数学基础 -- 线性代数之线性变换

线性变换

线性变换 是线性代数中的一个基本概念,它描述了一种特殊的函数,该函数将一个向量空间中的向量映射到另一个向量空间中,并且保持向量加法和标量乘法的性质。具体来说,设 V V V 和 W W W 是两个向量空间,一个映射 T : V → W T: V \rightarrow W T:V→W 被称为线性变换,当且仅当对于任意的向量 u , v ∈ V \mathbf{u}, \mathbf{v} \in V u,v∈V 和标量 c ∈ R c \in \mathbb{R} c∈R (或 C \mathbb{C} C),以下两条性质成立:

  1. 加法保持性 : T ( u + v ) = T ( u ) + T ( v ) T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v}) T(u+v)=T(u)+T(v)
  2. 标量乘法保持性 : T ( c u ) = c T ( u ) T(c\mathbf{u}) = cT(\mathbf{u}) T(cu)=cT(u)

例子

  1. 二维平面上的旋转:

    • 设 T : R 2 → R 2 T: \mathbb{R}^2 \rightarrow \mathbb{R}^2 T:R2→R2 是一个将二维平面上的向量绕原点旋转 θ \theta θ 角度的变换。若 v = ( x y ) \mathbf{v} = \begin{pmatrix} x \\ y \end{pmatrix} v=(xy),则经过变换 T T T 后:
      T ( v ) = ( cos ⁡ θ − sin ⁡ θ sin ⁡ θ cos ⁡ θ ) ( x y ) = ( x cos ⁡ θ − y sin ⁡ θ x sin ⁡ θ + y cos ⁡ θ ) T(\mathbf{v}) = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix} \begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} x\cos\theta - y\sin\theta \\ x\sin\theta + y\cos\theta \end{pmatrix} T(v)=(cosθsinθ−sinθcosθ)(xy)=(xcosθ−ysinθxsinθ+ycosθ)
      这个变换保持了向量加法和标量乘法的性质,因此是一个线性变换。
  2. 二维平面上的缩放:

    • 设 T : R 2 → R 2 T: \mathbb{R}^2 \rightarrow \mathbb{R}^2 T:R2→R2 是一个将向量 v \mathbf{v} v 进行均匀缩放的变换。对于缩放系数 k k k, T ( v ) = k v T(\mathbf{v}) = k\mathbf{v} T(v)=kv。如果 v = ( x y ) \mathbf{v} = \begin{pmatrix} x \\ y \end{pmatrix} v=(xy),则:
      T ( v ) = k ( x y ) = ( k x k y ) T(\mathbf{v}) = k\begin{pmatrix} x \\ y \end{pmatrix} = \begin{pmatrix} kx \\ ky \end{pmatrix} T(v)=k(xy)=(kxky)
      这个变换同样保持了向量加法和标量乘法的性质,是一个线性变换。
  3. 投影变换:

    • 设 T : R 3 → R 2 T: \mathbb{R}^3 \rightarrow \mathbb{R}^2 T:R3→R2 是一个将三维向量投影到二维平面的变换。假设投影到 x y xy xy 平面上,则:
      T ( x y z ) = ( x y ) T\begin{pmatrix} x \\ y \\ z \end{pmatrix} = \begin{pmatrix} x \\ y \end{pmatrix} T xyz =(xy)
      这个变换也保持了向量加法和标量乘法的性质,因此是线性变换。

这些例子展示了线性变换如何将向量空间中的向量映射到另一个向量空间,并且不改变向量的线性结构。

相关推荐
空白到白1 小时前
机器学习-聚类
人工智能·算法·机器学习·聚类
zzywxc7872 小时前
AI在金融、医疗、教育、制造业等领域的落地案例
人工智能·机器学习·金融·prompt·流程图
Hi202402173 小时前
使用 Apollo TransformWrapper 生成相机到各坐标系的变换矩阵
数码相机·线性代数·矩阵·自动驾驶·apollo
非门由也3 小时前
《sklearn机器学习——回归指标2》
机器学习·回归·sklearn
Learn Beyond Limits3 小时前
The learning process of Decision Tree Model|决策树模型学习过程
人工智能·深度学习·神经网络·学习·决策树·机器学习·ai
数据爬坡ing3 小时前
从挑西瓜到树回归:用生活智慧理解机器学习算法
数据结构·深度学习·算法·决策树·机器学习
m0_677034354 小时前
机器学习-异常检测
人工智能·深度学习·机器学习
Christo37 小时前
TFS-2003《A Contribution to Convergence Theory of Fuzzy c-Means and Derivatives》
人工智能·算法·机器学习
Yingjun Mo7 小时前
1. 统计推断-ALMOND收敛性分析
人工智能·算法·机器学习
Loving_enjoy7 小时前
YOLOv11改进大全:从卷积层到检测头,全方位提升目标检测性能
经验分享·机器学习·迁移学习·facebook