标签：prime begin 15 人工智能 矩阵 pmatrix mathcal vdots
基变换对矩阵的影响
下面的命题描述了基的变化对线性映射表示的影响。
命题4.4 设 E E E 和 F F F 是线性空间， 设 U = ( u 1 , ⋯ , u n ) \mathcal U=(u_1, \cdots, u_n) U=(u1,⋯,un) 和 U ′ = ( u 1 ′ , ⋯ , u n ′ ) \mathcal U^{\prime} = (u^{\prime}_1, \cdots , u_{n}^{\prime}) U′=(u1′,⋯,un′) 是 E E E 的两组基，设 V = ( v 1 , ⋯ , v m ) \mathcal V = (v_1, \cdots, v_m) V=(v1,⋯,vm) 和 V ′ = ( v 1 ′ , ⋯ , v m ′ ) \mathcal V^{\prime} = (v^{\prime}_1, \cdots, v_{m}^{\prime}) V′=(v1′,⋯,vm′) 是 F F F 的两组基。设 P = P U ′ , U P=P_{\mathcal{U^{\prime}, U}} P=PU′,U 是基 U \mathcal U U 到 U ′ \mathcal U^{\prime} U′ 的 过渡矩阵 （基变换矩阵），设 Q = P V ′ , V Q=P_{\mathcal{V^{\prime}, V}} Q=PV′,V 是基 V \mathcal V V 到 V ′ \mathcal V^{\prime} V′ 的 过渡矩阵。对于任意的线性映射 f : E → F f:E \rightarrow F f:E→F ，设 M ( f ) = M U , V ( f ) M(f) = M_{\mathcal{U,V}}(f) M(f)=MU,V(f) 是 f f f 关于基 U \mathcal U U 和 V \mathcal V V 的矩阵，设 M ′ ( f ) = M U ′ , V ′ ( f ) M^{\prime}(f) = M_{\mathcal{U^{\prime}, V^{\prime}}}(f) M′(f)=MU′,V′(f) 是 f f f 关于基 U ′ \mathcal U^{\prime} U′ 和 V ′ \mathcal V^{\prime} V′ 的矩阵. 我们有
M ′ ( f ) = Q − 1 M ( f ) P , M^{\prime}(f) = Q^{-1}M(f)P, M′(f)=Q−1M(f)P,
或者更明确
M U ′ , V ′ ( f ) = P V ′ , V − 1 M U , V ( f ) P U ′ , U = P V , V ′ M U , V ( f ) P U ′ , U M_{\mathcal{U^{\prime}, V^{\prime}}}(f) = P_{\mathcal{V^{\prime}, V}}^{-1} M_{\mathcal{U,V}}(f)P_{\mathcal{U^{\prime}, U}} = P_{\mathcal{V, V^{\prime}}} M_{\mathcal{U,V}}(f)P_{\mathcal{U^{\prime}, U}} MU′,V′(f)=PV′,V−1MU,V(f)PU′,U=PV,V′MU,V(f)PU′,U
作为推论，我们得到如下结果
推论4.5 设 E E E 是线性空间， U = ( u 1 , ⋯ , u n ) \mathcal U=(u_1, \cdots, u_n) U=(u1,⋯,un) 和 U ′ = ( u 1 ′ , ⋯ , u n ′ ) \mathcal U^{\prime} = (u_{1}^{\prime}, \cdots, u_{n}^{\prime}) U′=(u1′,⋯,un′) 是 E E E 的两组基。设 P = P U ′ , U P=P_{\mathcal{U^{\prime}, U}} P=PU′,U 是基 U \mathcal U U 到 U ′ \mathcal U^{\prime} U′ 的过渡矩阵。对于任意线性映射 f : E → E f: E\rightarrow E f:E→E , 设 M ( f ) = M U ( F ) M(f) = M_{\mathcal U}(F) M(f)=MU(F) 是 f f f 关于基 U \mathcal U U 的矩阵，设 M ′ ( f ) = M U ′ ( f ) M^{\prime}(f)=M_{\mathcal U^{\prime}}(f) M′(f)=MU′(f) 是 f f f 关于基 U ′ \mathcal U^{\prime} U′ 的矩阵，我们有
M ′ = P − 1 M ( f ) P , M^{\prime} = P^{-1}M(f)P, M′=P−1M(f)P,
或者更明确
M U ′ ( f ) = P U ′ , U − 1 M U ( f ) P U ′ , U = P U , U ′ M U ( f ) P U ′ , U M_{\mathcal U^{\prime}}(f)=P_{\mathcal{U^{\prime}, U}}^{-1}M_{\mathcal U}(f)P_{\mathcal{U^{\prime}, U}} = P_{U, \mathcal{U^{\prime}}}M_{\mathcal U}(f) P_{\mathcal{U^{\prime}, U}} MU′(f)=PU′,U−1MU(f)PU′,U=PU,U′MU(f)PU′,U
例子
设 E = R 2 E = R^2 E=R2 , U = ( e 1 , e 2 ) \mathcal U = (e_1, e_2) U=(e1,e2) 其中 e 1 = ( 1 , 0 ) , e 2 = ( 0 , 1 ) e_1 = (1,0), e_2 = (0, 1) e1=(1,0),e2=(0,1) 是 E E E 的标准基向量，设 V = ( v 1 , v 2 ) = ( e 1 , e 1 − e 2 ) \mathcal V = (v_1, v_2) = (e_1, e_1 - e_2) V=(v1,v2)=(e1,e1−e2) , 设 A = ( 2 1 0 1 ) . A = \begin{pmatrix}2 & 1 \\ 0 & 1\end{pmatrix}. A=(2011). 从 U \mathcal U U 到 V \mathcal V V 的过渡矩阵 P = P V , U P=P_{\mathcal{V, U}} P=PV,U 是 P = ( 1 1 0 − 1 ) , P=\begin{pmatrix}1 & 1 \\ 0 & -1\end{pmatrix}, P=(101−1), 我们检验到 P − 1 = P . P^{-1} = P. P−1=P. 因此，在基 V \mathcal V V 中，由矩阵 A A A 表示的线性映射 f f f 的矩阵为 A ′ = P − 1 A P = P A P = ( 1 1 0 − 1 ) ( 2 1 0 1 ) ( 1 1 0 − 1 ) = ( 2 0 0 1 ) = D A^{\prime} = P^{-1}AP = PAP=\begin{pmatrix}1 & 1 \\ 0 & -1\end{pmatrix}\begin{pmatrix}2 & 1 \\ 0 & 1\end{pmatrix}\begin{pmatrix}1 & 1 \\ 0 & -1\end{pmatrix} = \begin{pmatrix}2 & 0 \\ 0 & 1\end{pmatrix}=D A′=P−1AP=PAP=(101−1)(2011)(101−1)=(2001)=D 是一个对角矩阵。在基 V \mathcal V V 中，很清楚 f f f 的作用是什么: 它是 v 1 v_1 v1 方向上的 2 2 2 倍, v 2 v_2 v2 方向上的单位向量。观察 v 1 v_1 v1 和 v 2 v_2 v2 是不正交的。
我们对角化了矩阵 A A A ，对角项 2 2 2 和 1 1 1 是 A A A (和 f f f )的 特征值， v 1 v_1 v1 和 v 2 v_2 v2 是对应的 特征向量。我们稍后会回到特征值和特征向量。
上面的例子说明了同一个线性映射可以用不同的矩阵来表示。这建议作出以下定义:
定义4.5 两个 n × n n×n n×n 矩阵 A A A 和 B B B 相似 当且仅当有一个可逆矩阵 P P P ，使得 B = P − 1 A P . B=P^{−1} A P. B=P−1AP.
相似性是等价关系，这是很容易验证的. 从我们之前的考虑，两个 n × n n×n n×n 矩阵 A A A 和 B B B 是相似的，当且仅当，它们代表了关于两个 不同基 的 相同线性映射。下面这个令人惊讶的事实可以显示出来：每个方阵 A A A 都相似于它的转置 A T A^{T} AT 。 证明需要高级的概念( J o r d a n Jordan Jordan 形式或相似不变量)。
如果 U = ( u 1 , ⋯ , u n ) \mathcal U = (u_1, \cdots, u_n) U=(u1,⋯,un) 和 V = ( v 1 , ⋯ , v n ) \mathcal V = (v_1, \cdots, v_n) V=(v1,⋯,vn) 是 E E E 的两组基，从 U \mathcal U U 到 V \mathcal V V 的基变换矩阵( 过渡矩阵 )为
P = P V , U = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ) P = P_{\mathcal{V, U}} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{pmatrix} P=PV,U=⎝⎜⎜⎜⎛a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1na2n⋮ann⎠⎟⎟⎟⎞
它的第 j j j 列由 v j v_j vj 在基 ( u 1 , ⋯ , u n ) (u_1, \cdots, u_n) (u1,⋯,un) 上的坐标组成, 这意味着
v j = ∑ i = 1 n a i j u i , v_j = \sum_{i=1}^{n}a_{ij}u_i, vj=i=1∑naijui,
扩展矩阵表示法并将 E n E^n En 中的向量 ( v 1 ⋮ v n ) \begin{pmatrix}v_1 \\ \vdots \\ v_n \end{pmatrix} ⎝⎜⎛v1⋮vn⎠⎟⎞ 表示为一个矩阵与 E n E^n En 中的向量 ( u 1 ⋮ u n ) \begin{pmatrix}u_1 \\ \vdots \\ u_n \end{pmatrix} ⎝⎜⎛u1⋮un⎠⎟⎞ 的乘积是很自然的，即为
( v 1 ⋮ v n ) = ( a 11 a 12 ⋯ a 1 n a 21 a 22 ⋯ a 2 n ⋮ ⋮ ⋱ ⋮ a n 1 a n 2 ⋯ a n n ) T ( u 1 ⋮ u n ) = ( a 11 a 21 ⋯ a n 1 a 12 a 22 ⋯ a n 2 ⋮ ⋮ ⋱ ⋮ a 1 n a 2 n ⋯ a n n ) ( u 1 ⋮ u n ) \begin{pmatrix}v_1 \\ \vdots \\ v_n \end{pmatrix} = \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{pmatrix}^{T} \begin{pmatrix}u_1 \\ \vdots \\ u_n \end{pmatrix} = \begin{pmatrix} a_{11} & a_{21} & \cdots & a_{n1} \\ a_{12} & a_{22} & \cdots & a_{n2} \\ \vdots & \vdots & \ddots & \vdots \\ a_{1n} & a_{2n} & \cdots & a_{nn} \end{pmatrix} \begin{pmatrix}u_1 \\ \vdots \\ u_n \end{pmatrix} ⎝⎜⎛v1⋮vn⎠⎟⎞=⎝⎜⎜⎜⎛a11a21⋮an1a12a22⋮an2⋯⋯⋱⋯a1na2n⋮ann⎠⎟⎟⎟⎞T⎝⎜⎛u1⋮un⎠⎟⎞=⎝⎜⎜⎜⎛a11a12⋮a1na21a22⋮a2n⋯⋯⋱⋯an1an2⋮ann⎠⎟⎟⎟⎞⎝⎜⎛u1⋮un⎠⎟⎞
这一观察结果如下: 如果 U = ( u 1 , ⋯ , u n ) \mathcal U = (u_1, \cdots, u_n) U=(u1,⋯,un) 和 V = ( v 1 , ⋯ , v n ) \mathcal V = (v_1, \cdots, v_n) V=(v1,⋯,vn) 是 E E E 的两组基，如果
( v 1 ⋮ v n ) = A ( u 1 ⋮ u n ) \begin{pmatrix} v_1 \\ \vdots \\ v_n\end{pmatrix} = A \begin{pmatrix} u_1 \\ \vdots \\ u_n\end{pmatrix} ⎝⎜⎛v1⋮vn⎠⎟⎞=A⎝⎜⎛u1⋮un⎠⎟⎞
既是
v i = ∑ j = 1 n a i j u j v_i = \sum_{j = 1}^na_{ij} u_j vi=j=1∑naijuj
对任何向量 w ∈ E w \in E w∈E ，如果
w = ∑ i = 1 n x i u i = ∑ k = 1 n y k v k w = \sum_{i=1}^nx_iu_i = \sum_{k=1}^ny_kv_k w=i=1∑nxiui=k=1∑nykvk
那么
( x 1 ⋮ x n ) = A T ( y 1 ⋮ y n ) \begin{pmatrix} x_1 \\ \vdots \\ x_n\end{pmatrix} = A^{T}\begin{pmatrix} y_1 \\ \vdots \\ y_n\end{pmatrix} ⎝⎜⎛x1⋮xn⎠⎟⎞=AT⎝⎜⎛y1⋮yn⎠⎟⎞
所以
( y 1 ⋮ y n ) = ( A T ) − 1 ( x 1 ⋮ x n ) \begin{pmatrix} y_1 \\ \vdots \\ y_n\end{pmatrix} = \left(A^{T}\right)^{-1}\begin{pmatrix} x_1 \\ \vdots \\ x_n\end{pmatrix} ⎝⎜⎛y1⋮yn⎠⎟⎞=(AT)−1⎝⎜⎛x1⋮xn⎠⎟⎞
很容易发现 ( A T ) − 1 = ( A − 1 ) T \left(A^{T}\right)^{-1} = \left(A^{-1}\right)^{T} (AT)−1=(A−1)T . 另外，如果 U = ( u 1 , ⋯ , u n ) , V = ( v 1 , ⋯ , v n ) \mathcal U = (u_1, \cdots, u_n), \mathcal V = (v_1, \cdots, v_n) U=(u1,⋯,un),V=(v1,⋯,vn) 和 W = ( w 1 , ⋯ , w n ) \mathcal W = (w_1, \cdots, w_n) W=(w1,⋯,wn) 是 E E E 的三组基， U \mathcal U U 到 V \mathcal V V 的过渡矩阵为 P = P V , U P = P_{\mathcal{V, U}} P=PV,U ; V \mathcal V V 到 W \mathcal W W 的过渡矩阵为 Q = P W , V Q = P_{\mathcal{W, V}} Q=PW,V , 那么
( v 1 ⋮ v n ) = P T ( u 1 ⋮ u n ) , ( w 1 ⋮ w n ) = Q T ( v 1 ⋮ v n ) , \begin{pmatrix} v_1 \\ \vdots \\ v_n\end{pmatrix} = P^{T} \begin{pmatrix} u_1 \\ \vdots \\ u_n\end{pmatrix} , \begin{pmatrix} w_1 \\ \vdots \\ w_n\end{pmatrix} = Q^{T} \begin{pmatrix} v_1 \\ \vdots \\ v_n\end{pmatrix}, ⎝⎜⎛v1⋮vn⎠⎟⎞=PT⎝⎜⎛u1⋮un⎠⎟⎞,⎝⎜⎛w1⋮wn⎠⎟⎞=QT⎝⎜⎛v1⋮vn⎠⎟⎞,
因此
( w 1 ⋮ w n ) = Q T P T ( u 1 ⋮ u n ) = ( P Q ) T ( u 1 ⋮ u n ) \begin{pmatrix} w_1 \\ \vdots \\ w_n\end{pmatrix} = Q^{T}P^{T}\begin{pmatrix} u_1 \\ \vdots \\ u_n\end{pmatrix} = (PQ)^{T}\begin{pmatrix} u_1 \\ \vdots \\ u_n\end{pmatrix} ⎝⎜⎛w1⋮wn⎠⎟⎞=QTPT⎝⎜⎛u1⋮un⎠⎟⎞=(PQ)T⎝⎜⎛u1⋮un⎠⎟⎞
这意味着从 U \mathcal U U 到 W \mathcal W W 的基变换矩阵 P W , U P_{\mathcal{W, U}} PW,U 是 P Q PQ PQ 。这证明
p W , U = P V , U P W , V . p_{\mathcal{W,U}} = P_{\mathcal{V,U}}P_{\mathcal{W,V}}. pW,U=PV,UPW,V.
尽管矩阵是不可或缺的，因为它们是线性代数应用中的主要工具，但我们不应该忘记以下事实：
- 线性映射更为基本，因为它们是不依赖于基选择的内在对象 。因此，我们建议读者试着从线性映射的角度来思考，而不是将一切简化为矩阵。
根据我们的经验，这在证明线性映射和矩阵的结果时特别有效，其中涉及线性映射的证明通常更“概念化”。这些证明通常更一般，因为它们不依赖于维数有限的事实。此外，与其将矩阵分解视为纯粹的代数运算，不如将其视为 几何分解。这就是 S V D SVD SVD 的情况，它在几何术语中表示，每个线性映射都可以分解为一个旋转，然后沿正交轴重新缩放，然后再进行另一个旋转。
毕竟，矩阵是线性映射的表示形式，矩阵的大多数分解反映了这样一个事实，即当基（或多个基）的选择合适时，线性映射是由具有特殊形状的矩阵表示的。问题是找到这样的基。
不过，对于初学者来说，矩阵有着某种不可抗拒的吸引力，我们承认需要一定的练习才能达到处理线性映射变得更自然的程度。我们仍然推荐它！例如，尝试将矩阵表示的结果转换为线性映射表示的结果。每当我们尝试这个练习时，我们都学到了一些东西。
此外，请始终记住 线性映射本质上是几何的，它们作用于空间。
标签：prime,begin,15,人工智能,矩阵,pmatrix,mathcal,vdots 来源： https://blog.csdn.net/weixin_42470629/article/details/121253393
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。