线性代数笔记32——线性变换及对应矩阵
原文：https://mp.weixin.qq.com/s/qCmstZdzCy1WCfBAkEZEoA
线性变换这个词在线性代数中经常被提及，每个线性变换的背后都有一个矩阵。矩阵的概念比较直观，相比之下，线性变换就显得抽象了。
线性变换
抛开矩阵，我们从变换的角度讨论投影。通过T变换，使平面内的一个向量投影到一条直线上：
T就像一个函数：给定一个输入向量，经过T的变换，输出成直线上的投影，过去我们一直用更专业的“映射”称呼这种变换关系。下图中v和w是R2空间内的向量，通过T变换变成了直线上的投影，即T(v)和T(w)：
变换的关系有很多，而线性代数只讨论线性变换。如果T表示一个线性变换关系，对于任意向量v和w以及标量c，线性变换应该保证下面两个运算的不变性，加法不变性和数乘不变性，这一点和线性组合类似：
把二者结合：
顺便说一下，投影变换是一种线性变换。
判断线性变换
判断一个变换是否是线性变换其实并不困难，只要判断这个变换是否满足加法不变性和数乘不变性即可。
反例1：平移整个平面
假设某个变换关系T是平面沿着某个方向平移v0，也就是说对于平面内的任意向量v，都有T(v) = v + v0，T变换是否是线性变换？
这个看起来很简单的变换并不是线性变换，它违背了线性变换的两个不变性，以数乘不变性为例：
线性变换的不变性要求对输入空间内的任意向量都成立，当然也包括零向量，因此一个更简单的判断方法就是使用零向量。数乘不变性对于零向量来说将有T(0) = 0，但本例中T(0) = v0，所以说“平移”变换不是线性变换。
反例2：求向量的长度
变换关系T(v) = ||v||是否是线性变换？
T变换将产生维度的变化。假设v是一个三维向量，经过T的变换将变成一个大于等于0的实数，也就是一维向量：
虽然本例满足T(0) = 0，但是对于数乘不变性来说，如果c是负数，那么T(cv) ≠ cT(v)，因此本例不是线性变换。
正例1：旋转变换
变换关系T：R2→R2是将一个二维空间的向量旋转45°，这个变换是否是线性变换？
答案是肯定的，它符合线性变换的两个不变性。
即使去掉坐标轴，依然能够清晰地描述这个变换，下图是对二维平面内的图形进行旋转：
正例2：线性变换与矩阵
到目前为止，线性变换还没有和矩阵产生任何关系。现在有一个变换关系是矩阵乘以一个向量，T(v) = Av，其中A是一个矩阵。根据矩阵乘法的性质：
这符合线性变换的两个判据，因此矩阵乘以向量是一个线性变换。这意味着选中一个矩阵，用它乘以平面上的所有向量，将得到一系列线性变换后的结果，即整个平面通过矩阵乘法发生了变换，这也是一个值得研究的结果。
现在有一个矩阵：
如果用A乘以一个R2空间的向量v——当然，A是2×2矩阵，它也只能乘以一个R2空间的向量——将把v线性变换成另一个向量，变换后的向量的x分量不变，y分量与v的y分量相反：
描述线性变换
我们的目的是理解线性变换，而理解线性变换的本质是确定线性变换背后的矩阵，虽然可以在脱离坐标和具体数值的情况下讨论线性变换，但是为了更好地描述，我们仍然有必要引入坐标系。
假设有一个三维向量，能够通过某种线性变换变成二维向量，这将是一个怎样的变换？
用矩阵描述这个关系，T(v) = Av，v是三维向量，通过Av变成了二维向量，那么A一定是一个2×3矩阵。任何一个2×3的矩阵都可以将一个三维向量线性变换成二维向量，每一个变换都对应一个具体的矩阵。
输入空间的基
对于平面内特定的向量v1，只要看看T(v1)就可以了解线性变换对它产生的作用。我们对空间内其它向量的线性变换同样感兴趣，换句话说，我们想知道线性变换对于整个输入空间的影响。既然向量空间是由线性无关的向量张成的，那么只要知道平面内两个线性无关的向量，就可以了解平面内所有向量线性变换的结果。也就是说，只要知道输入空间的基，就能掌握线性变换对整个输入空间的影响。
v1,v2……vn是输入空间的一组基向量，把它称之为输入基。只要知道所有输入基的线性变换，就可以知道输入空间内任意向量的线性变换：
坐标
先来看看什么是坐标。
Rn空间的坐标是一组数字，这些数字表示Rn空间的给定向量v由多少个基向量组成（基向量线性组合的系数），但是基向量不止一组，如果基向量改变了，坐标也随之改变，因此一般来说，坐标系建立在标准基的基础之上。例如一个三维空间的向量的坐标是(2,3,4)：
上式可以清晰地看到v是三个标准基向量的线性组合，尽管大多数时候我们都意识不到这种组合。
对于线性组合来说，一旦选定了一组基，坐标也随之确定。比如对于输入空间的任意一个向量v来说，都可以用基向量的唯一线性组合表示：
一旦向量确定，其线性组合也随之确定，此时c1, c2 ,…,cn就是该向量的一组确定的坐标值。
线性变换与矩阵
我们的目的是确定线性变换背后的矩阵，矩阵是与坐标有关的（矩阵中的元素是确定的值），而线性变换与坐标无关。现在的问题是，如何把一个与坐标无关的线性变换变成一个与坐标有关的矩阵？
假设有T能够完成一个向量从n维空间到m维空间的线性变换：
现在我们打算构造一个矩阵A来描述这个线性变换。在描述时需要两组基：输入空间的一组基来描述输入向量，以及输出空间的一组基来确定输出向量的坐标。这两组基一旦确定，对应的矩阵也就确定了。
v1,v2……vn是输入空间的一组基向量，来自Rn空间；w1,w2……wm是输出空间的一组基向量，来自Rm空间。对于每个输入向量来说，都有具体的坐标值，该坐标由基向量的线性组合确定，然后把这些坐标值乘以某个矩阵A，将得到相应的输出向量，输出向量的坐标同样可以由输出空间的基确定。用矩阵A来表示线性变换，就是将矩阵乘以输入向量的坐标，得到它在输出空间的坐标。
值得注意的是，线性变换背后的矩阵A乘以的是输入向量的坐标，不是输入向量本身，得到的也是输出向量的坐标，不是输出向量本身。定义一个线性变换T(v)，对v = c1v1 + c2v2 + …… + cnvn进行变换，如果用A描述这个变换，则A需要满足：
之后用输出向量的坐标对输出空间的基向量进行线性组合，得到最终的输出向量w：
由于我们之前一直使用的是标准基，因此感觉不到坐标的存在。
我们之前说过，投影属于线性变换，这里正好用投影的例子对上面的描述加以说明。为了简单起见，将这个投影定义在二维空间，n = m = 2。参与变换的向量都在平面上，让平面上的所有向量都投影在一条直线上。选择输入空间的两个基向量v1和v2代替R2空间的标准基向量，其中v1沿着投影方向趴在直线上，v2垂直于投影方向：
上图特意去掉了坐标系，以强调线性变换与坐标无关。同时，由于输出空间也是R2空间，我们也同样用v1和v2作为输出空间的基，即w1 = v1, w2 = v2。
之前说过，输入空间和输出空间的基一旦确定，对应的矩阵也就确定了。现在的问题是，根据v1、v2和w1、w2如何描述这个用于线性变换的变换规则？也就是说，作用于线性变换的矩阵是什么？
对于出入空间的任意向量v，都可以表示成两个基向量的线性组合：
我们事先已经知道投影变换是一种线性变换，它线性变换的两个不变性：
T表示投影变换，T(v1)是v1的投影，沿着直线方向的向量的投影就是这个向量本身，所以T(v1) = v1。v2垂直于直线，它的投影是零向量，所以T(v2) = 0。由此得到了投影变换和这组基向量的关系：
A用一组特殊的输入基和输出基（垂直于直线和沿着直线方向的一组基）描述了线性变换，将矩阵A乘以输入向量的坐标，得到它在输出空间的坐标：
如果改用标准坐标基，即：
投影的直线也需要给出具体的位置，假设T(v)变换是将向量投影到45°的直线上：
现在尝试找出这个符合要求的矩阵，也就是投影矩阵。根据投影矩阵的公式，可以用向量a = (t, t)表示直线，从而求得投影矩阵：
在使用标准坐标基的时候，坐标值等于向量本身：
可以看到，如果选择的基向量不同，即使对于同样的线性变换，背后的矩阵也不同。在使用标准坐标基的时候，感觉不到坐标的存在，此时矩阵乘以输入向量等于输出向量。实际上第一次是以投影矩阵的特征向量为基，得到的矩阵A是投影矩阵P的特征值矩阵。
如何确定矩阵
确定矩阵A的前提是需要知道输入空间和输出空间的基，我们依然用v1,v2……vn和w1,w2……wm表示这两组基。T(v1)表示对输入空间的第一个基向量v1做线性变换，此时矩阵A乘以的坐标是(1,0,…,0)，得到的输出坐标是：
当知道线性变换的结果时，就可以通过它的坐标确定A的第一列。上式实际上描述了这样线性变换：
求导也是一种线性变换
这里有一个特殊的线性变换——求导，T = d/dx。我们之所以能够对函数求导，正是因为求导本身是一种线性变换，因此只需要掌握少量的求导法则，就能求出函数线性组合的导数。
假设输入空间的基是1, x, x2，线性组合是c1 + c2x + c3x2；输出是导数：
输出空间的基是1, x。这是一个从三维空间到二维空间的线性变换：
描述这个线性变换的矩阵A满足：
出处：微信公众号 "我是8位的"
本文以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，非商业用途！
扫描二维码关注作者公众号“我是8位的”
