x]，类似于矩阵乘等于广播加的话，整个推导就要重新搭建了。

基变换与线性变换梳理相关推荐

老王说ros的tf库
ros的tf库为了这个题目,我是拿出了挤沟的精神挤时间,是下了功夫的,线性代数.矩阵论复习了,惯性导航里的dcm.四元数也了解了,刚体力学也翻了,wiki里的欧拉角也读了,tf的tutorial.p ...
【总结】线性代数的本质 - 3
文章目录 3. 其他 3.1 向量点积 3.1.1 定义和几何解释 3.1.2 点积的对偶性 3.2 向量叉积 3.2.1 叉积基本定义 3.2.2 叉积的几何解释 3.2.3 点积与叉积的区别和联系 ...
ROS之tf空间坐标变换完全详解
本博文主要汇总了自己在使用ROS中tf坐标变换包时查找的一些参考资料和博客,包括了tf和部分tf2的使用,在此感谢本博文中出现的所有的博客链接! 参考资源: ROS官网详细介绍: http://wik ...
MIT公开课18.06 Gilbert Strang 线性代数笔记3 - 正定矩阵及其应用
文章目录第26讲:对称矩阵及正定性对称矩阵性质描述证明谱定理,对称矩阵的分解对称矩阵特征值的符号正定性定义例子第27讲:复数矩阵和快速傅里叶变换复数矩阵运算计算复向量的模计 ...
仿射变换原理和其OpenCV-Python实现知识汇总
☞ ░ 老猿Python博文目录:https://blog.csdn.net/LaoYuanPython ░ 一.仿射变换概念和类型图像几何变换又称为图像空间变换,是各种图像处理算法的基础.它是在不 ...
一般向量空间的基变换_从希尔伯特空间的角度看线性变换的一般思想和问题
一般线性变换以及傅里叶变换,欧氏变换,仿射变换,余弦变换,小波变换,拉普拉斯变换,Z变换,希尔伯特变换等等这些所谓的变换太多了,这些到底搞得是什么?怎么像云像雾又像风呢?怎么才能彻底理解它们?它们究竟 ...
一般向量空间的基变换_MIT—线性代数笔记30 线性变换及对应矩阵
第30讲线性变换及对应矩阵 Linear transformations and their matrices 网易公开课open.163.com 线性变换 Linear transformati ...
一般向量空间的基变换_线性代数的本质03 矩阵与线性变换
03 矩阵与线性变换 [熟肉]线性代数的本质 - 03 - 矩阵与线性变换_哔哩哔哩 (゜-゜)つロ干杯~-bilibiliwww.bilibili.com 线性变换的概念以及它和矩阵的关系是非常 ...
线代[2]｜对极易混淆概念的梳理—线性相关与线性无关、极大线性无关部分组与秩与基础解系、向量空间的基与维数
原创首发于CSDN,转载请注明出处(CSDN:古希腊的汉密士),谢谢! 文章目录一般形式的线性方程组线性相关与线性无关线性极大无关部分组与秩与基础解系 |齐次线性方程组的解向量空间的基与维数 ...

基变换与线性变换梳理

基变换与线性变换梳理相关推荐

最新文章

热门文章