线性变换之维数公式(秩-零化度定理)

秩-零化度定理:从线性变换的“丢失”与“保留”理解维数公式 秩-零化度定理(维数公式)是线性代数的核心定理,揭示了线性变换中信息“丢失”与“保留”的精确关系。它将定义域维度分解为零化度(核的维度,衡量信息丢失)与秩(像的维度,衡量信息保留)之和。本文通过生动的“信息筛子”比喻和实例,深入浅出地阐释了该定理的几何意义及其在数据科学、AI模型诊断与信息压缩中的关键应用价值。 阅读详情

秩数-零化度定理(rank-nullity theorem)

目录

1.   (映射)零空间(线性映射或变换的核)(null-space或nullspace)

2.   跨度(或开度)(span)

3.   (线性映射的)零化度(nullity)

4.   线性变换的维数公式(秩数-零化度定理)(rank-nullity theorem)

5.  函数的上域(codomain)


1.   (映射)零空间(线性映射或变换的核)(null-space或nullspace)

   与行空间和列空间一样,矩阵的映射零空间是矩阵中的另一个基本空间,是所有在对其应用变换后结果为零的这些向量的集合。

(映射)零空间(null-space)定义: 一个 m ×n  矩阵A 是满足(齐性方程) AX = 0 的所有方程解的集合,它是 \mathbb{R}^{n} ( n 维实坐标向量空间) 的子空间。如果用 Nul A 表示零空间,则零空间可以用集合表示为

\text{Nul}\;A = \{ X\in \mathbb{R}^{n} | AX = 0 \}   。映射零空间又称为线性映射的核(kernel),因为其决定了这个线性映射的性质。

例1:

  A = \begin{bmatrix} 1&0&3&5 \\0&1&4&6 \end{bmatrix}   对应齐性(所有项都含有待解未知数这个共同属性)线性方程组

\begin{bmatrix} 1&0&3&5 \\0&1&4&6 \end{bmatrix}\begin{bmatrix} x_{1}\\x_{2} \\x_{3}\\x_{4} \end{bmatrix}=0  。

不难求得其两个“特解”,其中, x_{3}  和 x_{4}  为 1 和 0 或 0 和 1 。

设   x_{3}=1  和 x_{4}=0   ,方程1 得到 x_{1}=-3 ,方程 2 得到 x_{2}=-4  。

设  x_{3}=0  和  x_{4}=1  , 方程1 得到  x_{1}=-5  ,方程 2 得到 x_{2}=-6 。

这两个特解(special solution) s_{1} = (-3,-4,1,0)  和 s_{2} = (-5,-6,1,0)  位于 A 的零空间中。因为 As_{1} = 0 和 As_{2} = 0  。 这两个解的任意线性组合也位于矩阵A 的零空间中。 矩阵 A  乘以向量 x= c_{1} s_{1} + c_{2}s_{2}  产生0 。因此,这两个解向量  s_{1}  和  s_{2}  零空间的一个基(由两个线性无关的向量组成)。

2.   跨度(或开度)(span)

(注:span在用作动词时表示“张成,生成”,用作名词时表示“开度,跨度”。)

    跨度(span)描述的是某些已知向量的线性组合可达的空间。在线性代数中,向量集的跨度是这些向量所有可能的线性组合的集合。在本质上,它是这些向量通过缩放和加法可以到达的“空间”。如果你取某个向量集的所有可能的线性组合,最终得到的向量集就集合这个集合的跨度。理解跨度对于掌握线性代数中更高级的概念(例如线性独立性、基和子空间)至关重要。

线性跨度之定义:令 S 为一个线性空间,并令 x_{1} ,..., x_{n} \in S 为 n 个向量,则向量   x_{1} ,..., x_{n} 的线性跨度  \text{span}(x_{1} ,..., x_{n})  为所有线性组合  x = a_{1} x_{1} + ...+ a_{n} x_{n}  的集合 ,可以通过任意选 n 个标量 a_{1} ,..., a_{n}  获得。

例如:

(1) 如果平面上有两个不平行的向量,则它们的跨度就是整个平面。

(2) 如果有两个平行的向量,它们的跨度就是一条线。

(3) 在三维空间中,如果有三个不共面的向量(不都位于同一平面上),它们的跨度就是整个三维空间。

(4) 令  x_{1}  和  x_{2}  分为 2 × 1 例向量

x_{1} = \begin {bmatrix} 1\\0 \end {bmatrix}   和   x_{2} = \begin {bmatrix} 0\\1 \end {bmatrix}  。

令 x  为  x_{1}  和 x_{2}  的线性组合,其分别具有系数 a_{1}  和 a_{2} 。则

x = a_{1} x_{1} + a_{n} x_{n}=\begin{bmatrix} a_{1}\\a_{2}\end{bmatrix}  。

因此,向量 x_{1}   和   x_{2}  的线性跨度是所有可以写成   

\begin{bmatrix} a_{1}\\a_{2}\end{bmatrix}   

形式的向量 x ,其中,a_{1}  和   a_{2}  是任意两个标量。

3.   (线性映射的)零化度(nullity)

    矩阵的零化度是其(映射)零空间(或核)的维数,零空间是所有与矩阵相乘后结果为零向量的向量之集合(也可以说是所有齐性线性方程组的解之集合)。简单来说,它是矩阵解空间中自由变量的数量。零化度也等于矩阵的列数减去其秩数。

4.   线性变换的维数公式(秩数-零化度定理)(rank-nullity theorem)

定理 (维数公式): 令 T:V ⟶ W  为一个线性变换,则

dim(ker T ) + dim(im T ) = dim(V )  。

一个线性变换 T 的零化度(nullity)和秩(数)(rank,或阶数)分别是其核和像的维数,一个矩阵A 的零化度和秩按类似方式定义。

    在本质上,该公式告诉我们(定义)域(domain)的维数是如何在通过变换而“丢失”(映射到零)的向量(解向量,即零化度)和“保留”(映射到上域(codomain)中的其他向量)的向量之间分布的(维数如何在“丢夫”的向量和保留的向量之间分布)。

    例如,如果线性变换将 5 维向量空间映射到另一个空间,并且核(解的基向量数)的维数为 2(“丢失”的部分),则其像(保留的部分)的维数一定为 3(5 - 2 = 3)。

5.  函数的上域(codomain)

    在数学中,函数(映射)的上域(codomain)或目标集是指函数的所有输出都被约束到的集合(比如,实数域,但并不等于函数都能达到每一个实数)。在符号 f: X → Y 中,它就是集合 Y。术语“值域(range)”有时会被混淆地用来指代函数的上域或像。如图所示:

在图中,f 是从定义域(domain)(图中红色区域所示)到上域(图中蓝色区域) Y 的映射,Y中更小的黄色椭圆形区域是函数的像。

    例如:

函数 f : ℝ ⟶ ℝ  定义为  f: x \mapsto x^{2}  或其等价形式    f(x)=x^{2}  ,f 的上域是 ℝ ,但 f 不映射到任何负值,因此 f  的像是  \mathbb{R}_{0}^{+\infty}  ,即 [0, +∞] 。

秩-零化度定理:从线性变换的“丢失”与“保留”看维数守恒 秩-零化度定理是线性代数中的核心“维数守恒定律”,它揭示了线性变换中信息“丢失”与“保留”的定量关系。定理指出,定义域维数等于核空间维数(零化度)与像空间维数(秩)之和,为理解线性方程组、矩阵压缩、投影变换及机器学习中的降维操作提供了统一框架。本文通过几何直观和生活化类比,深入浅出地阐释了这一定理及其广泛应用。 阅读详情

相关推荐

别死记硬背!用‘丢失’和‘保留’的视角,5分钟搞懂线性代数里的秩-零化度定理

本文通过'丢失'和'保留'的生动比喻,深入浅出地解释了线性代数中的秩-零化度定理。文章将线性变换T比作魔法盒子,核空间ker T对应'丢失'的维度,像空间im T对应'保留'的维度,并证明dim(ker T) + dim(im T) = dim(V)的必然性。这种直观理解方式帮助读者摆脱死记硬背,轻松掌握线性变换的核心概念。

weixin_27427619的博客 193

维数定理的证明

维数定理:dim(V1)+dim(V2)=dim(V1+V2)+dim(V1∩V2)dim(V_1)+dim(V_2)=dim(V_1+V_2)+dim(V_1\cap V_2)dim(V1​)+dim(V2​)=dim(V1​+V2​)+dim(V1​∩V2​) 我查了查网上,有好几种证明方法。 第一种证明方法 使用高中学过的数学归纳法: 假设1:线性空间V2V_2V2​的维数为0 显然dim(V1∩V2)=0dim(V_1\cap V_2)=0dim(V1​∩V2​)=0, 因此dim(V1)+dim(

带带大黄的博客 6737

零空间(Null Space)深度解析:矩阵压缩、秩-零化度与工程应用

线性代数中,矩阵不仅是数据的运算工具,更是一种信息变换的载体。当矩阵作用于向量时,某些方向的信息会被压缩甚至归零,这些方向的集合就构成了零空间(Null Space)。零空间并非“什么都没有”,而是揭示矩阵丢掉了哪些维度,它与矩阵的秩共同满足秩-零化度定理,构成线性系统最核心的守恒关系。在工程实践中,奇异值分解(SVD)提供了计算零空间的数值方法,通过设置容差识别近似零奇异值,从而得到稳定的基。零空间广泛应用于计算机视觉中的基础矩阵估计、控制系统中的可控性分析、机器学习欠定模型的正则化解释,以及结构工程中的

weixin_30545945的博客 331

关于维数定理的证明

测试

__hao__的博客 9590

【矩阵论】线性空间与线性变换(3)(4)

线性空间中交空间、和空间、直和的定义、定理与例题。

kodoshinichi的博客 1万+

秩零化度定理(Rank-Nullity Theorem)

简要理解秩零化度定理

一个搬运知识的笨小孩 4090

维数定理(手推!):证明dim(v1)+dim(v2) = dim(v1+v2) + dim(v1∩v2)

网上看了很多相关的推导,基本大同小异,相关链接(https://www.cnblogs.com/wdfrog/p/8258417.html) 弄的模棱两可,这里自己手推一下,希望能弄的明白一点。 $$ \begin{flushright} Hello, here is some text without a meaning. This text should show what a printed text will look like at this place. If you read this t

尼伯龙根 9889

算子代数:维数与同构定理

算子代数:维数与同构定理 关键词: 算子代数: 是数学中一个重要的分支,主要研究算子(即线性映射)之间的代数结构,以及这些算子在不同数学结构(如希尔伯特空间)上的行为。 维数: 描述了一个向量空间或算子空

AI天才研究院 1663

别死记公式了!用Python+NumPy可视化理解线性代数中的秩-零化度定理

本文通过Python和NumPy实现,直观展示了线性代数中的秩-零化度定理(Rank-Nullity Theorem)。通过代码示例和可视化,解释了矩阵的秩、零空间及其维度关系,帮助读者理解线性变换的本质。文章还演示了如何应用该定理于PCA降维等实际场景,使抽象数学概念变得易于掌握。

weixin_29042035的博客 218

37线性映射04——像与核、核与像的计算、线性映射的维数公式

💖💖感谢各位观看这篇文章,💖💖点赞💖💖、收藏💖💖、你的支持是我前进的动力!💖💖 💖💖感谢你的阅读💖,专栏文章💖持续更新!💖关注不迷路!!💖 矩阵线性代数笔记整理汇总,超全面 文章目录 线性映射的像与核 核与像的计算 线性映射的维数公式 参考

炫云云 5764

线性空间中维数公式的推广

该文用数学归纳法证明了维数公式的推广形式。

【张量】由可逆线性变换诱导的具有新张量核范数的低秩张量补全(1)

本文研究了低秩张量补全问题,旨在从部分观察到的条目中精确地恢复出一个低秩张量。我们的模型受到最近提出的基于任意可逆线性变换的$tensor$-$tensor$ $product$ $(t-product)$的启发。当线性变换满足一定条件时,我们推导出新的张量管秩、张量谱范数和张量核范数。利用张量核范数,我们通过解决一个凸规划来解决张量补全问题,并在某些张量不相关条件下提供了精确恢复的理论界限。所达到的采样复杂度是按阶最优的。我们的模型和结果在低秩矩阵和张量补全领域极大地扩展了现有结果。数值实验验证了我们的结

2665000101@qq.com 1571

PT静态时序分析实战:从基础命令到高级报告解析

本文详细介绍了PT(PrimeTime)静态时序分析(STA)的实战技巧,从基础命令如pt_shell和report_timing的使用,到高级报告解析与问题排查。通过丰富的实例和脚本示例,帮助工程师快速掌握时序分析的核心技能,提升芯片设计验证效率。

weixin_29289821的博客 958

机器学习线性代数--(7)逆矩阵、列空间、秩、零空间与非方阵

本文从几何视角解析线性变换的核心概念:逆矩阵对应变换的"撤销"操作,存在条件是行列式非零;列空间描述变换后所有可能的输出集合;秩衡量变换保留的维度信息;零空间反映被压缩到原点的向量集合。通过方阵与非方阵的对比,阐明了不同维度空间之间的变换关系,并揭示这些概念的内在联系——线性变换将输入空间划分为零空间和行空间两部分。这些几何直观为理解矩阵运算提供了形象化的思维框架。

weixin_43496589的博客 583

在 Linux 虚拟机中手动安装 VMware Tools

对于 Linux 虚拟机,您可以从命令行手动安装 VMware Tools。对于 Linux 的较高发行版,请使用集成的 open-vm-tools 版本。 前提条件 有关 open-vm-tools 的操作系统兼容性的详细信息,请参见《VMware 兼容性指南》,网址为VMware Compatibility Guide - System Search。 开启虚拟机。 确认客户机操作系统正在运行。 因为 VMware Tools 安装程序是使用 Perl 编写的,请确认已在客户机操作系统中安..

m0_62526815的博客 1757

告别乱码!手把手教你用docx4j实现Word转PDF(附完整中文字体配置)

本文详细介绍了如何使用纯Java库docx4j实现Word到PDF的精准转换,并重点解决了中文乱码这一核心痛点。文章提供了从环境搭建、核心代码实现到中文字体配置的完整教程,特别针对Linux服务器部署场景,给出了详细的字体安装与映射方案,确保跨平台转换的稳定性和准确性。

nokia的博客 1153

矩阵的核与像:从线性变换视角解析矩阵的核心结构

本文从线性变换的视角深入解析了矩阵的核与像这两个核心结构。核空间包含了所有被变换映射为零向量的输入向量,揭示了信息丢失的维度;像空间则由矩阵列向量张成,代表了所有可能的输出结果。文章通过具体例题演示了计算过程,并阐释了秩-零化度定理如何平衡两者,为理解线性方程组解的结构和矩阵的深层意义提供了清晰框架。

ik678901的博客 1012

Anomalib实战指南:从零开始构建自定义异常检测数据集

本文提供了一份详细的Anomalib实战指南,指导用户从零开始构建自定义异常检测数据集。文章深入解析了数据准备的核心步骤、目录结构规范,并对比了PatchCore与FastFlow等关键模型的适用场景。通过清晰的代码示例,手把手演示了环境配置、模型训练与推理评估的全流程,旨在帮助开发者快速掌握这一工业视觉异常检测利器,有效解决实际生产中的缺陷识别难题。

weixin_29054245的博客 645

【张量】由可逆线性变换诱导的具有新张量核范数的低秩张量补全(2)

背景见:【张量】由可逆线性变换诱导的具有新张量核范数的低秩张量补全(1) 这篇论文提出了一种新的基于可逆线性变换的张量核范数,用于解决低秩张量补全问题。以下是这篇论文的关键点和通俗解释:低秩张量补全问题:从部分观测数据中准确恢复低秩张量(多维数据)。该方法可以应用于图像恢复、视频压缩等领域。论文提出了基于 t−productt-productt−product 和 **t−SVDt-SVDt−SVD(张量奇异值分解)**的方法,通过可逆线性变换来定义新的张量核范数。这些新的范数可以帮助解决张量补全问题。论

2665000101@qq.com 1246

从工具选型到落地实践:吃透 SAP Fiori Launchpad 配置工具体系

摘要: SAP Fiori Launchpad配置远非简单添加应用和分配角色,涉及技术目录、业务目录、Spaces/Pages等多层管理。官方推荐新工具分工:技术目录用FLPAM维护应用定义,业务目录用FLPCM编排应用组合,Spaces/Pages优化用户体验布局,而传统Groups模式已被标记弃用。这种分层治理模式(定义层-编排层-展示层)能有效解决传输混乱、升级兼容性问题,尤其适合大规模项目实施。关键在于区分技术配置与业务呈现,避免将所有功能堆砌在单一旧工具中。(149字)

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 103

RK3568平台(电源篇)电源域IO配置

在kernel之前需要修改电源域,主控电源域的IO电平要与对接外设芯片的IO电平匹配,还要注意软件的电压配置要跟硬件的电压一致,否则,最坏的情况可能会导致IO的损坏。其实就是管理 IO 输出的电平;假如硬件上 IO 电源域配置为 3.3V,则 IO 输出最大电平为 3.3V;同理 IO 电源域硬件配置为 1.8V,则 IO 输出最大电平是 1.8V;这样有利于 IO 电平的灵活配置;

weixin_49303682的博客 3480
上一篇: 向量关于基的坐标向量
下一篇: C++编程语言:标准库:第 32 章——STL算法(Bjarne Stroustrup)
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值