原文：https://mp.weixin.qq.com/s/qCmstZdzCy1WCfBAkEZEoA

　　線性變換這個詞在線性代數中經常被提及，每個線性變換的背后都有一個矩陣。矩陣的概念比較直觀，相比之下，線性變換就顯得抽象了。

線性變換

　　拋開矩陣，我們從變換的角度討論投影。通過T變換，使平面內的一個向量投影到一條直線上：

　　T就像一個函數：給定一個輸入向量，經過T的變換，輸出成直線上的投影，過去我們一直用更專業的“映射”稱呼這種變換關系。下圖中v和w是R²空間內的向量，通過T變換變成了直線上的投影，即T(v)和T(w)：

　　

　　變換的關系有很多，而線性代數只討論線性變換。如果T表示一個線性變換關系，對于任意向量v和w以及標量c，線性變換應該保證下面兩個運算的不變性，加法不變性和數乘不變性，這一點和線性組合類似：

　　把二者結合：

　　順便說一下，投影變換是一種線性變換。

判斷線性變換

　　判斷一個變換是否是線性變換其實并不困難，只要判斷這個變換是否滿足加法不變性和數乘不變性即可。

反例1：平移整個平面

　　假設某個變換關系T是平面沿著某個方向平移v₀，也就是說對于平面內的任意向量v，都有T(v) = v + v₀，T變換是否是線性變換？

　　這個看起來很簡單的變換并不是線性變換，它違背了線性變換的兩個不變性，以數乘不變性為例：

　　線性變換的不變性要求對輸入空間內的任意向量都成立，當然也包括零向量，因此一個更簡單的判斷方法就是使用零向量。數乘不變性對于零向量來說將有T(0) = 0，但本例中T(0) = v₀，所以說“平移”變換不是線性變換。

反例2：求向量的長度

　　變換關系T(v) = ||v||是否是線性變換？

　　T變換將產生維度的變化。假設v是一個三維向量，經過T的變換將變成一個大于等于0的實數，也就是一維向量：

　　雖然本例滿足T(0) = 0，但是對于數乘不變性來說，如果c是負數，那么T(cv) ≠ cT(v)，因此本例不是線性變換。

正例1：旋轉變換

　　變換關系T：R²→R²是將一個二維空間的向量旋轉45°，這個變換是否是線性變換？

　　答案是肯定的，它符合線性變換的兩個不變性。

　　即使去掉坐標軸，依然能夠清晰地描述這個變換，下圖是對二維平面內的圖形進行旋轉：

正例2：線性變換與矩陣

　　到目前為止，線性變換還沒有和矩陣產生任何關系。現在有一個變換關系是矩陣乘以一個向量，T(v) = Av，其中A是一個矩陣。根據矩陣乘法的性質：

　　這符合線性變換的兩個判據，因此矩陣乘以向量是一個線性變換。這意味著選中一個矩陣，用它乘以平面上的所有向量，將得到一系列線性變換后的結果，即整個平面通過矩陣乘法發生了變換，這也是一個值得研究的結果。

　　現在有一個矩陣：

　　如果用A乘以一個R²空間的向量v——當然，A是2×2矩陣，它也只能乘以一個R²空間的向量——將把v線性變換成另一個向量，變換后的向量的x分量不變，y分量與v的y分量相反：

　　

描述線性變換

　　我們的目的是理解線性變換，而理解線性變換的本質是確定線性變換背后的矩陣，雖然可以在脫離坐標和具體數值的情況下討論線性變換，但是為了更好地描述，我們仍然有必要引入坐標系。

　　假設有一個三維向量，能夠通過某種線性變換變成二維向量，這將是一個怎樣的變換？

　　用矩陣描述這個關系，T(v) = Av，v是三維向量，通過Av變成了二維向量，那么A一定是一個2×3矩陣。任何一個2×3的矩陣都可以將一個三維向量線性變換成二維向量，每一個變換都對應一個具體的矩陣。

輸入空間的基

　　對于平面內特定的向量v₁，只要看看T(v₁)就可以了解線性變換對它產生的作用。我們對空間內其它向量的線性變換同樣感興趣，換句話說，我們想知道線性變換對于整個輸入空間的影響。既然向量空間是由線性無關的向量張成的，那么只要知道平面內兩個線性無關的向量，就可以了解平面內所有向量線性變換的結果。也就是說，只要知道輸入空間的基，就能掌握線性變換對整個輸入空間的影響。

　　v₁,v₂……v_n是輸入空間的一組基向量，把它稱之為輸入基。只要知道所有輸入基的線性變換，就可以知道輸入空間內任意向量的線性變換：

坐標

　　先來看看什么是坐標。

　　Rⁿ空間的坐標是一組數字，這些數字表示Rⁿ空間的給定向量v由多少個基向量組成（基向量線性組合的系數），但是基向量不止一組，如果基向量改變了，坐標也隨之改變，因此一般來說，坐標系建立在標準基的基礎之上。例如一個三維空間的向量的坐標是(2,3,4)：

　　上式可以清晰地看到v是三個標準基向量的線性組合，盡管大多數時候我們都意識不到這種組合。

　　對于線性組合來說，一旦選定了一組基，坐標也隨之確定。比如對于輸入空間的任意一個向量v來說，都可以用基向量的唯一線性組合表示：

　　一旦向量確定，其線性組合也隨之確定，此時c₁, c₂ ,…,c_n就是該向量的一組確定的坐標值。

線性變換與矩陣

　　我們的目的是確定線性變換背后的矩陣，矩陣是與坐標有關的（矩陣中的元素是確定的值），而線性變換與坐標無關。現在的問題是，如何把一個與坐標無關的線性變換變成一個與坐標有關的矩陣？

　　假設有T能夠完成一個向量從n維空間到m維空間的線性變換：

　　現在我們打算構造一個矩陣A來描述這個線性變換。在描述時需要兩組基：輸入空間的一組基來描述輸入向量，以及輸出空間的一組基來確定輸出向量的坐標。這兩組基一旦確定，對應的矩陣也就確定了。

　　v₁,v₂……v_n是輸入空間的一組基向量，來自Rⁿ空間；w₁,w₂……w_m是輸出空間的一組基向量，來自R^m空間。對于每個輸入向量來說，都有具體的坐標值，該坐標由基向量的線性組合確定，然后把這些坐標值乘以某個矩陣A，將得到相應的輸出向量，輸出向量的坐標同樣可以由輸出空間的基確定。用矩陣A來表示線性變換，就是將矩陣乘以輸入向量的坐標，得到它在輸出空間的坐標。

　　值得注意的是，線性變換背后的矩陣A乘以的是輸入向量的坐標，不是輸入向量本身，得到的也是輸出向量的坐標，不是輸出向量本身。定義一個線性變換T(v)，對v = c₁v₁ + c₂v₂ + …… + c_nv_n進行變換，如果用A描述這個變換，則A需要滿足：

　　

　　之后用輸出向量的坐標對輸出空間的基向量進行線性組合，得到最終的輸出向量w：

　　由于我們之前一直使用的是標準基，因此感覺不到坐標的存在。

　　

　　我們之前說過，投影屬于線性變換，這里正好用投影的例子對上面的描述加以說明。為了簡單起見，將這個投影定義在二維空間，n = m = 2。參與變換的向量都在平面上，讓平面上的所有向量都投影在一條直線上。選擇輸入空間的兩個基向量v₁和v₂代替R²空間的標準基向量，其中v₁沿著投影方向趴在直線上，v₂垂直于投影方向：

　　上圖特意去掉了坐標系，以強調線性變換與坐標無關。同時，由于輸出空間也是R²空間，我們也同樣用v₁和v₂作為輸出空間的基，即w₁ = v₁, w₂ = v₂。

　　之前說過，輸入空間和輸出空間的基一旦確定，對應的矩陣也就確定了。現在的問題是，根據v₁、v₂和w₁、w₂如何描述這個用于線性變換的變換規則？也就是說，作用于線性變換的矩陣是什么？

　　對于出入空間的任意向量v，都可以表示成兩個基向量的線性組合：

　　我們事先已經知道投影變換是一種線性變換，它線性變換的兩個不變性：

　　T表示投影變換，T(v₁)是v₁的投影，沿著直線方向的向量的投影就是這個向量本身，所以T(v₁) = v₁。v₂垂直于直線，它的投影是零向量，所以T(v₂) = 0。由此得到了投影變換和這組基向量的關系：

　　A用一組特殊的輸入基和輸出基（垂直于直線和沿著直線方向的一組基）描述了線性變換，將矩陣A乘以輸入向量的坐標，得到它在輸出空間的坐標：

　　如果改用標準坐標基，即：

　　投影的直線也需要給出具體的位置，假設T(v)變換是將向量投影到45°的直線上：

　　現在嘗試找出這個符合要求的矩陣，也就是投影矩陣。根據投影矩陣的公式，可以用向量a = (t, t)表示直線，從而求得投影矩陣：

　　

　　在使用標準坐標基的時候，坐標值等于向量本身：

　　可以看到，如果選擇的基向量不同，即使對于同樣的線性變換，背后的矩陣也不同。在使用標準坐標基的時候，感覺不到坐標的存在，此時矩陣乘以輸入向量等于輸出向量。實際上第一次是以投影矩陣的特征向量為基，得到的矩陣A是投影矩陣P的特征值矩陣。

如何確定矩陣

　　確定矩陣A的前提是需要知道輸入空間和輸出空間的基，我們依然用v₁,v₂……v_n和w₁,w₂……w_m表示這兩組基。T(v₁)表示對輸入空間的第一個基向量v₁做線性變換，此時矩陣A乘以的坐標是(1,0,…,0)，得到的輸出坐標是：

　　

　　當知道線性變換的結果時，就可以通過它的坐標確定A的第一列。上式實際上描述了這樣線性變換：

求導也是一種線性變換

　　這里有一個特殊的線性變換——求導，T = d/dx。我們之所以能夠對函數求導，正是因為求導本身是一種線性變換，因此只需要掌握少量的求導法則，就能求出函數線性組合的導數。

　　假設輸入空間的基是1, x, x²，線性組合是c₁ + c₂x + c₃x²；輸出是導數：

　　輸出空間的基是1, x。這是一個從三維空間到二維空間的線性變換：

　　描述這個線性變換的矩陣A滿足：

---

　　出處：微信公眾號 "我是8位的"

　　本文以學習、研究和分享為主，如需轉載，請聯系本人，標明作者和出處，非商業用途！

　　掃描二維碼關注作者公眾號“我是8位的”

總結

以上是生活随笔為你收集整理的线性代数笔记32——线性变换及对应矩阵的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。