当前位置：首页 > news >正文

第7章基、坐标与线性变换：空间的视角与重构

news 2026/5/11 23:49:25

底层数学四部曲·第四部

线性代数：入门与全领域展开

第7章基、坐标与线性变换：空间的视角与重构

基、坐标与线性变换的本质，是用最精简的结构描述空间，用最合适的视角重构对象。
前面六章，我们已经把向量、矩阵、秩、维度、相关性全部打通。从本章开始，我们进入线性代数真正**“降维打击、简化万物”的核心思想：
同一个系统、同一个对象、同一个问题，只要换一组基、换一个视角**，就能从混乱变清晰、从复杂变简单、从无解变可解。

这一章，是从“基础运算”走向“高阶思维”的分水岭。

7.1 基：空间的“最小骨架”与“标准单位”

我们先给出最本源、最通透的定义：

基，是张成整个空间的极小线性无关向量组。
它是空间的骨架，也是描述一切对象的单位系统。

一组向量要成为基，必须同时满足两条：

线性无关：没有冗余，少一个就撑不起空间。
张成整个空间：空间里任何向量都能由它们线性组合出来。

直观理解：

二维平面：任意两个不共线向量 → 一组基
三维空间：任意三个不共面向量 → 一组基
n维空间：任意n个线性无关向量 → 一组基

基 = 空间的坐标系骨架。
没有基，就没有坐标；没有坐标，就无法量化、无法计算、无法比较。

7.2 坐标：对象在基下的“身份证”

本源定义

在确定一组基 ({\vec{e}_1,\vec{e}_2,\dots,\vec{e}_n}) 之后：
任意向量 (\vec{v}) 都可以唯一写成：
[
\vec{v} = x_1\vec{e}_1 + x_2\vec{e}_2 + \cdots + x_n\vec{e}_n
]
系数 ((x_1,x_2,\dots,x_n)) 就叫做：
向量 (\vec{v}) 在这组基下的坐标。

关键点只有一句：
坐标依赖基，基不同，坐标就不同；但向量本身不变。

向量是客观对象
基是观察视角
坐标是视角下的表达

这是线性代数最高级的思想之一：
对象不变，表达可变；结构不变，视角可变。

7.3 基变换：换一套坐标系，重构整个视角

现实中最强大的能力，不是“在一个坐标系里死算”，
而是主动换坐标系，让问题变简单。

基变换的逻辑

设：

旧基：({\vec{e}_1,\dots,\vec{e}_n})
新基：({\vec{f}_1,\dots,\vec{f}_n})

每一个新基向量，都能被旧基线性表示：
[
\vec{f}j = a{1j}\vec{e}1 + a{2j}\vec{e}2 + \cdots + a{nj}\vec{e}_n
]

把系数按列排成矩阵 (P)，这个 (P) 就叫：
基变换矩阵。

它的意义：

列 = 新基在旧基下的坐标
(P) 可逆（因为基是线性无关的）

基变换，是换骨架，不换空间。

7.4 坐标变换：人不动，坐标系动，坐标怎么变？

向量 (\vec{v}) 不变：

旧坐标：(X)
新坐标：(Y)

则坐标变换公式：
[
X = P,Y
\quad\text{或}\quad
Y = P^{-1}X
]

一句话：
基怎么变，坐标就跟着怎么变。

工程、图形学、AI、物理里所有“换视角、换坐标系、归一化、标准化”，
底层全是这一条公式。

7.5 线性变换：空间的“规则运动”

本源定义

一个变换 (T) 满足两条，就是线性变换：

(T(\vec{u}+\vec{v}) = T(\vec{u})+T(\vec{v}))
(T(k\vec{v}) = k,T(\vec{v}))

这正是第一章的可加性 + 齐次性。

直观理解：
线性变换 = 空间里的刚性+均匀变形：

直线变直线
原点不动
平行线变平行线
无弯曲、无折叠、无撕裂

包括：

旋转
拉伸/压缩
镜像
投影
剪切

一切线性变换，都可以用一个矩阵表示。

7.6 线性变换的矩阵表示：变换=矩阵

在一组基下：
变换 (T) 完全由基向量被变成什么决定：
[
T(\vec{e}j) = A{1j}\vec{e}1 + A{2j}\vec{e}2 + \cdots + A{nj}\vec{e}_n
]

把右边系数排成矩阵 (A)：
[
A = \begin{pmatrix}
\uparrow & \uparrow & & \uparrow \
T(\vec{e}_1) & T(\vec{e}_2) & \cdots & T(\vec{e}_n) \
\downarrow & \downarrow & & \downarrow
\end{pmatrix}
]

A 就是线性变换 T 在这组基下的矩阵。

终极结论：
线性变换 ↔ 矩阵 ↔ 基的去向