【推导】线性变换的矩阵表达式
前置定义 1 设 V n V_n Vn, U m U_m Um 分别是 n n n 维和 m m m 维线性空间, T T T 是一个从 V n V_n Vn 到 U m U_m Um 的映射,如果映射 T T T 满足:
(i)任给 α 1 , α 2 ∈ V n \boldsymbol{\alpha}_1, \boldsymbol{\alpha}_2 \in V_n α1,α2∈Vn(从而 α 1 + α 2 ∈ V \boldsymbol{\alpha}_1 + \boldsymbol{\alpha}_2 \in V α1+α2∈V),有
T ( α 1 + α 2 ) = T ( α 1 ) + T ( α 2 ) T(\boldsymbol{\alpha}_1 + \boldsymbol{\alpha}_2) = T(\boldsymbol{\alpha}_1) + T(\boldsymbol{\alpha}_2) T(α1+α2)=T(α1)+T(α2)
(ii)任给 α ∈ V n \boldsymbol{\alpha} \in V_n α∈Vn, λ ∈ R \lambda \in \R λ∈R(从而 λ α ∈ V n \lambda \boldsymbol{\alpha} \in V_n λα∈Vn),有
T ( λ α ) = λ T ( α ) T(\lambda \boldsymbol{\alpha}) = \lambda T(\boldsymbol{\alpha}) T(λα)=λT(α)
那么, T T T 就称为从 V n V_n Vn 到 U m U_m Um 的 线性映射,或称为 线性变换。
描述见 “线性变换及其基本性质”。
设有 n n n 阶矩阵
A = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ) = ( α 1 , α 2 , ⋯ , α n ) \boldsymbol{A} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{pmatrix} = (\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) A=⎝⎜⎜⎜⎛a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann⎠⎟⎟⎟⎞=(α1,α2,⋯,αn)
其中
α i = ( a 1 i a 2 i ⋮ a n i ) \boldsymbol{\alpha}_i = \begin{pmatrix} a_{1i} \\ a_{2i} \\ \vdots \\ a_{ni} \end{pmatrix} αi=⎝⎜⎜⎜⎛a1ia2i⋮ani⎠⎟⎟⎟⎞
定义 R n \R^n Rn 中的变换 y = T ( x ) \boldsymbol{y} = T(\boldsymbol{x}) y=T(x) 为
T ( x ) = A x ( x ∈ R n ) (1) T(\boldsymbol{x}) = \boldsymbol{A} \boldsymbol{x} \ (x \in R^n) \tag{1} T(x)=Ax (x∈Rn)(1)
1. 证明:变换 T T T 是线性变换
设 a , b ∈ R n \boldsymbol{a}, \boldsymbol{b} \in R^n a,b∈Rn, λ ∈ R \lambda \in R λ∈R,则
T ( a + b ) = A ( a + b ) = A a + A b = T ( a ) + T ( b ) (2) T(\boldsymbol{a} + \boldsymbol{b}) = \boldsymbol{A} (\boldsymbol{a} + \boldsymbol{b}) = \boldsymbol{A} \boldsymbol{a} + \boldsymbol{A} \boldsymbol{b} = T(\boldsymbol{a}) + T(\boldsymbol{b}) \tag{2} T(a+b)=A(a+b)=Aa+Ab=T(a)+T(b)(2)
T ( λ a ) = A ( λ a ) = λ A a = λ T ( a ) (3) T(\lambda \boldsymbol{a}) = \boldsymbol{A} (\lambda \boldsymbol{a}) = \lambda \boldsymbol{A} \boldsymbol{a} = \lambda T(\boldsymbol{a}) \tag{3} T(λa)=A(λa)=λAa=λT(a)(3)
又因为根据式 ( 1 ) (1) (1), T T T 的像空间就是由 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n α1,α2,⋯,αn 所生成的向量空间
T ( R n ) = { y = x 1 a 1 + x 2 a 2 + ⋯ + x n a n ∣ x 1 , x 2 , ⋯ x n ∈ R } T(\R^n) = \{ \boldsymbol{y} = x_1 \boldsymbol{a}_1 + x_2 \boldsymbol{a}_2 + \cdots + x_n \boldsymbol{a}_n | x_1, x_2, \cdots x_n \in R \} T(Rn)={y=x1a1+x2a2+⋯+xnan∣x1,x2,⋯xn∈R}
显然, T T T 的像空间为 n n n 维线性空间,所以 T T T 是一个从 n n n 维线性空间到 n n n 维线性空间的映射。
综上所述,根据前置定义 1 可知, T T T 为线性变换。
2. 证明: R n \R^n Rn 中的任何一个线性变换都能用式 ( 1 ) (1) (1) 来表示。
不妨设单位坐标向量 e 1 , e 2 , ⋯ , e n \boldsymbol{e}_1, \boldsymbol{e}_2, \cdots, \boldsymbol{e}_n e1,e2,⋯,en 为单位坐标向量,将它们代入式 ( 1 ) (1) (1),则有
α i = T ( e i ) ( i = 1 , 2 , ⋯ , n ) (4) \boldsymbol{\alpha}_i = T(\boldsymbol{e}_i) \hspace{1em} (i=1,2,\cdots,n) \tag{4} αi=T(ei)(i=1,2,⋯,n)(4)
可见如果线性变换 T T T 有关系式 T ( x ) = A x T(\boldsymbol{x}) = \boldsymbol{A} \boldsymbol{x} T(x)=Ax,那么矩阵 A \boldsymbol{A} A 应以 T ( e i ) T(\boldsymbol{e}_i) T(ei) 为列向量。
反之,设有任意线性变换 y = T ( x ) \boldsymbol{y} = T(\boldsymbol{x}) y=T(x),将单位坐标向量 e 1 , e 2 , ⋯ , e n \boldsymbol{e}_1, \boldsymbol{e}_2, \cdots, \boldsymbol{e}_n e1,e2,⋯,en 代入,不妨设满足
T ( e i ) = β i ( i = 1 , 2 , ⋯ , n ) T(\boldsymbol{e}_i) = \boldsymbol{\beta}_i \hspace{1em} (i=1,2,\cdots,n) T(ei)=βi(i=1,2,⋯,n)
于是根据式 ( 2 ) (2) (2) 和式 ( 3 ) (3) (3),有
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ T(\boldsymbol{…
设 B = ( β 1 , β 2 , ⋯ , β n ) \boldsymbol{B} = (\boldsymbol{\beta}_1, \boldsymbol{\beta}_2, \cdots, \boldsymbol{\beta}_n) B=(β1,β2,⋯,βn),则根据上式 ( 5 ) (5) (5),有
T ( x ) = B x T(\boldsymbol{x}) = \boldsymbol{B} \boldsymbol{x} T(x)=Bx
3. 结论
综上所述, R n \R^n Rn 中任何线性变换 T T T,都能用关系式
T ( x ) = A x ( x ∈ R n ) T(\boldsymbol{x}) = \boldsymbol{A} \boldsymbol{x} \hspace{1em} (x \in \R^n) T(x)=Ax(x∈Rn)
表示,其中 A = ( T ( e 1 ) , T ( e 2 ) , ⋯ , T ( e n ) ) \boldsymbol{A} = (T(\boldsymbol{e}_1), T(\boldsymbol{e}_2), \cdots, T(\boldsymbol{e}_n)) A=(T(e1),T(e2),⋯,T(en))。
将上面的讨论推广到一般的线性空间,我们有
定义 1 设 T T T 是线性空间 V n V_n Vn 中的线性变换,在 V n V_n Vn 中取定一个基 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n α1,α2,⋯,αn,如果这个基在变换 T T T 下的像(用这个基线性表示)为
KaTeX parse error: No such environment: align* at position 16: \left\{ \begin{̲a̲l̲i̲g̲n̲*̲}̲ & T(\boldsymb…
记 T ( α 1 , α 2 , ⋯ , α n ) = ( T ( α 1 ) , T ( α 2 ) , ⋯ , T ( α n ) ) T(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) = (T(\boldsymbol{\alpha}_1), T(\boldsymbol{\alpha}_2), \cdots, T(\boldsymbol{\alpha}_n)) T(α1,α2,⋯,αn)=(T(α1),T(α2),⋯,T(αn)),则上式 ( 6 ) (6) (6) 可表示为
T ( α 1 , α 2 , ⋯ , α n ) = ( α 1 , α 2 , ⋯ , α n ) A (7) T(\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) = (\boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n) \boldsymbol{A} \tag{7} T(α1,α2,⋯,αn)=(α1,α2,⋯,αn)A(7)
其中
A = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋮ a n 1 a n 2 ⋯ a n n ) \boldsymbol{A} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \\ \end{pmatrix} A=⎝⎜⎜⎜⎛a11a21⋮an1a12a22⋮an2⋯⋯⋯a1na2n⋮ann⎠⎟⎟⎟⎞
那么, A \boldsymbol{A} A 就称为 线性变换 T T T 在基 α 1 , α 2 , ⋯ , α n \boldsymbol{\alpha}_1,\boldsymbol{\alpha}_2,\cdots,\boldsymbol{\alpha}_n α1,α2,⋯,αn 下的矩阵。
显然,矩阵 A \boldsymbol{A} A 由基的像 T ( α 1 ) , ⋯ , T ( α n ) T(\boldsymbol{\alpha}_1),\cdots,T(\boldsymbol{\alpha}_n) T(α1),⋯,T(αn) 唯一确定。
【推导】线性变换的矩阵表达式相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之线性代数(26):线性变换的矩阵表达式
目录 前言 往期文章 6.5 线性变换的矩阵表达式 定义6 定理2 定义7 举例 例11 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 ...
- 列表推导式与生成表达式的区别
阅读目录 列表推导式与生成式表达式的区别: #列表推导式 -------------------------------------------------------------------- 注: ...
- 三元表达式、列表推导式、生成器表达式、递归、内置函数、匿名函数
一.三元表达式 name=input('姓名>>: ') res='SB' if name == 'alex' else 'NB' print(res) 二.列表推导式和生成器表达式 #老 ...
- 三元表达式、列表推导式、生成器表达式、递归、匿名函数、内置函数(day4)
一.三元表达式.列表推导式.生成器表达式 1.三元表达式name=input('姓名>>: ')res='SB' if name == 'alex' else 'NB'print(res) ...
- 【矩阵论】07——线性变换——线性变换的矩阵
本系列文章由Titus_1996 原创,转载请注明出处. 文章链接:https://blog.csdn.net/Titus_1996/article/details/83093450 本系列文章使 ...
- matlab 积分 例子,[Matlab]使用arrayfun对矩阵表达式积分的例子
最近学习了matlab中arrayfun函数的使用,可以进行"任意资料型别上的向量化运算",对关于这方面的资料比较少,最早的中文资料见于一台湾论坛上对的翻译,后来在simwe.振动 ...
- 线性变换和矩阵的详细解释
主要参考:线性变换的矩阵为什么要强调在这组基下? - 知乎(本回答的目标读者是线性代数的初学者.)先回答题主的问题:矩阵是对线性变换的表示:对于同一个线性变-https://www.zhihu.com ...
- 3_OpenCV计算矩阵或矩阵表达式的绝对值---cv::abs()
函数原型: cv::MatExpr cv::abs(cv::InputArray src);cv::MatExpr cv::abs(const cv::MatExpr& src); 最常见的用 ...
- 简单推导:关于矩阵主子式的几点性质
1.名词介绍: 特征多项式:在数域P上的某个方阵A,则行列式即为其特征多项式,简记为; 逆序数:1,2,...n的某个排序相对自然序列相反的个数:记为: 主子式:某个行列式的部分列和部分行:行号和列号 ...
最新文章
- 160个Crackme006
- 将某个目录下的所有文件进行压缩
- boost::mpl::advance相关用法的测试程序
- html悬浮弹窗后面背景变深,JS+CSS实现Div弹出窗口同时背景变暗的方法
- java 运行 .jar 文件乱码
- 人人皆知Python功能,你还不了解嘛?
- Star Schema完全参考手册学习笔记九
- 拓端tecdat|R语言中的生存分析Survival analysis晚期肺癌患者4例
- PMO结项审计管理规范指南
- Rocksdb参数总结
- 如何把word ppt 思维导图这类文件转化为高清晰度的图片(要干货只看粗体黑字)...
- Excel如何在不同日期后面插入空行
- get_post X老师告诉小宁同学HTTP通常使用两种请求方法,你知道是哪两种吗?
- putty登录树莓派4超时
- kubeadm部署k8s集群
- Delphi名称的由来(原作:Borland公司Danny Thorpe)
- golang多版本管理工具g(gvm)使用(windows)
- BT源代码学习心得(二):程序运行参数的获取 -- 转贴自 wolfenstein (NeverSayNever)
- h5 php登录注册页面验证,H5制作一个注册页面的代码实例
- Visual Studio Code(插件篇):Visual Studio Code 必装的 10 个高效开发插件(扩展)