矩陣的四個子空間及其聯繫
對任意一個矩陣 來說(本文只考慮實矩陣),均有四個空間與其對應,他們分別是列空間(column space)、行空間(row space)、零(核)空間(nullspace or kernel space)、左零空間(left nullspace)。熟悉這些空間的性質及其聯繫能幫助我們在腦海中建立一個舞台,線代中的一些重要內容便是在這個舞台上展開的,比如線性方程組(linear equation system)
解的情況、奇異值分解(SVD)的幾何直觀。
Part 1 Four Subspaces
考慮一個矩陣 ,不妨設其行階梯形矩陣為
,其主元分別在在1-1th, 4-2th兩個位置。主元數目在取值上與矩陣的秩相等,所以
。
1.1列空間的維度與秩相等
列空間(column space)就是由矩陣的列向量組張成的空間。
此處為 和
張成的空間。那麼
為什麼不作為基向量呢?因為這三個向量可以由
,
線性表示,在三維空間中表現為與這兩個基向量共面,用它們作為基的一部分不能擴展基向量組的表達能力,根據奧卡姆剃刀原理捨棄它們。
構成的無疑是一個3維空間中的(2維)平面,正好維度與rank(R)相等。觀察我們選取的基向量
和
,他們是主元所在的列,也稱為pivot columns
1.2行空間的維度與秩相等
行空間(row space)就是由矩陣的行向量組張成的空間。
此處為 和
張成的空間,
為零向量,並不能作為空間的基向量(basis vector)。雖然行向量有5個元素,看似是在一個5維的空間中,但實際上因為我們的基向量只有兩個,它們只能張成一個嵌套在5維空間中的2維子空間。我提供一個理解的思路,空間中任意向量由該空間基向量的線性組合表示,即
,這個式子意味著我們可以用 向量
來唯一標識
,
只有兩個元素,所以 實際上
。
再觀察下我們選的基向量 和
實際上是主元所在的行,這樣的行稱為pivot rows
1.3零空間的維度等於列數減去秩(n-r)
零空間(nullspace or kernel space)是 的全部解所構成的空間。
為了形象直觀,我們先來討論下 的解。
,第一列和第四列含有主元,為pivot columns,其對應的
和
稱為pivot variables。其他三列不含主元,稱為free columns,相應的
則稱為free variables,free variables可以自由取值,分別取三組值
,
,
,將三組值分別回代入方程,可解得相應的
。這樣
的值就都知道了,我們可以寫出方程
的解向量
,
,
,這三個向量被稱為special solutions。
容易驗證, 的任意線性組合
也為
的解,這意味著以
為基的空間中任一向量
是
的解。這個以special solutions為基的空間就是
的kernel space。
1.4左零空間的維度等於行數目減去秩(m-r)
左零空間 (left nullspace)是 的全部解所構成的空間。
零空間定義中是未知向量右乘 ,而這裡是未知向量左乘
按照1.3的方法進行討論可得:
以的m-r個special solutions為基的空間就是 left nullspace。
上面的討論是用A的行階梯形矩陣R來作討論的,一些人肯定會提出疑問?我們討論的是R的四個子空間,這不代表A的四個子空間也具有相同的性質,其實可以證明A和R的子空間的維度是相同的。可參考Introduction to linear algebra 4th edtion p186-p189, The Four Subspace for
![]()
Part 2 四個子空間的聯繫
2.1 四個子空間的正交性(orthogonality)
起初看到這張圖時我並不是很理解,但從直觀上可以看出它是想表達 ,
在我們證明它們之前,首先,我們得知道向量垂直的定義:
若兩向量內積為0,即 ,則稱
.
將這個垂直(perpendicular)的概念從向量的層次擴展到空間的層次,給出以下定義:
定義一:Two subspaces
and
of a vector space are orthogonal if every vector
in
is perpendicular to every vector
in
![]()
舉個栗子,垂直於一張平鋪的紙(2-D空間)作該平面的法線(一條線是一個1-D空間),這兩個空間即是垂直的。
Theorem1:
根據nullspace的定義,我們有Proof:
,
,即
![]()
根據rowspace的定義,我們有
即nullspace中任一向量與rowspace中任一向量垂直。由定義一知:所以
![]()
上面證明了big picture中的左半部分,接著證明右半部分
Theorem2:
根據left nullspace的定義,我們有Proof:
即
根據column space的定義,我們有
所以
![]()
因此:
![]()
2.2正交補(orthogonal complement)
在Part 1中我們知道了四個子空間的維度,其中
不難發現,當 給定以後,
和
也就給定了,它們就成了常量(constant)
這兩個式子也意味著
而Part 2.1告訴我們 不妨視
為「空集」
,根據空間垂直的定義應該可用反證法證得
這樣一來借鑒集合論中關於絕對補集合的定義,我們這樣理解四個子空間的正交補性質
在線性代數中,我們定義這樣的成對空間互為正交補。由正交補具有的特點可以從另一角度給出以下定義:
定義二:如果一個子空間
包含所有與子空間
垂直的向量,稱
為
的正交補,記作
(發音為"V perp")
Theorem3:
![]()
Proof:
我們根據定義二來證明,那麼待證命題轉化為:包含
中所有與
垂直的向量用反證法來證明這個全稱命題,假設
![]()
,即
是
的解根據
的定義(由
的全部解組成的空間),
,與假設矛盾。故
中不存在與
垂直而不在
中的向量,即
中所有與
垂直的向量都在
中。
類似地可以證明
Theorem4:
![]()
2.3
的幾何意義
這個方程中,
是
維的,行空間也是
維的。
是
維的,列空間也是
維的。所以這個方程可以解讀為將
中的一個向量
映射到
中,同時注意到
由分別來自行空間和零空間的
和
構成,這兩個空間是
的子空間。而
來自列空間(
的子空間)。我們在學習解方程
時總是分別求出一個particular solution 和 special solutions,再將它們相加,這兩個部分即
和
。
結合圖2 思考3.4節(3.4The Complete Solution to Ax=b) 關於
解情況的判定(圖3),可以從幾何角度加深理解
推薦閱讀:
※將線性代數形象化 總結篇
※線性方程組(5)-克雷洛夫子空間與伽遼金原理
※機器學習數學:線性代數
※SVD分解是對矩陣行空間與列空間的關聯
※線性方程組(4)-變分原理與共軛梯度法
TAG:線性代數 |