矩阵论 - Part II
概念索引
4 向量空间, 最大线性无关组, 线性(子)空间, 线性空间的维数, 基和坐标, 同构映射, 同构空间, 基变换, 过度矩阵, 坐标变换, 线性变换, 线性变换的矩阵表示, 相似矩阵, 欧式空间, 內积, 范数, Schwartz不等式, 夹角, 规范正交基, Schmidt正交化过程, 正交矩阵
4 矩阵空间
向量空间
向量空间: n维向量的集合V, 如果对加法和数乘运算封闭, 则集合V称为向量空间
生成向量空间
子空间
空间维数
0空间
最大线性无关组: 向量组A中有r个向量(设为向量组A0)线性无关, 任意r+1个向量线性相关, 则称A0是一个最大线性无关组, r称为向量组的秩, 只含有0向量的向量组没有最大无关组, 规定其秩为0
矩阵的秩等于其列向量组的秩, 也等于其行向量组的秩
向量组B可以由向量组A线性表示, 则向量组B的秩不大于向量组A的秩
- 等价的向量组秩相等
- 设C=AB, 则 {R(C)≤R(A)R(C)≤R(B)
- 最大线性无关组的等价定义: 设B是A的部分组, 若B是线性无关组, 且A可以由B线性表示, 则B是A的最大无关组
线性空间
非空集合V, 实数域R(可以为其他数域), 定义加法和数乘运算两种运算, 满足如下性质(λ,μ∈R, α,β,γ∈V):
- 性质1: 加法交换律, α+β=β+α
- 性质2: 加法结合律 (α+β)+γ=α+(β+γ)
- 性质3: V中有O元素 α+O=α
- 性质4: V中任何元素有负元素 ∀α∈V,∃β∈V, s.t. α=−β
- 性质5: V中有单位元I I⋅α=α
- 性质6: λ(μα)=(λμ)α
- 性质7: (λ+μ)α=λα+μα
- 性质8: λ(α+β)=λα+λβ
满足上述性质的加法和数乘运算称为线性运算, 定义线性运算的集合V称为线性空间
线性空间的性质
零元素唯一
任一元素的负元素唯一
0α=O,(−1)α=−α,λO=O
若λα=0, 则必有α=O, 或λ=0
线性子空间
线性空间的非空子集, 对于原线性空间加法和数乘运算也构成一个线性空间, 则称该子集为原线性空间的线性子空间
线性空间V上的一个非空子集L构成线性子空间的充要条件是: L对V中的线性运算封闭.
线性空间的维数, 基和坐标
基a1,a2,⋯,an, 维数n
V中的元素用基元素α线性表示为: α=x1α1+x2α2+⋯+xnαn, (x1,x2,⋯,xn)称为元素alpha在这组基下的坐标.
同构
设U, V是数域F上的两个线性空间, f是U到V的一个映射, 如果满足:
(1) f是双射
(2) ∀α,β∈U,有f(α+β)=f(α)+f(β)
(3) ∀α∈U, λ∈F, 有f(λα)=λf(α)
则称f是U到V的同构映射, 如果U到V的同构映射存在, 则称U和V同构, 记为U≅V.
数域F上的任意n维线性空间都与Fn同构
同构映射的基本性质
设f是线性空间U到V的同构映射, 则:
(1) f(0)=0
(2) ∀α∈U, 有f(−α)=−f(α)
(3) ∀αi∈U,λi∈F, 有f(λ1α1+⋯+λnαn)=λ1f(α1)+⋯+λnf(αn)
(4) U中的向量α1,α2,⋯,αn线性相关的充要条件是f(α1),f(α2),⋯,f(αn)线性相关
(5) α1,α2,⋯,αn是U的一个基的充要条件是f(α1),f(α2),⋯,f(αn)是V的一个基
(6) U的子空间在f下的象集是V的子空间
(7) V的子空间在f下的原集是U的子空间
(8) f的逆映射是V到U的同构映射
(9) 若g是线性空间V到W的t同构映射, 则gf是U到W的同构映射
同构关系的性质
反身性: V≅V
对称性: 若U≅V, 则V≅U
传递性: 若U≅V, V≅W, 则U≅W
线性空间同构的一个充要条件
数域F上两个有限维线性空间同构的充要条件是它们有相同的维数.
同构的线性空间是不加区别的(代数角度), 维数是有限维线性空间的唯一本质特征.
一般无限维空间可以用有限维逼近, 因此有限维空间应用广泛, 如FFT等
基变换
设α1,⋯,αn和β1,⋯,βn是n维线性空间Vn的两组基. 则存在变换使得[β1,⋯,βn]=[α1,⋯,αn]P P称过度矩阵, 上式称基变换表示式.
坐标变换
设线性空间V中的元素α在两组基α1,⋯,αn和β1,⋯,βn下的坐标分别是[x1,⋯,xn]T和[x1′,⋯,xn′]T, P为过度矩阵(同上定义), 则两组基下的坐标表示满足如下坐标变换[x1,⋯,xn]T=P[x1′,⋯,xn′]T或[x1′,⋯,xn′]T=P−1[x1,⋯,xn]T
线性变换
设Vn,Um分别是n维和m维线性空间, 如果变换T:Vn→Um满足:
(1) 可加性: T(α1+α2)=T(α1)+T(α2)
(2) 可数乘性: T(kα)=kT(α)
则称该变换为线性变换
若果Um=Vn, 即T是Vn到自身的线性变换, 称线性空间Vn中的线性变换
线性变换的性质
T(0)=0,T(−α)=−T(α)
β=λ1α1+⋯+λnαn则T(β)=T(λ1α1+⋯+λnαn)=λ1T(α1)+⋯+λnT(αn)
α1,α2,⋯,αn线性相关, 则T(α1),T(α2),⋯,T(αn)线性相关
线性变换T的象T(Vn)是一个线性空间(Um的子空间), 称为线性空间T的象空间
集合ST={α∣α∈Vn,T(α)=0}的是Vn的子空间, 集合ST称为线性变换T的核
用矩阵表示线性变换
y=T(x)=Ax
Rn中任何线性变换T都可以用矩阵表示 T(x)=Ax,x∈Rn A=[T(e1),T(e2),⋯,T(en)]其中e1,…,en是一组基, 称A是线性变换T在这组基下的线性表示
上述情况可以推广到一般的线性空间Vn中, 设α1,…,αn是一组基, 此时对于Vn中的任意元α=∑i=1nxiαi, 其线性变换T(α)=T(i=1∑nxiαi)=[T(α1),…,T(αn][x1,…,xn]T=[α1,…,αn]A[x1,…,xn]T
自行思考此时A的形式
不同基的变换矩阵
在Vn线性空间中, 取定两组基: α1,…,αn和β1,…,βn, 由基alpha1,…,αn到基β1,…,βn的过度矩阵为P, Vn的线性变换T在这两组基条件下的矩阵分别为A和B, 则有 B=P−1AP
相似矩阵
n阶方阵A和B称为相似矩阵, 如果存在可逆矩阵P, 使得B=P−1AP成立, P称为相似变换矩阵
欧式空间
欧式空间在一般线性空间的基础上, 引入长度(范数)的定义, 如三维空间中向量(x,y,z)的长度平方为r2=x2+y2+z2后来在长度定义的基础上进一步定义了內积, 形成內积空间. 內积空间不仅仅有长度, 还有夹角, 正交等.
欧式空间定义
有內积定义的实线性空间称为欧式空间
向量內积
[x,y]=[y,x]
[kx,y]=k[x,y]
[x+y,z]=[x,z]+[y,z]
满足上述3条性质的运算为內积运算
无限维空间及內积定义
函数线性空间
[f,g]=[g,f]=∫abgfdx
[kf,g]=k[f,g]=k∫abfgdx
[f1+f2,g]=∫ab(f1+f2)gdx=∫abf1gdx+∫abf2gdx=[f1,g]+[f2,g]
上述函数空间也是內积空间
向量范数
非负性
齐次性 ∥kx∥=∣k∣∥x∥
三角不等式 ∥x+y∥≤∥x∥+∥y∥
Schwartz不等式
[x,y]2≤[x,x][y,y] ∣[x,y]∣≤∥x∥∥y∥当且仅当x,y线性相关时等号成立
向量的夹角
∥x∥,∥y∥=0, 则x,y之间的夹角定义为θ=arccos∥x∥∥y∥[x,y]
正交
[x,y]=0, 则x,y正交, 0向量和所有向量正交
函数空间中也有夹角和正交的概念θ=arccos∣∣f∣∣∣∣g∣∣[f,g] ∫abfg=0
两两正交向量组线性无关
如果向量组α1,…,αn是两两正交的非零向量, 则α1,…,αn线性无关,
正交基
n维空间中n个两两正交的基, 构成该空间的一组正交基
规范正交基
都是单位向量的正交基称规范正交基
规范正交基下的坐标表示
e1,…,en是规范正交基, 元素α在这组基下的坐标满足 xi=[α,ei],i=1,2,…,n
Schmidt正交化过程
⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧b1=a1b2=a2−[b1,b1][b1,a2]b1b3=a3−[b1,b1][b1,a3]b1−[b2,b2][b2,a3]b2⋮br=ar−[b1,b1][b1,ar]b1−[b2,b2][b2,ar]b2−⋯−[br−1,br−1][br−1,ar]br−1
归一化过程 e1=∣∣b1∣∣b1,e2=∣∣b2∣∣b2,⋯,en=∣∣b1∣∣bn
正交矩阵
n×n的方阵, 满足ATA=E或AT=A−1
正交矩阵是内积不变的线性变换, 所以也称正交变换矩阵
坐标旋转矩阵是正交矩阵, 但正交矩阵不一定是坐标旋转矩阵
方阵A是正交矩阵的充要条件是A的行向量(列向量)是Rn中的规范正交基