下载文档原格式
高等代数中的线性变换思想应用
在高等代数中,线性变换是一种非常重要的概念。
它是指将向量空间中的每一个向量映射到另一个向量的一种函数。
线性变换具有如下性质：
线性变换对应的线性方程组可以用线性方程组的通解表示。
线性变换满足线性性质,即对于任意的两个向量 $x$ 和$y$,以及任意的两个标量 $\alpha$ 和 $\beta$,都有：$$T(\alpha x + \beta y) = \alpha T(x) + \beta T(y)$$ 线性变换满足向量空间中的加法性质,即对于任意的两个向量 $x$ 和 $y$,都有：$$T(x+y) = T(x) + T(y)$$ 线性变换的应用非常广泛,在许多领域都有广泛的应用,如：
在线性代数中,线性变换可以用来描述向量空间的线性变换、线性映射、线性映射等概念。
在拉格朗日插值中,线性变换可以用来描述拉格朗日插值多项式的构造。
在图像处理中,线性变换可以用来描述图像的平移、旋转、缩放等变换。
在机器学习中,线性变换可以用来描述线性回归、线性判别分析等模型,以及神经网络中的线性变换层。
总之,线性变换是一种非常重要的概念,在高等代数中有着广泛的应用,并在许多领域中都被广泛使用。
它可以用来描述向量空间的线性变换、线性映射、线性映射等概念,也可以用来描述图像的平移、旋转、缩放等变换,以及机器学习中的线性回归、线性判别分析等模型,以及神经网络中的线性变换层。
一个线性变换的所有不变子空间探讨摘 要线性变换的不变子空间理论是高等代数的重要理论之一,但是对于一个线性变换的所有不变子空间，在高等代数教材中也只是简单的讲解一下，于是本文对它做了更进一步的讨论.本文首先给出了线性变换与不变子空间的定义，然后介绍线性变换以及不变子空间的性质，讨论了复数域及一般数域P 上的线性空间的线性变换的不变子空间.同时本文总结了求解一个线性变换所有不变子空间的方法，并且结合一些实例加以应用.关键词：线性变换，子空间，不变子空间引言线性变换与不变子空间是高等代数中的重要的概念，但是对于一个线性变换的所有不变子空间的探讨，在高等代数教材中也只是粗略的讲解一下.为了增加这方面的知识，本文首先给出了线性变换，子空间的定义和不变子空间的性质,由线性变换与不变子空间的相关定理,得出复数域上和一般数域P 上的线性变换的所有不变子空间. 这样对每一个具体的线性变换,我们能表示出它的不变子空间,所以本文尝试探究一个线性变换的所有不变子空间的求法，又给出了一些具体应用事例.本文如不特别指明,所考虑的线性空间V 都是某一数域P 上的线性空间V，线性空间V 上的线性变换的集合为L(V).一、预备知识（一）、线性变换和不变子空间定义定义1[1] 线性空间V 的一个变换σ称为线性变换,如果对于V 中任意的元素,αβ和数域P 中任意数k ，都有()()()σαβσασβ+=+()()k k σασα=定义2[1] 设σ是数域P 上线性空间V 的线性变换,W 是V 的子空间.如果W中的向量在σ下的像仍然在W 中,换句话说,对于W 中任意一个向量ξ,有(),W σξ∈我们W是σ的不变子空间,简称σ-子空间.（二）、不变子空间的性质性质1[2] 设()L V σ∈，1V ，2V 都是σ的不变子空间，则1212,V V V V + 都是σ的不变子空间. 性质2[2] 设()L V σ∈，若1V 为σ的不变子空间，则1V 也是()f σ的不变子空间，其中()f x 是数域P 上x 的多项式. 性质3[3] 设()L V σ∈，若σ可逆且1V 为σ的不变子空间，则1V 也为1σ-的不变子空间.性质4[3] 设W 是线性变换σ，τ的不变子空间，则W 在στ+，στ下也不变.二、复数域上线性变换的所有不变子空间我们来研究Jordan 块mmJ⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=λλλ11定理4[2] 设V 是复数域上n 维线性空间，σ是V 的线性变换，在基1α，2α， ，n α 下的矩阵是一若当标准形11A λλλ⎛⎫ ⎪ ⎪= ⎪ ⎪⎝⎭证明：σ有且仅有{}0和以下非零不变子空间1(,,,)i i i n W L ααα+= ，(1,2,,)in =证明 由不变子空间性质可知，{}0是σ的不变子空间.又由于A 中一阶主子式所在列的其他元素全部是零的只有第n 列，因此一维不变子空间仅有()n L α；A 中二阶主子式所在列其余元素全部是零的子式只有第1n -，n 列的主子式，故二维不变子空间只有1(,)n n L αα-，以此类推可得，A中所在列的其他元素均为零的1n -阶主子式为第2,,n 列的主子式为111n λλλ-.因此σ的1n -维不变子空间仅有2(,,)n L αα ，而n 维不变子空间只有12(,,,)n V L ααα=综上，于是得到σ的非零不变子空间有且仅有n 个1(,,,)i i i n W L ααα+= ，(1,2,,)in = .注：由此证明了以下推论：推论1 V 中包含1α的σ的不变子空间只有V 自身； 推论2 V 中σ的任一非零不变子空间都包含n α； 推论3 V 不能分解成σ的两个非平凡不变子空间的直和；1111(,,,)ii i i in n jn j n n W L ααα---++++= ，(1,2,,)i jn =，(1,2,,)is = .定理4[1] 在复数域上 （1）如果线性变换σ是一个对称变换，那么σ的不变子空间的正交补也是σ的不变子空间.（2）如果线性变换σ是一个反对称变换，那么σ的不变子空间的正交补也是σ的不变子空间.（3）如果线性变换σ是一个酉变换，那么σ的不变子空间的正交补也是σ的不变子空间.三、一般数域P 上的线性变换的不变子空间例1 对任意的()L V σ∈,V本身及零子空间都是σ的不变子空间,称为平凡不变子空间.例2 对任意的()L V σ∈,分别称 (){V V σα=∈︱,}V βασβ∃∈=1(0){Vσα-=∈︱0}σα=为σ的像与核.容易证得()v σ与1(0)σ-都是σ的不变子空间.例3[6] 设()L V σ∈，λ是σ的一个特征值，()L V ε∈为V的恒等变换，则称{VVα*=∈︱存在正整数k ，()0}kλεσα-=为σ的对应于λ的根子空间，Vα*∈称为σ的属于λ的高为k 的根向量，V λ*为σ的不变子空间. 证明 若∀,V λαβ*∈，其高分别为12,k k ，令12m a x {,}kk k =，则,a bP∈，()()[()()][()Kkka b a b λεσαβλεσαλεσβ-+=-+- 1122[()()()][()()()]k k kk k k a b λεσλεσαλεσλεσβ--=--+--12[()(0)][()(0)]k k k k a b λεσλεσ--=-+-= 0故V λ*为V 的子空间.又设Vα*∈且高为k ，则()()[()]kkλεσσαλεσσα-=- = [()]kσλεσα-=(0)σ= 0 故V λ*为σ的不变子空间.四、应用举例例4[8]设σ是2R 的线性变换，σ在基12,εε下矩阵2512A -⎛⎫=⎪-⎝⎭，求σ的所有不变子空间解 在V 中至少有以下四个σ的不变子空间：2R ，{0}，2()R σ，1(0)σ-，又A ≠，知σ为可逆的线性变换. 故，2()R σ=2R ，1(0)σ-={0}，此外若还有其它不变子空间必是一维的，因而应为特征向量所生成，但是由于σ的特征多项式2()1f λλ=+无实根，故σ在R 中无特征值，从而没有实特征向量，这表明σ仅有两个平凡的不变子空间.结论 （1）在求σ的所有不变子空间时，既不能漏掉也不能重复. （2）给定σ后，线性空间V 中至少有V ，{0}，()V σ，1(0)σ-四个不变子空间， 然后再设法去找其他的不变子空间.结束语本文在一个线性变换的所有不变子空间等知识具备的条件下，借助一定的数学思想方法，探讨与研究了一个线性变换的所有不变子空间，通过一些具体事例的求解,归纳、总结了求解线性变换的所有不变子空间的方法. 由于学习知识的有限,对求解线性变换的所有不变子空间的方法可能不够系统与全面，在以后的学习中我会继续加强对相关知识的学习与总结, 进而进一步加深对相关理论知识的理解.。
最近想明白特点值、特点值到底有什么物理意义，搜到了这篇文章，共享一下。
来源：孙哲的日记[1. 特点的数学意义]咱们先考察一种线性转变，例如x,y坐标系的椭圆方程能够写为x^2/a^2+y^2/b^2=1，那么坐标系关于原点做旋转以后，椭圆方程就要发生变换。
咱们能够把原坐标系的(x,y)乘以一个矩阵，取得一个新的(x',y')的表示形式，写为算子的形式确实是(x,y)*M=(x',y')。
那个地址的矩阵M代表一种线性变换：拉伸，平移，旋转。
那么，有无什么样的线性变换b(b是一个向量)，使得变换后的结果，看起来和让(x,y)*b像是一个数b乘以了一个数字m*b? 换句话说，有无如此的矢量b，使得矩阵A*b如此的线性变换相当于A在矢量b上面的投影m*b? 若是有，那么b确实是A的一个特点向量，m确实是对应的一个特点值。
一个矩阵的特点向量能够有很多个。
特点值能够用特点方程求出，特点向量能够有特点值对应的方程组通解求出，反过来也一样。
例如，设A为3阶实对称矩阵，a1=(a,-a,1)T是Ax=0的解，a2=(a,1,-a)T是(A+E)x=0的解，a≠2,那么常数a=? 因为a1=(a,-a,1)T是Ax=0的解,说明a1=(a,-a,1)T是A的属于0的特点向量，a2=(a,1,-a)T是(A+E)x=0的解，说明a2=(a,1,-a)T是A的属于-1的特点向量。
实对称矩阵属于不同特点值的特点向量式正交的，因此a^2-a-a=0,a≠2,因此a=0。
仍是太抽象了，具体的说，求特点向量的关系，确实是把矩阵A所代表的空间，进行正交分解，使得A的向量集合能够表示为每一个向量a在各个特点向量上面的投影长度。
例如A是m*n的矩阵,n>m，那么特点向量确实是m个(因为秩最大是m)，n个行向量在每一个特点向量E上面有投影，其特点值v确实是权重。
那么每一个行向量此刻就能够够写为Vn=(E1*v1n,E2*v2n...Em*vmn)，矩阵变成了方阵。
