线性代数的本质不仅是解方程，更是研究线性变换(Linear Transformations)。这篇文章将深入探讨什么是线性变换，它如何与矩阵建立起一一对应的关系，以及我们如何通过改变基来简化对世界的描述。
1. 线性变换是什么 (Q1)
变换即函数 变换本质上就是一个函数，或者叫映射。它描述了一种输入与输出的对应关系（input-output relation），我们可以用符号 $T(\cdot)$ 来表示。
可视化的“运动” “变换”这个词暗示了我们可以通过某种方式来可视化它。最直观的理解方式是将变换看作是一种“运动”：空间中的网格线发生了移动、旋转或拉伸。 * 参考资源：3Blue1Brown - 线性变换的本质
核心性质：线性 一个变换被称为“线性”的，当且仅当它满足以下两个条件： 1. 齐次性：$T(cv) = cT(v)$ （直线变换后仍为直线，原点固定） 2. 可加性：$T(v+w) = T(v) + T(w)$ （网格线保持平行且等距分布）
这与信号与系统中的“线性时不变（LTI）系统”中的线性概念是同义的。线性变换保证了操作是可分解、可叠加的。
2. 线性变换和矩阵的联系 (Q2)
线性变换和矩阵之间存在着天然的一一对应关系。这种联系仿佛在告诉我们：自然世界的语言是数学。
定理
在确定了输入空间的基 $V$ 和输出空间的基 $W$ 之后，每一个线性变换 $T(\cdot)$ 都能够用一个矩阵 $A$ 完全表示；反之，这个矩阵 $A$ 也可以完全表示这个线性变换。
证明过程
已知线性变换 $T(\cdot)$，对于任意输入向量 $v \in C(V)$，都存在输出 $w = T(v) \in C(W)$。
第一步：确立基与坐标 设定输入空间基为列向量组 $V = [v_1, v_2, \dots, v_n]$，输出空间基为 $W = [w_1, w_2, \dots, w_m]$。 那么输入/输出向量可以用坐标（列向量）表示： * $v = V c = c_1 v_1 + c_2 v_2 + \dots + c_n v_n$ * $w = W d = w_1 d_1 + w_2 d_2 + \dots + w_m d_m$
第二步：应用变换 将变换 $T$ 作用于 $v$： $$ w = T(v) = T(V c) = T(V) c $$ 其中 $T(V) = [T(v_1), T(v_2), \dots, T(v_n)]$ 是变换后的基向量组。
第三步：在输出空间中表达 由于 $T(V)$ 的每一列都在输出空间 $C(W)$ 中，它们一定可以由基 $W$ 线性表示。因此，存在唯一的矩阵 $A$，使得： $$ T(V) = [T(v_1) \dots T(v_n)] = [W a_1 \dots W a_n] = W A $$
第四步：推导坐标关系 将上式代入 $W d = T(V) c$，得到： $$ W d = (W A) c \implies W (A c - d) = 0 $$ 因为 $W$ 的各列线性无关（基的性质），所以括号内必须为零： $$ A c = d $$
结论
这表明，输入向量 $v$ 在基 $V$ 下的坐标 $c$，和输出向量 $w$ 在基 $W$ 下的坐标 $d$ 之间存在矩阵乘法关系。
矩阵 $A$ 的物理含义：它是输入空间基 $V$ 经过变换 $T$ 后得到的向量组 $T(V)$，在输出空间基 $W$ 下的坐标矩阵。
即在确定基之后，有且仅有一个矩阵 $A$，可以完全表示 $T(v)=w$ 的线性变换： $$ Ac = d \quad (\text{其中 } WA = T(V)) $$
3. 基变换与矩阵的简化 (Q3)
线性变换在不同的基下，表现形式的复杂度不同。我们可以通过选择好的基，让矩阵 $A$ 变得非常简单，实现解耦。
变换公式
在输入空间基变为 $B_{in}$，输出空间基变为 $B_{out}$ 后： * 原坐标 $c$ 与新坐标 $c'$ 的关系：$c = B_{in} c'$ * 原坐标 $d$ 与新坐标 $d'$ 的关系：$d = B_{out} d'$
代入 $A c = d$： $$ A (B_{in} c') = B_{out} d' \implies B_{out}^{-1} A B_{in} c' = d' $$
这意味着，对于新坐标来说，变换矩阵从 $A$ 变成了： $$ A' = B_{out}^{-1} A B_{in} $$
我们的目标就是找到合适的 $B_{in}$ 和 $B_{out}$，使得 $A'$ 成为对角矩阵 $\Lambda$（即在每个维度上仅仅是缩放）。
经典案例
-
特征值分解
- 适用于方阵 $A$，且有 $n$ 个线性无关的特征向量。
- 取 $B_{in} = B_{out} = X$（特征向量矩阵）。
- 结果：$X^{-1} A X = \Lambda$。
-
奇异值分解 (SVD)
- 适用于任意矩阵。
- 取 $B_{in} = V$（右奇异向量），$B_{out} = U$（左奇异向量）。
- 结果：$U^T A V = \Sigma$。
-
Jordan 标准型
- 当矩阵无法对角化时的最简形式。
补充思考
- 相似矩阵：若输入空间和输出空间是同一个空间（$A$ 为方阵），且我们使用同一个基变换（$B_{in} = B_{out}$），则 $A' = B^{-1} A B$。此时 $A$ 和 $A'$ 称为相似矩阵，它们代表同一个线性变换。
- 计算代价与固定基：找出特征向量或奇异向量作为基虽然能完美解耦，但计算代价可能很大。在实际应用（如信号处理）中，我们可以直接尝试预先定义好的固定基，比如小波基或傅里叶基，这些基在很多自然变换下已经能提供良好的解耦效果。
- 特殊的基变换：如果原始变换矩阵是 $I$（单位矩阵），输入基不变，只改变输出基，这通常被称为基变换矩阵或坐标变换，记为 $F x = y$。
结语：为什么要将线性变换与矩阵联系？
用矩阵表示线性变换，不仅仅是符号的对应，更是为了： 1. 定量描述：将抽象的空间变换转化为具体的数值运算。 2. 便于计算：利用计算机强大的矩阵运算能力来模拟和预测现实世界的变换。 3. 研究本质：透过矩阵的属性（特征值、奇异值）看透变换的本质（伸缩、旋转、投影）。
正如我们所见，线性代数架起了抽象几何思维与具体代数运算之间的桥梁。自然世界的语言，的确是数学。