線性代數的本質07 點積與對偶性
07 點積與對偶性
傳統教學中,“點積”是線性代數課程中很靠前的內容,只需要簡單的向量概念就可以引入。但是深入這個概念,需要從線性變換的角度才能完成。首先介紹點積的基本概念,如果有兩個維數相同的向量,或者說兩個長度相同的陣列,點積就是將向量中的對應元素相乘,然後相加。
例:
;
;
。
點積運算有其幾何解釋。向量
w
朝向量
v
所在的直線上投影,將投影的長度與向量
v
的長度相乘,就得到了二者的點積。
當兩個向量方向大致接近的時候,它的點積是正的,當兩個向量互相垂直時,它的點積為0,當它們的方向相反時,點積為負。
這種解釋是不對稱的,這兩個向量的處理方式完全不同。其實也可以將向量
v
投影到向量
w
的方向上,將
v
投影的長度與
w
的長度相乘,會得到相同的結果。
下面直觀的說一下,為什麼點積與順序無關?
如果向量
v
和
w
長度恰好相同。從
v
向著
w
投影,和從
w
向著
v
投影,所得是相同的。如果將其中一個向量縮放若干倍,比如將向量
v
變成兩倍,這樣對稱性就破壞了。我們求解的是向量2
v
和
w
的點積。從
w
向2
v
投影,或者從2
v
向
w
投影所得,都是
v
點乘
w
的二倍。
另一個關鍵點就是,為什麼座標相乘結果相加,會和投影有所聯絡?給出一個滿意的答案,並正視點積的重要性,需要挖掘更深層次的東西——對偶性。
首先要討論一下多維空間向的一維空間的線性變換。
線性變換需要滿足嚴格的線性性質:
在這裡我們聚焦於一種與之等價的,直觀的幾何屬性。如果空間中有一些等距分佈的點,當透過線性變換壓縮到一維空間——數軸上的時候,這些點仍保持等距分佈。如果等距分佈的點,變換後沒有保持等距分佈,那麼它就不是線性變化,例如:
之前的課程已經討論過線性變換完全由它對基向量的變換所決定。而這一次,這些基向量只落在一個數上。
假設有一個線性變換,將基向量
i
和
j
分別變換之1和-2。跟蹤向量[4,3]在變換之後的結果。
這是1x2矩陣和向量的乘法,但也可以看做是向量點乘。
重新認識一下這種運算,在二維空間中沿著某方向放置一條數軸,數軸的基向量設為
u
。我們將空間中的向量投影到這條直線上,可表明這個操作是線性的,因為它滿足等距分佈的點在投影之後仍是等距分佈。
根據這個投影,我們定義了一個從二維向量到數的線性變換(需要強調的是,儘管這條數軸放置在二維空間中,但是這個變換是一個從二維向量到數的函式,輸出的是一個數,而向量
u
是一個二維向量,只是恰好落在數軸的方向),下一步就是得到其對應的1x2矩陣(投影矩陣),矩陣的列向量應該是向量
i
和
j
經過線性變換後得到的數值。
注意向量
u
和向量
i
都是單位向量,從對稱性可知向量
i
向
u
投影的長度,等於向量
u
在向量
i
方向上的投影長度,而
u
向
i
方向的投影就是
u
的橫座標,也就等於向量
i
在數軸上投影得到的數。同樣的過程也可對
j
進行操作。以此得到投影矩陣的兩個元素就是向量
u
的兩個座標,為
。
空間中任意向量經過此投影變換的結果就是:
。
這就是為什麼單位向量的點積可以解讀為,向量投影到單位向量所在的直線上得到的投影長度。
如果不是單位向量,比如將
u
放大3倍,則座標值也擴大三倍,投影矩陣變為
。任意向量做這個投影變換的結果就是,投影到3u所在直線的投影長度再乘以3,也等於它與3
u
的點積。
任何將空間壓縮到一維空間的線性變換,必然和某個向量
v
相關,應用這個線性變換的結果與和向量
v
作點積是一樣的。
對偶性就是兩個數學事物之間自然而又出乎意料的對應關係,例如一個向量的對偶是由它定義的線性變換,多維空間到一維空間的線性變換對偶是多維空間中的某個特定向量。
點積是理解投影的有力幾何工具,並且方便檢驗兩個向量指向是否相同。
向量可以看作某個特殊的線性變換。
上一篇:仿古瓷,到底仿能仿到什麼程度?
下一篇:碧玉黑點怎麼看?會影響價值嗎?