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¶
- 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¶
- \(AB\neq BA\):矩阵乘法一般不可交换。
- 维度要对齐:\(m\times n\) 只能乘 \(n\times p\)。
- 逆不一定存在:行列式为 0 就没有逆。
- 特征值可以是复数:旋转矩阵的特征值就是复数。
- \(A^T\) 与 \(A^{-1}\) 不是一回事:只有正交矩阵才相等。
用在哪里¶
- 叉乘与反对称矩阵 → 矢量叉乘与反对称矩阵
- 坐标变换 → 坐标变换与旋转矩阵
- 基变换 / 协变逆变 → 基变换与坐标变换
- 矩阵分解 / 数值 → 矩阵分解与数值线性代数
- 协方差 → 概率统计基础