矩陣乘法
對於一個向量vv=[−1,2]T當對向量v乘以一個矩陣MM=[1−230]
即[1−230][−12]=[52]
將向量v=[−1,2]T轉化爲向量[5,2]T,也就是進行了線性映射。
如下圖所示:
==》
在上述矩陣乘法的過程中,可以拆分爲[1−230][−12]=−1∗[1−2]+2∗[30]=[52]
即,可以理解爲,上述矩陣對向量的乘法,相當於是將原來向量的x軸的單位向量線性映射到[1,−2]T,將原來向量的y軸的單位向量線性映射到[3,0]T,經過這樣轉化後的在新的空間中的[−1,2]T向量在原空間就是[5,2]T。
因此,可以得出如下結論
矩陣乘法,可以理解爲是對線性空間的線性映射
而矩陣對矩陣的乘法,則可以理解爲是矩陣對多個向量的乘法,即對多個向量的空間線性映射
特徵值和特徵向量
如上所述,一個矩陣對一個向量的乘法,是對該向量進行線性映射,這種映射,會對向量進行旋轉變量和拉伸變換。如上述例子,向量[−1,2]T在進行矩陣乘法之後變爲[5,2]T,向量的方向和長度均發生了變化。但是,在該空間中是否存在這樣的向量,經過該矩陣的線性映射變化之後,只發生了長度變化,而方向並沒有變化呢?
即[1−230][−12]=λ[−12]
其中λ表示長度變化的倍數
即Mv=λv
這個看着很眼熟?沒錯,這個就是求矩陣的特徵向量和特徵值的式子,向量v就是矩陣M的特徵向量,值λ就是矩陣M的特徵值。其中,向量v指的不是一個向量,而應該是一簇相同方向的向量,因爲上述式子的兩邊可以乘上任意數值,式子依然成立。
也就是說
在矩陣M的空間線性映射下,如果存在某一方向的向量簇v,該向量簇在矩陣M的線性映射下方向依舊不變,僅僅發生了長度變化,那麼這樣的向量簇v就是矩陣M的特徵向量,其中放大的倍數,就是特徵向量v對應的特徵值