跳转至

向量与矩阵入门

一句话:向量是"带方向的数量",矩阵是"对向量做线性变换的机器"。惯导、控制、卡尔曼滤波,底层全是这两样东西。

一、向量:有方向的数量

\[\mathbf v=\begin{bmatrix}x\\y\end{bmatrix}\]
  • 加法:分量分别相加;
  • 数乘:每个分量乘同一个数;
  • 点积:
\[\mathbf u\cdot\mathbf v=u_xv_x+u_yv_y=|\mathbf u||\mathbf v|\cos\theta\]
  • 范数(长度):\(\|\mathbf v\|=\sqrt{x^2+y^2}\);
  • 夹角:\(\cos\theta=\dfrac{\mathbf u\cdot\mathbf v}{\|\mathbf u\|\|\mathbf v\|}\)。

点积 = 一个向量在另一个方向上的投影 × 另一个的长度。正交时点积为 0。

二、矩阵:线性变换的机器

\[A=\begin{bmatrix}a&b\\c&d\end{bmatrix}\]

它作用在向量上:

\[A\begin{bmatrix}x\\y\end{bmatrix}=\begin{bmatrix}ax+by\\cx+dy\end{bmatrix}\]

2.1 矩阵乘法的两种读法

读法一(行 × 列):结果的第 \(i\) 行第 \(j\) 列 = 左矩阵第 \(i\) 行 · 右矩阵第 \(j\) 列。

读法二(列的线性组合):结果的每一列 = 左矩阵的列按右矩阵对应列的系数加权相加。

\[\begin{bmatrix}a&b\\c&d\end{bmatrix}\begin{bmatrix}x\\y\end{bmatrix}=x\begin{bmatrix}a\\c\end{bmatrix}+y\begin{bmatrix}b\\d\end{bmatrix}\]

第二种读法在惯导里更重要:矩阵的列 = 基向量被送到哪里。

2.2 转置、逆、行列式、秩

运算 记法 含义 注意
转置 \(A^T\) 行列互换 \((AB)^T=B^TA^T\)
逆 \(A^{-1}\) \(AA^{-1}=I\) 只有方阵且 \(\det A\neq0\) 才有
行列式 \(\det A\) / \(\vert A\vert\) 体积缩放因子 为 0 → 不可逆(降维)
秩 \(\operatorname{rank} A\) 线性无关的行/列数 秩 < 阶数 → 不可逆

2.3 正交矩阵与旋转矩阵

若 \(A^TA=I\),则 \(A\) 是正交矩阵:它保持长度和夹角,只旋转/翻转。

二维旋转矩阵:

\[R(\theta)=\begin{bmatrix}\cos\theta&-\sin\theta\\ \sin\theta&\cos\theta\end{bmatrix}\]

这就是 坐标变换与旋转矩阵 的主角。旋转矩阵的逆 = 转置。

2.4 几何读法:矩阵把正方形变成平行四边形

向量加法与矩阵变换

  • 左图:两个向量相加,结果是以它们为邻边的平行四边形的对角线;
  • 右图:矩阵 \(A\) 把单位正方形映射成平行四边形,矩阵的列就是两条边的落点。

2.5 矩阵乘矩阵的例子

\[\begin{bmatrix}1&2\\3&4\end{bmatrix}\begin{bmatrix}5&6\\7&8\end{bmatrix}=\begin{bmatrix}1\cdot5+2\cdot7&1\cdot6+2\cdot8\\3\cdot5+4\cdot7&3\cdot6+4\cdot8\end{bmatrix}=\begin{bmatrix}19&22\\43&50\end{bmatrix}\]

2.6 秩与线性方程组

对 \(A\mathbf x=\mathbf b\):

  • \(\operatorname{rank}A=n\)(满秩)→ 有唯一解;
  • 秩不足 → 无解或无穷多解;
  • \(\det A=0\) ↔ 秩不足 ↔ 不可逆。

三、特征值与特征向量

\[A\mathbf v=\lambda\mathbf v\]
  • \(\mathbf v\):被 \(A\) 作用后方向不变的向量(特征向量);
  • \(\lambda\):长度缩放倍数(特征值)。

直觉:大多数向量被矩阵一作用就转向了,只有特征向量"原地不动,只伸缩"。

求法:解 \(\det(A-\lambda I)=0\)。

例:对角矩阵 \(A=\begin{bmatrix}2&0\\0&3\end{bmatrix}\) 的特征向量就是 \(x\) 轴、\(y\) 轴的单位向量,特征值分别是 2 和 3——对角矩阵不改变坐标轴方向。

四、正定矩阵

若对任意非零向量 \(\mathbf x\),都有

\[\mathbf x^T A\mathbf x>0\]

则 \(A\) 是正定矩阵。

  • 对称正定矩阵的特征值全为正;
  • 协方差矩阵必须正定(方差不能为负);
  • 卡尔曼滤波里的 \(P\)、\(Q\)、\(R\) 都要求(半)正定。

五、一个 2×2 的例子

\[A=\begin{bmatrix}1&2\\3&4\end{bmatrix},\quad \mathbf x=\begin{bmatrix}1\\1\end{bmatrix}\]
\[A\mathbf x=\begin{bmatrix}1\cdot1+2\cdot1\\3\cdot1+4\cdot1\end{bmatrix}=\begin{bmatrix}3\\7\end{bmatrix}\]

特征值:\(\det(A-\lambda I)=(1-\lambda)(4-\lambda)-6=\lambda^2-5\lambda-2=0\),\(\lambda=\dfrac{5\pm\sqrt{33}}{2}\)。

六、常见坑

  1. \(AB\neq BA\):矩阵乘法一般不可交换。
  2. 维度要对齐:\(m\times n\) 只能乘 \(n\times p\)。
  3. 逆不一定存在:行列式为 0 就没有逆。
  4. 特征值可以是复数:旋转矩阵的特征值就是复数。
  5. \(A^T\) 与 \(A^{-1}\) 不是一回事:只有正交矩阵才相等。

用在哪里