本讲的主要内容:
- 回顾向量空间以及子空间的知识点
- 使用线性方程组的思想看待列空间问题
- 零空间的概念
向量空间以及子空间
这里主要是对之前的知识的一点回顾,有一点新问题是对于子空间,交以及并是否仍然是子空间?
这里以三维空间
为例:
取
为三维空间中过原点的一个平面(plane) ,取
为三维空间中过原点的一条直线,则根据向量空间以及子空间的定义,可以得知
和
都是三维空间的子空间,那么有:
非子空间,而
是子空间,很好理解,如果在
和
中各取一个向量,则它们的向量和不一定在并集之内,而交集则是两个向量的肯定共同属于
和
。
矩阵的列空间(Column Space)
在之前的一讲中我们知道将矩阵
看作是多个列向量,则这些列向量的所有线性组合就组成了列空间(column space 简记为
),这里老师使用的例子:
将三个列向量的所有线性组合得出向量放在一起,就得到了列空间(这里的
是四维空间的一个子空间),现在有一个问题:
是否能构成整个四维空间?
如果我们使用方程的思想来看,也就转化为这个问题:
是否总是有解?即:
直观一点来想的话:是不能的,我们有三个四维向量(实际上是两个),只能构成一个三维平面,现在却要表示四维空间的所有向量,一般是无解的。
知道
无法覆盖整个四维空间之后,关于上面的方程组还有一个结论:如果上面的方程有解,显然有一个条件:
。
零空间(Null Space)
接下来是一个新的概念:零空间(null space 简记为: ),其实是上面的方程组的一种情况,也就是考虑 的解,方程的所有解向量构成了零空间,可以看出零空间是三维空间 的一个子空间,而列空间,则是四维空间 的一个子空间,这个地方注意一下,比如之前的例子:
因为第三列其实是前两列的组合,我们可以很简单的求解这个方程:
结果是四维空间的一条直线。
接下来,我们来验证一下
的解总是可以构成子空间,也就是检验解满足向量的加法以及数乘,其实非常简单:
设任意
,
都是方程的解,则加法:
数乘就更明显了。
这一讲的内容比较简单,主要是为下面的内容介绍几个概念。
以上~